Quiz collegato alla guida · Medio Livello
Quiz di allineamento monotono Glow-TTS
Scopri come Glow-TTS utilizza la ricerca di allineamento monotona e un predittore di durata per sintetizzare il parlato in parallelo, senza un allineatore esterno.
Domanda 1 di 8
Quale problema con il TTS basato sull'attenzione si propone di risolvere Glow-TTS?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema con il TTS basato sull'attenzione si propone di risolvere Glow-TTS?
- Saltare o ripetere parole in frasi lunghe
- Audio troppo basso
- Impossibilità di utilizzare una GPU
- Mancanza di un codificatore di testo
- Cosa significa MAS in Glow-TTS?
- Mel Audio Sintesi
- Ricerca monotona dell'allineamento
- Sistema multiattenzione
- Campionatore acustico modulare
- Perché l'allineamento deve essere monotono?
- Per aumentare il volume dell'audio
- Per ridurre le dimensioni del file
- Perché il testo viene letto nell'ordine da sinistra a destra nel tempo
- Per supportare più altoparlanti
- Che tipo di decodificatore utilizza Glow-TTS per modellare gli spettrogrammi?
- Una rete di attenzione ricorrente
- Un classificatore convoluzionale
- Un modello linguistico trasformatore
- Un flusso normalizzante
- Al momento dell'inferenza, in che modo Glow-TTS decide quanto dura ciascun token di testo?
- Un predittore di durata restituisce il numero di fotogrammi per token
- Viene eseguito nuovamente MAS sull'audio
- Indovina in modo casuale
- Utilizza un microfono
- Qual è un vantaggio pratico del fatto che Glow-TTS non è autoregressivo?
- Non necessita di immissione di testo
- Può generare tutti i frame in parallelo per una sintesi rapida
- Non può controllare il tono
- Funziona solo offline
- 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
- 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