Mit dem Guide verknüpftes Quiz · Mittel Ebene

Tacotron 2-Quiz

Sehen Sie sich die Text-to-Mel-Pipeline von Tacotron 2, die Aufmerksamkeitsschutzmaßnahmen und die erlernte Stoppvorhersage an, die die Äußerungslänge bestimmt.

Verwandte FührungspfadeTacotron 2
Frage 1 von 8

Welche Zwischendarstellung sagt Tacotron 2 aus dem Text voraus?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche Zwischendarstellung sagt Tacotron 2 aus dem Text voraus?
    • Ein Mel-Spektrogramm
    • Ein JPEG-Bild
    • Nur Rohtextphoneme
    • Eine MIDI-Datei
  2. Was wandelt das Spektrogramm von Tacotron 2 in eine tatsächliche Wellenform um?
    • Eine Rechtschreibprüfung
    • Ein modifizierter WaveNet-Vocoder
    • Eine Suchmaschine
    • Ein Faltungsbildklassifikator
  3. Welches Problem kann durch ortsbezogene Aufmerksamkeit verhindert werden?
    • Überhitzung der GPU
    • Verlust der Internetverbindung
    • Wiederholte oder übersprungene Wörter während der Synthese
    • Rechtschreibfehler im Eingabetext
  4. How does Tacotron 2 determine that it has generated the end of an utterance?
    • A human must press a button for every utterance
    • It always generates a fixed number of frames
    • The vocoder detects silence and interrupts the decoder
    • A learned stop-token prediction signals the decoder to stop
  5. Welchen allgemeinen Architekturstil verwendet der Text-zu-Spektrogramm-Teil?
    • Sequenz für Sequenz mit Aufmerksamkeit
    • Eine einfache Nachschlagetabelle
    • Ein Entscheidungsbaum
    • Ein statischer Regelsatz
  6. Welches spätere Modell ist im Geiste ein schnellerer, nicht autoregressiver Nachfolger von Tacotron 2?
    • ResNet
    • FastSpeech 2
    • BERT
    • AlexNet
  7. What does the post-net in Tacotron 2 refine?
    • The input text spelling
    • The speaker’s identity metadata
    • The predicted mel-spectrogram
    • The final transcript punctuation
  8. What does FastSpeech 2 add as conditioning information for speech variation?
    • A video soundtrack transcript only
    • A random microphone serial number
    • A mandatory image embedding
    • Pitch, energy, and more accurate duration information