FastSpeech および非自己回帰 TTS クイズ

クイズに答えると、答えと解説が表示されます。

1. FastSpeech の文脈において「非自己回帰」とは何を意味しますか?
   • すべてのスペクトログラム フレームを順次ではなく並行して生成します。
   • 音声フレームを一度に 1 つずつ順番に生成します
   • 長文には対応できない
   • トレーニングデータは必要ありません
2. Tacotron 2 のような自己回帰モデルの問題のうち、FastSpeech は具体的にどの問題に対処しますか?
   • 音声を生成できない
   • 生成が遅く、アテンションエラーにより単語がスキップまたは繰り返される
   • 英語テキストのサポートの欠如
   • 量子ハードウェアが必要
3. FastSpeech における「長さ調整機能」の役割は何ですか?
   • 最終的な音声ファイルを圧縮します
   • 録音から無音部分を削除します
   • 音声の長さに一致するように、予測された継続時間に従って各音素の表現を繰り返します。
   • 音素をテキストに変換します
4. Which additional speech variations does FastSpeech 2 condition on during training and inference?
   • Only speaker age and recording location
   • Video frames and subtitle color
   • A single fixed global loudness value
   • Pitch, energy, and duration information
5. FastSpeech の推論時間は文の長さによってほとんど増加しないのはなぜですか?
   • すべてのフレームは順次ではなく並行して生成されます
   • 入力テキストのほとんどを無視します
   • 1 秒のクリップのみを出力します
   • 事前に録音された文のルックアップテーブルを使用します
6. How does the length regulator use predicted durations in FastSpeech?
   • It selects the final audio codec
   • It expands phoneme-level representations to align with the target spectrogram length
   • It estimates the speaker’s identity from video
   • It converts text into a sequence of labels for translation
7. What is one tradeoff of non-autoregressive spectrogram generation?
   • It guarantees identical prosody to an autoregressive model
   • It removes the need for a waveform vocoder
   • Parallel output can be faster, but duration and speech variation must be modeled explicitly
   • It cannot accept text as input
8. What training target does FastSpeech 2 use instead of FastSpeech’s teacher-generated simplified outputs?
   • Only predicted durations with no acoustic target
   • A translated text transcript
   • The output of a GAN discriminator only
   • Ground-truth target speech representations