Kuis TTS NaturalSpeech dan Difusi Laten

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

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. Apa yang sebenarnya dihasilkan oleh model difusi laten NaturalSpeech 2?
   • Bentuk gelombang audio mentah secara langsung
   • Vektor laten berkelanjutan dari codec audio saraf
   • Transkrip fonetik tercetak
   • Gambar spektogram gambar untuk dilihat manusia
3. Bagaimana model difusi menghasilkan data pada tingkat tinggi?
   • Ini menghafal dan memutar ulang klip pelatihan
   • Ini mengurutkan sampel berdasarkan abjad
   • Ia belajar membalikkan proses noise langkah demi langkah, menghilangkan noise dari noise acak menjadi data
   • Ini hanya memprediksi kata teks berikutnya
4. Kemampuan utama apa yang diberikan oleh difusi laten pada NaturalSpeech 2?
   • Menerjemahkan ucapan menjadi gambar
   • Menghilangkan kebutuhan akan input teks apa pun
   • Hanya menghasilkan satu suara tetap
   • Kloning suara zero-shot dari perintah referensi singkat
5. Apa gagasan utama 'difusi terfaktor' NaturalSpeech 3?
   • Memisahkan ucapan menjadi atribut-atribut yang terurai seperti konten, prosodi, dan timbre, dimodelkan secara independen
   • Menghasilkan ucapan dua kali lebih cepat dengan melewatkan teks
   • Mengompresi audio menjadi satu kesatuan
   • Hanya menggunakan pemrosesan sinyal berbasis aturan
6. Mengapa TTS difusi fidelitas tinggi meningkatkan kebutuhan akan perlindungan seperti watermarking?
   • Karena itu membuat file audio terlalu besar untuk disimpan
   • Karena kloning suara zero-shot yang realistis jelas menimbulkan risiko penyalahgunaan dan peniruan identitas
   • Karena hanya berfungsi dalam satu bahasa
   • Karena model difusi tidak bisa dilatih sama sekali
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