Útmutatóhoz kapcsolódó kvíz · Közepes Szint

FastPitch hangmagasság-vezérelhető TTS kvíz

Learn how FastPitch predicts fundamental-frequency contours, edits pitch at inference, and synthesizes mel frames in parallel.

kérdés 1 -ból 8

Milyen extra jelet jósol a FastPitch kifejezetten az egyes bemeneti tokenekhez?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen extra jelet jósol a FastPitch kifejezetten az egyes bemeneti tokenekhez?
    • A hangmagasság (alapfrekvencia)
    • A beszélő neme
    • A háttérzaj szintje
    • A nyelv azonosítója
  2. Hogyan hozza létre a FastPitch ilyen gyorsan a mel-spektrogramot?
    • Egyszerre egy minta streamelésével
    • Nem autoregresszíven, egyetlen párhuzamos előre passzban
    • Rögzített adatbázisból másolással
    • Csak egyetlen CPU magon futva
  3. How can a user change the intonation contour in FastPitch output without retraining?
    • Fonémák törlésével
    • Csak a véletlenszerű mag megváltoztatásával
    • Az előrejelzett hangmagasság-értékek skálázásával vagy szerkesztésével
    • A mintavételi sebesség csökkentésével
  4. Hogyan történik az edzés során a hangmagasság célpontja tokenenként?
    • Véletlenszerű érték
    • A hang maximális amplitúdója
    • Csak az első képkocka értéke
    • Az átlagos alapfrekvencia a token időtartama alatt
  5. What synthesis throughput did the FastPitch paper report for a typical utterance?
    • Over 900× real time for mel-spectrogram synthesis in the reported setup
    • About one second of audio per hour
    • Exactly 2× real time for waveform output
    • No measurement of synthesis speed
  6. Miért írják le a tokenenkénti hangmagasság-szabályozást intuitívnak, de durvanak?
    • Hangmintánként megjósolja a hangmagasságot
    • Egy hangmagasságot jelképenként jósol meg, nem képkockánként
    • Teljesen figyelmen kívül hagyja a hangmagasságot
    • Csak egy hangszórónál működik
  7. Which earlier parallel TTS architecture is FastPitch based on?
    • Tacotron 2
    • WavLM
    • FastSpeech
    • HiFi-GAN
  8. Besides pitch, what token-level signal helps FastPitch align text with output frames?
    • Speaker gender
    • Background noise level
    • Language identity only
    • Predicted token duration