Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ σύνθεσης λόγου VITS από άκρο σε άκρο

Εξηγεί τη μοντελοποίηση λανθάνουσας μεταβλητής VITS, τη μονοτονική ευθυγράμμιση, τις στοχαστικές διάρκειες, τη δημιουργία κυματομορφής και την αντίθετη εκπαίδευση.

Σχετικές διαδρομές οδηγώνVits End To End Σύνθεση Λόγου
Ερώτηση 1 του 8

Τι σημαίνει το ακρωνύμιο VITS;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι σημαίνει το ακρωνύμιο VITS;
    • Variational Inference με αντίθετη μάθηση για από άκρο σε άκρο κείμενο σε ομιλία
    • Σύστημα μετασχηματιστή φωνητικών συμπερασμάτων
    • Συνθεσάιζερ ενσωματωμένης χρονοσειράς Vocoder
    • Οπτική Σύνθεση Κειμένου Εισαγωγής
  2. Ποια είναι η κύρια αρχιτεκτονική διαφορά μεταξύ VITS και παραδοσιακών αγωγών TTS;
    • Το VITS χρησιμοποιεί δύο ξεχωριστά εκπαιδευμένα στάδια
    • Το VITS εκπαιδεύει το ακουστικό μοντέλο και τον φωνοκωδικοποιητή από κοινού, μεταβαίνοντας από το κείμενο απευθείας στην κυματομορφή
    • Το VITS απαιτεί διάρκειες φωνημάτων με σήμανση χειρός
    • Το VITS εξάγει μόνο φασματογράμματα mel
  3. Πώς μαθαίνει το VITS τη στοίχιση μεταξύ πλαισίων κειμένου και ήχου;
    • Μια προεκπαιδευμένη εξωτερική αναγκαστική ευθυγράμμιση
    • Χειροκίνητος σχολιασμός από γλωσσολόγους
    • Μονοτονική αναζήτηση ευθυγράμμισης (MAS) κατά τη διάρκεια της προπόνησης
    • Τυχαία ανάθεση τελειοποιημένη με ενισχυτική μάθηση
  4. Γιατί το VITS περιλαμβάνει στοχαστική πρόβλεψη διάρκειας;
    • Να γίνει κάθε φράση πανομοιότυπη για συνέπεια
    • Για να συμπιέσετε το μέγεθος του αρχείου ήχου
    • Για να μεταφράσετε κείμενο σε άλλες γλώσσες
    • Να παράγουν ποικίλους, φυσικούς ρυθμούς ομιλίας για το ίδιο κείμενο
  5. Ποιο στοιχείο ωθεί την έξοδο VITS σε ήχο με ρεαλιστικό ήχο;
    • Ένας διακριτικός τύπος GAN που χρησιμοποιεί αντίπαλη εκπαίδευση
    • Ένα μοντέλο ανταμοιβής ενισχυτικής μάθησης
    • Ένα φίλτρο επεξεργασίας σήματος που βασίζεται σε κανόνες
    • Μια ενότητα ορθογραφικού ελέγχου
  6. Which cited system explicitly builds on VITS for zero-shot multispeaker and multilingual synthesis?
    • FastSpeech 2
    • YourTTS
    • WaveNet
    • A deterministic vocoder with no speaker conditioning
  7. What does the normalizing-flow component contribute to VITS?
    • It replaces text-audio alignment with a speaker identity check
    • It guarantees identical duration for every spoken phrase
    • It increases the expressiveness of the latent prior distribution
    • It removes the waveform decoder from the model
  8. Why does VITS use both variational inference and adversarial learning?
    • They make the model independent of text input
    • They guarantee every generated voice is a real speaker
    • They remove all duration variation
    • They support latent-variable modeling and realistic waveform generation