Quiz dotyczący syntezy autoregresyjnej TTS żółwia

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. What does Tortoise’s autoregressive transformer do in the synthesis pipeline?
   • Predicts speech tokens conditioned on text and speaker information
   • Measures the final waveform’s loudness only
   • Selects a license for the generated audio
   • Converts video frames into subtitles
2. Co Żółw może zrobić za pomocą kilku krótkich klipów referencyjnych?
   • Transkrypcja dźwięku na tekst
   • Sklonuj głos docelowy i przeczytaj dowolny tekst
   • Tłumacz tylko języki
   • Usuń szum tła
3. Które dwie rodziny modeli miały największy wpływ na projekt Tortoise?
   • Drzewa decyzyjne i maszyny SVM
   • Tabele fonemów oparte na regułach i HMM
   • Transformatory autoregresyjne i dyfuzja
   • Tylko filtry splotowe
4. W jaki sposób Żółw wybiera spośród wielu wygenerowanych kandydatów?
   • Wybiera to pierwsze
   • Zawsze wybiera najkrótszy
   • Pyta użytkownika
   • Do uszeregowania ich względem tekstu wykorzystuje model punktacji CLVP
5. Kto stworzył Tortoise TTS?
   • Jamesa Betkera
   • Geoffreya Hintona
   • Iana Goodfellowa
   • Andrzej Karpaty
6. Jaki jest główny powód, dla którego Żółw jest stosunkowo powolny?
   • Za każdym razem pobiera głosy z chmury
   • Priorytetem jest jakość, pobieranie próbek i udoskonalanie wielu kandydatów
   • Działa tylko na procesorach
   • Wielokrotnie kompresuje dźwięk
7. What can Tortoise’s random voice option generate without a supplied reference speaker?
   • A verified recording of a specific real person
   • A translation of an existing speaker’s legal identity
   • A synthetic voice selected by the model
   • A speaker embedding from a missing audio file
8. How does Tortoise package reference-voice conditioning for reuse?
   • It stores only a text transcript
   • It saves the voice as a LoRA for an image model
   • It records the speaker’s legal name in the waveform
   • It stores autoregressive and diffusion conditioning latents