Κουίζ FastPitch Pitch-Controllable TTS

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιο επιπλέον σήμα προβλέπει ρητά το FastPitch για κάθε διακριτικό εισόδου;
   • Το βήμα (θεμελιώδης συχνότητα)
   • Το φύλο του ομιλητή
   • Το επίπεδο θορύβου φόντου
   • Το αναγνωριστικό γλώσσας
2. Πώς το FastPitch δημιουργεί το φασματογράφημα mel τόσο γρήγορα;
   • Με ροή ήχου ένα δείγμα τη φορά
   • Μη αυταρχικά, σε μία παράλληλη πάσα προς τα εμπρός
   • Με αντιγραφή από καταγεγραμμένη βάση δεδομένων
   • Εκτελώντας μόνο έναν πυρήνα CPU
3. How can a user change the intonation contour in FastPitch output without retraining?
   • Με τη διαγραφή φωνημάτων
   • Αλλάζοντας μόνο τον τυχαίο σπόρο
   • Με την κλιμάκωση ή την επεξεργασία των προβλεπόμενων τιμών τόνου
   • Μειώνοντας το ποσοστό δειγματοληψίας
4. Κατά τη διάρκεια της προπόνησης, πώς εκχωρείται ο στόχος pitch ανά διακριτικό;
   • Τυχαία τιμή
   • Το μέγιστο πλάτος του ήχου
   • Μόνο η τιμή του πρώτου πλαισίου
   • Η μέση θεμελιώδης συχνότητα κατά τη διάρκεια του διακριτικού
5. What synthesis throughput did the FastPitch paper report for a typical utterance?
   • Over 900× real time for mel-spectrogram synthesis in the reported setup
   • About one second of audio per hour
   • Exactly 2× real time for waveform output
   • No measurement of synthesis speed
6. Γιατί ο έλεγχος βήματος ανά διακριτικό περιγράφεται ως διαισθητικός αλλά χοντροκομμένος;
   • Προβλέπει τον τόνο ανά δείγμα ήχου
   • Προβλέπει μια τιμή τόνου ανά σύμβολο, όχι ανά πλαίσιο
   • Αγνοεί εντελώς τον τόνο
   • Λειτουργεί μόνο για ένα ηχείο
7. Which earlier parallel TTS architecture is FastPitch based on?
   • Τακότρον 2
   • WavLM
   • FastSpeech
   • HiFi-GAN
8. Besides pitch, what token-level signal helps FastPitch align text with output frames?
   • Speaker gender
   • Background noise level
   • Language identity only
   • Predicted token duration