Prueba de alineación monótona de Glow-TTS

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué problema con TTS basado en la atención pretende solucionar Glow-TTS?
   • Saltarse o repetir palabras en oraciones largas
   • Audio demasiado bajo
   • Incapacidad para usar una GPU
   • Falta de un codificador de texto.
2. ¿Qué significa MAS en Glow-TTS?
   • Síntesis de audio Mel
   • Búsqueda de alineación monótona
   • Sistema de atención múltiple
   • Muestreador acústico modular
3. ¿Por qué se requiere que la alineación sea monótona?
   • Para hacer el audio más alto
   • Para reducir el tamaño del archivo
   • Porque el texto se lee en orden de izquierda a derecha a lo largo del tiempo.
   • Para admitir varios altavoces
4. ¿Qué tipo de decodificador utiliza Glow-TTS para modelar espectrogramas?
   • Una red de atención recurrente
   • Un clasificador convolucional
   • Un modelo de lenguaje transformador
   • Un flujo normalizador
5. En el momento de la inferencia, ¿cómo decide Glow-TTS cuánto dura cada token de texto?
   • Un predictor de duración genera recuentos de fotogramas por token
   • Ejecuta MAS nuevamente en el audio.
   • Adivina al azar
   • Utiliza un micrófono
6. ¿Cuál es la ventaja práctica de que Glow-TTS no sea autorregresivo?
   • No necesita entrada de texto
   • Puede generar todos los fotogramas en paralelo para una síntesis rápida.
   • No puede controlar el tono.
   • Solo funciona sin conexión
7. What does the surjective-alignment assumption mean in Glow-TTS?
   • Each speech frame maps to multiple languages
   • Some text tokens must be skipped
   • Every text token maps to at least one speech frame
   • The output audio has no frame sequence
8. How does Glow-TTS find a likely alignment during training?
   • A human marks every phoneme-frame pair by hand
   • It randomly permutes the text tokens
   • A waveform classifier chooses a speaker identity
   • Dynamic programming searches for the most probable valid monotonic path