नेचुरलस्पीच और अव्यक्त प्रसार टीटीएस प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

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. नेचुरलस्पीच 2 का अव्यक्त प्रसार मॉडल वास्तव में क्या उत्पन्न करता है?
   • कच्चे ऑडियो तरंग सीधे
   • एक तंत्रिका ऑडियो कोडेक से निरंतर अव्यक्त वैक्टर
   • मुद्रित ध्वन्यात्मक प्रतिलेख
   • मानव देखने के लिए छवि स्पेक्ट्रोग्राम चित्र
3. एक प्रसार मॉडल उच्च स्तर पर डेटा कैसे उत्पन्न करता है?
   • यह प्रशिक्षण क्लिप को याद रखता है और दोबारा चलाता है
   • यह नमूनों को वर्णानुक्रम में क्रमबद्ध करता है
   • यह चरण-दर-चरण शोर प्रक्रिया को उलटना सीखता है, यादृच्छिक शोर से डेटा तक निरूपित करता है
   • यह केवल पाठ के अगले शब्द की भविष्यवाणी करता है
4. अव्यक्त प्रसार नेचुरलस्पीच 2 को कौन सी प्रमुख क्षमता देता है?
   • भाषण को छवियों में अनुवाद करना
   • किसी भी टेक्स्ट इनपुट की आवश्यकता को दूर करना
   • केवल एक निश्चित आवाज उत्पन्न करना
   • एक संक्षिप्त संदर्भ प्रॉम्प्ट से शून्य-शॉट ध्वनि क्लोनिंग
5. नेचुरलस्पीच 3 के 'कारकीकृत प्रसार' का केंद्रीय विचार क्या है?
   • भाषण को सामग्री, छंद और समय जैसी उलझी हुई विशेषताओं में अलग करना, स्वतंत्र रूप से मॉडलिंग करना
   • पाठ को छोड़ कर दोगुनी तेजी से भाषण उत्पन्न करना
   • ऑडियो को एक पूर्णांक में संपीड़ित करना
   • केवल नियम-आधारित सिग्नल प्रोसेसिंग का उपयोग करना
6. उच्च-निष्ठा प्रसार टीटीएस वॉटरमार्किंग जैसे सुरक्षा उपायों की आवश्यकता को क्यों बढ़ाता है?
   • क्योंकि यह ऑडियो फ़ाइलों को संग्रहीत करने के लिए बहुत बड़ा बना देता है
   • क्योंकि यथार्थवादी शून्य-शॉट वॉयस क्लोनिंग स्पष्ट दुरुपयोग और प्रतिरूपण जोखिम उठाती है
   • क्योंकि यह केवल एक ही भाषा में काम करता है
   • क्योंकि प्रसार मॉडल को बिल्कुल भी प्रशिक्षित नहीं किया जा सकता है
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