Teste FastSpeech e TTS não autorregressivo

As respostas e explicações aparecem conforme você responde ao teste.

1. O que significa 'não autorregressivo' no contexto do FastSpeech?
   • Ele gera todos os quadros do espectrograma em paralelo, em vez de sequencialmente
   • Ele gera quadros de áudio, um de cada vez, em sequência
   • Não consegue lidar com frases longas
   • Não requer dados de treinamento
2. Qual problema de modelos autorregressivos como o Tacotron 2 o FastSpeech aborda especificamente?
   • Incapacidade de produzir qualquer áudio
   • Geração lenta e palavras ignoradas ou repetidas devido a erros de atenção
   • Falta de suporte para texto em inglês
   • Exigindo hardware quântico
3. Qual é o papel do 'regulador de comprimento' no FastSpeech?
   • Comprime o arquivo de áudio final
   • Remove o silêncio das gravações
   • Ele repete a representação de cada fonema de acordo com a duração prevista para corresponder à duração do áudio
   • Ele traduz fonemas em texto
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. Por que o tempo de inferência do FastSpeech quase não aumenta com o comprimento da frase?
   • Todos os quadros são gerados em paralelo, em vez de sequencialmente
   • Ignora a maior parte do texto de entrada
   • Ele só produz clipes de um segundo
   • Ele usa uma tabela de consulta de frases pré-gravadas
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