Κουίζ FastSpeech και Non-Autoregressive TTS

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Τι σημαίνει «μη αυταρχική» στο πλαίσιο του FastSpeech;
   • Παράγει όλα τα πλαίσια φασματογράμματος παράλληλα και όχι διαδοχικά
   • Δημιουργεί καρέ ήχου ένα κάθε φορά με τη σειρά
   • Δεν μπορεί να χειριστεί μεγάλες προτάσεις
   • Δεν απαιτεί δεδομένα εκπαίδευσης
2. Ποιο πρόβλημα αυτοπαλινδρομικών μοντέλων όπως το Tacotron 2 αντιμετωπίζει συγκεκριμένα το FastSpeech;
   • Αδυναμία παραγωγής οποιουδήποτε ήχου
   • Αργή δημιουργία και παραλείψεις ή επαναλαμβανόμενες λέξεις από σφάλματα προσοχής
   • Έλλειψη υποστήριξης αγγλικού κειμένου
   • Απαιτείται κβαντικό υλικό
3. Ποιος είναι ο ρόλος του 'ρυθμιστή μήκους' στο FastSpeech;
   • Συμπιέζει το τελικό αρχείο ήχου
   • Αφαιρεί τη σιωπή από τις ηχογραφήσεις
   • Επαναλαμβάνει την αναπαράσταση κάθε φωνήματος σύμφωνα με την προβλεπόμενη διάρκειά του για να ταιριάζει με το μήκος του ήχου
   • Μεταφράζει φωνήματα σε κείμενο
4. Which additional speech variations does FastSpeech 2 condition on during training and inference?
   • Only speaker age and recording location
   • Video frames and subtitle color
   • A single fixed global loudness value
   • Pitch, energy, and duration information
5. Γιατί ο χρόνος συμπερασμάτων του FastSpeech μετά βίας αυξάνεται με το μήκος της πρότασης;
   • Όλα τα πλαίσια δημιουργούνται παράλληλα και όχι διαδοχικά
   • Αγνοεί το μεγαλύτερο μέρος του κειμένου εισαγωγής
   • Εξάγει μόνο κλιπ ενός δευτερολέπτου
   • Χρησιμοποιεί έναν πίνακα αναζήτησης με προηχογραφημένες προτάσεις
6. How does the length regulator use predicted durations in FastSpeech?
   • It selects the final audio codec
   • It expands phoneme-level representations to align with the target spectrogram length
   • It estimates the speaker’s identity from video
   • It converts text into a sequence of labels for translation
7. What is one tradeoff of non-autoregressive spectrogram generation?
   • It guarantees identical prosody to an autoregressive model
   • It removes the need for a waveform vocoder
   • Parallel output can be faster, but duration and speech variation must be modeled explicitly
   • It cannot accept text as input
8. What training target does FastSpeech 2 use instead of FastSpeech’s teacher-generated simplified outputs?
   • Only predicted durations with no acoustic target
   • A translated text transcript
   • The output of a GAN discriminator only
   • Ground-truth target speech representations