Quiz dotyczący naturalnej mowy i dyfuzji utajonej TTS

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

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. Co tak naprawdę generuje model dyfuzji ukrytej NaturalSpeech 2?
   • Bezpośrednio surowe przebiegi audio
   • Ciągłe ukryte wektory z neuronowego kodeka audio
   • Drukowane transkrypcje fonetyczne
   • Obrazy spektrogramu obrazu do oglądania przez ludzi
3. W jaki sposób model dyfuzji generuje dane na wysokim poziomie?
   • Zapamiętuje i odtwarza nagrania szkoleniowe
   • Sortuje próbki alfabetycznie
   • Uczy się odwracać krok po kroku proces zaszumiania, odszumiając przypadkowy szum do danych
   • Przewiduje tylko następne słowo tekstu
4. Jakie kluczowe możliwości zapewnia ukryta dyfuzja NaturalSpeech 2?
   • Przekładanie mowy na obrazy
   • Eliminacja konieczności wprowadzania tekstu
   • Generowanie tylko jednego stałego głosu
   • Klonowanie głosu o zerowym zasięgu z krótkiego monitu referencyjnego
5. Jaka jest główna idea „rozproszenia faktoryzowanego” w NaturalSpeech 3?
   • Rozdzielenie mowy na rozwikłane atrybuty, takie jak treść, prozodia i barwa, modelowane niezależnie
   • Generowanie mowy dwa razy szybciej poprzez pomijanie tekstu
   • Kompresja dźwięku do pojedynczej liczby całkowitej
   • Używanie wyłącznie przetwarzania sygnału opartego na regułach
6. Dlaczego wysokiej jakości rozpowszechnianie TTS zwiększa potrzebę stosowania zabezpieczeń takich jak znak wodny?
   • Ponieważ sprawia, że pliki audio są zbyt duże, aby je przechowywać
   • Ponieważ realistyczne klonowanie głosu typu „zero-shot” stwarza wyraźne ryzyko niewłaściwego użycia i podszywania się pod inne osoby
   • Ponieważ działa tylko w jednym języku
   • Ponieważ modeli dyfuzyjnych w ogóle nie da się wytrenować
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