Quiz FastSpeech i nieautoregresyjny TTS

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co oznacza „nieautoregresyjny” w kontekście FastSpeech?
   • Generuje wszystkie ramki spektrogramu równolegle, a nie sekwencyjnie
   • Generuje klatki audio pojedynczo w sekwencji
   • Nie radzi sobie z długimi zdaniami
   • Nie wymaga danych treningowych
2. Który problem modeli autoregresyjnych, takich jak Tacotron 2, konkretnie rozwiązuje FastSpeech?
   • Niemożność wytworzenia żadnego dźwięku
   • Powolne generowanie i pomijane lub powtarzane słowa z powodu błędów uwagi
   • Brak wsparcia dla tekstu w języku angielskim
   • Wymagający sprzętu kwantowego
3. Jaka jest rola „regulatora długości” w FastSpeech?
   • Kompresuje końcowy plik audio
   • Usuwa ciszę z nagrań
   • Powtarza reprezentację każdego fonemu zgodnie z przewidywanym czasem trwania, aby dopasować długość dźwięku
   • Tłumaczy fonemy na tekst
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. Dlaczego czas wnioskowania FastSpeech ledwo rośnie wraz z długością zdania?
   • Wszystkie ramki są generowane równolegle, a nie sekwencyjnie
   • Ignoruje większość tekstu wejściowego
   • Generuje tylko jednosekundowe klipy
   • Wykorzystuje tabelę przeglądową wcześniej nagranych zdań
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