Quiz TTS z kontrolowaną wysokością dźwięku FastPitch

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki dodatkowy sygnał FastPitch wyraźnie przewiduje dla każdego tokena wejściowego?
   • Wysokość dźwięku (częstotliwość podstawowa)
   • Płeć mówiącego
   • Poziom hałasu w tle
   • Identyfikator języka
2. W jaki sposób FastPitch tak szybko generuje spektrogram mel?
   • Przesyłając strumieniowo dźwięk po jednej próbce na raz
   • Nieautoregresywnie, w jednym równoległym podaniu do przodu
   • Kopiując z zarejestrowanej bazy danych
   • Działając tylko na jednym rdzeniu procesora
3. How can a user change the intonation contour in FastPitch output without retraining?
   • Poprzez usunięcie fonemów
   • Zmieniając tylko losowe ziarno
   • Skalując lub edytując przewidywane wartości tonu
   • Obniżając częstotliwość próbkowania
4. W jaki sposób podczas szkolenia przypisywany jest cel prezentacji do każdego tokena?
   • Losowa wartość
   • Maksymalna amplituda dźwięku
   • Tylko wartość pierwszej klatki
   • Średnia częstotliwość podstawowa w czasie trwania tokena
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. Dlaczego sterowanie wysokością tokenu jest opisywane jako intuicyjne, ale zgrubne?
   • Przewiduje wysokość dźwięku na próbkę audio
   • Przewiduje jedną wartość skoku na symbol, a nie na klatkę
   • Całkowicie ignoruje wysokość dźwięku
   • Działa tylko dla jednego głośnika
7. Which earlier parallel TTS architecture is FastPitch based on?
   • Takotron 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