Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący dyfuzji stylu StyleTTS 2

Przetestuj, jak StyleTTS 2 modeluje styl mowy, trenuje z dyskryminatorami mowy i języka oraz jak radzi sobie na raportowanych zbiorach ewaluacyjnych.

Powiązane ścieżki prowadząceDyfuzja stylu Styletts 2
Pytanie 1 z 8

Co modeluje StyleTTS 2 przy użyciu procesu dyfuzji?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co modeluje StyleTTS 2 przy użyciu procesu dyfuzji?
    • Ukryty „wektor stylu” kontrolujący prozodię i barwę
    • Próbka surowego przebiegu audio, próbka po próbce
    • Tekstowy zapis przemówienia
    • Reakcja słuchowa słuchacza
  2. Który wstępnie wytrenowany model mowy jest używany jako dyskryminator kontradyktoryjny w StyleTTS 2?
    • ResNet-50
    • WavLM
    • BERT
    • KLIPS
  3. Dlaczego StyleTTS 2 może powiedzieć to samo zdanie na wiele naturalnych sposobów?
    • Losowo uszkadza tekst wejściowy
    • Za każdym razem wykorzystuje inny model języka
    • Styl jest próbkowany z dystrybucji, a nie ustalony
    • Zmienia pisownię fonemów
  4. What did the StyleTTS 2 authors report on the LJSpeech listening evaluation?
    • It outperformed humans on every language and dataset
    • No listeners evaluated the samples
    • It was tested only on music
    • Native English listeners rated its samples above the human recordings in that study
  5. Co daje kompleksowe szkolenie StyleTTS 2?
    • Gradienty przepływają od jakości kształtu fali z powrotem przez cały rurociąg
    • Nie wymaga w ogóle wprowadzania tekstu
    • Trenuje tylko wokoder oddzielnie
    • Eliminuje potrzebę stosowania jakiejkolwiek sieci neuronowej
  6. What can sampling different style vectors do for the same text?
    • Change the transcript into a different language automatically
    • Produce different prosodic realizations of the written content
    • Guarantee every rendition sounds human
    • Remove the need for speech synthesis
  7. What speech input does ordinary StyleTTS 2 synthesis require to sample a style?
    • A three-second reference clip is always required
    • A human listener must speak the sentence first
    • No reference speech is required; it can generate style from the text-conditioned model
    • A transcript of every training speaker
  8. On which dataset did the StyleTTS 2 paper report results for zero-shot speaker adaptation?
    • ImageNet
    • COKO
    • MUSDB18
    • LibriTTS