Κουίζ NaturalSpeech and Latent Diffusion TTS

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. What did the original NaturalSpeech paper report for its LJSpeech evaluation?
   • Human-level quality under the paper’s stated evaluation protocol
   • Human-level quality on every language and speaker
   • Perfect equality to every human recording
   • A universal guarantee of naturalness
2. Τι δημιουργεί στην πραγματικότητα το μοντέλο λανθάνουσας διάχυσης του NaturalSpeech 2;
   • Ακατέργαστο ακουστικό κυματομορφές απευθείας
   • Συνεχείς λανθάνοντες φορείς από έναν νευρωνικό κωδικοποιητή ήχου
   • Έντυπες φωνητικές μεταγραφές
   • Εικόνες φασματογράμματος εικόνας για ανθρώπινη προβολή
3. Πώς ένα μοντέλο διάχυσης δημιουργεί δεδομένα σε υψηλό επίπεδο;
   • Απομνημονεύει και αναπαράγει προπονητικά κλιπ
   • Ταξινομεί τα δείγματα αλφαβητικά
   • Μαθαίνει να αντιστρέφει μια βήμα-βήμα διαδικασία θορύβου, αφαιρώντας από τυχαίο θόρυβο σε δεδομένα
   • Προβλέπει μόνο την επόμενη λέξη του κειμένου
4. Ποια βασική δυνατότητα δίνει η λανθάνουσα διάχυση στο NaturalSpeech 2;
   • Μετάφραση του λόγου σε εικόνες
   • Κατάργηση της ανάγκης για οποιαδήποτε εισαγωγή κειμένου
   • Δημιουργία μόνο μίας σταθερής φωνής
   • Κλωνοποίηση φωνής μηδενικής λήψης από μια σύντομη προτροπή αναφοράς
5. Ποια είναι η κεντρική ιδέα της «factorized diffusion» του NaturalSpeech 3;
   • Διαχωρισμός της ομιλίας σε ξεμπερδεμένα χαρακτηριστικά όπως περιεχόμενο, προσωδία και χροιά, μοντελοποιημένα ανεξάρτητα
   • Δημιουργία ομιλίας δύο φορές πιο γρήγορα με παράβλεψη κειμένου
   • Συμπίεση ήχου σε έναν μόνο ακέραιο
   • Χρησιμοποιώντας μόνο επεξεργασία σήματος που βασίζεται σε κανόνες
6. Γιατί το TTS διάχυσης υψηλής πιστότητας ενισχύει την ανάγκη για διασφαλίσεις όπως η υδατοσήμανση;
   • Επειδή κάνει τα αρχεία ήχου πολύ μεγάλα για αποθήκευση
   • Επειδή η ρεαλιστική μηδενική κλωνοποίηση φωνής εγείρει σαφείς κινδύνους κατάχρησης και πλαστοπροσωπίας
   • Γιατί λειτουργεί μόνο σε μία γλώσσα
   • Επειδή τα μοντέλα διάχυσης δεν μπορούν να εκπαιδευτούν καθόλου
7. After NaturalSpeech 2 diffusion generates codec latents, what converts them into speech?
   • A text tokenizer turns them into phonemes
   • A speaker diarization model turns them into subtitles
   • A neural audio-codec decoder turns the generated latents into waveform audio
   • A spectrogram classifier selects a genre
8. What can NaturalSpeech 3’s factorized speech representation make easier?
   • Replacing the need for any audio decoder
   • Guaranteeing every cloned voice has consent
   • Converting speech into text without an acoustic model
   • Adjusting attributes such as prosody and timbre more independently