Cuestionario TTS sobre habla natural y difusión latente

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

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. ¿Qué genera realmente el modelo de difusión latente de NaturalSpeech 2?
   • Formas de onda de audio sin procesar directamente
   • Vectores latentes continuos de un códec de audio neuronal
   • Transcripciones fonéticas impresas
   • Imágenes de espectrograma de imágenes para visualización humana.
3. ¿Cómo genera un modelo de difusión datos de alto nivel?
   • Memoriza y reproduce clips de entrenamiento.
   • Ordena las muestras alfabéticamente.
   • Aprende a revertir un proceso de generación de ruido paso a paso, eliminando el ruido del ruido aleatorio en datos.
   • Predice sólo la siguiente palabra del texto.
4. ¿Qué capacidad clave le da la difusión latente a NaturalSpeech 2?
   • Traducir el discurso en imágenes
   • Eliminando la necesidad de cualquier entrada de texto
   • Generando sólo una única voz fija
   • Clonación de voz de disparo cero a partir de un breve mensaje de referencia
5. ¿Cuál es la idea central de la 'difusión factorizada' de NaturalSpeech 3?
   • Separar el habla en atributos separados como contenido, prosodia y timbre, modelados de forma independiente.
   • Generar voz dos veces más rápido omitiendo texto
   • Comprimir audio en un solo número entero
   • Utilizar únicamente procesamiento de señales basado en reglas
6. ¿Por qué los TTS de difusión de alta fidelidad aumentan la necesidad de salvaguardias como las marcas de agua?
   • Porque hace que los archivos de audio sean demasiado grandes para almacenarlos
   • Porque la clonación de voz realista plantea riesgos claros de uso indebido y suplantación de identidad
   • Porque solo funciona en un idioma
   • Porque los modelos de difusión no se pueden entrenar en absoluto
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