Questionário TTS NaturalSpeech e difusão latente

As respostas e explicações aparecem conforme você responde ao teste.

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. O que o modelo de difusão latente do NaturalSpeech 2 realmente gera?
   • Formas de onda de áudio bruto diretamente
   • Vetores latentes contínuos de um codec de áudio neural
   • Transcrições fonéticas impressas
   • Imagens de espectrograma de imagem para visualização humana
3. Como um modelo de difusão gera dados de alto nível?
   • Ele memoriza e reproduz clipes de treinamento
   • Ele classifica as amostras em ordem alfabética
   • Ele aprende a reverter um processo de ruído passo a passo, eliminando o ruído aleatório dos dados
   • Ele prevê apenas a próxima palavra do texto
4. Qual é a principal capacidade que a difusão latente oferece ao NaturalSpeech 2?
   • Traduzindo fala em imagens
   • Removendo a necessidade de qualquer entrada de texto
   • Gerando apenas uma única voz fixa
   • Clonagem de voz zero-shot a partir de um breve prompt de referência
5. Qual é a ideia central da 'difusão fatorada' do NaturalSpeech 3?
   • Separar a fala em atributos desembaraçados como conteúdo, prosódia e timbre, modelados de forma independente
   • Gerando fala duas vezes mais rápido pulando texto
   • Compactando áudio em um único número inteiro
   • Usando apenas processamento de sinal baseado em regras
6. Por que o TTS de difusão de alta fidelidade aumenta a necessidade de salvaguardas como marcas d'água?
   • Porque torna os arquivos de áudio muito grandes para serem armazenados
   • Porque a clonagem de voz realista e de disparo zero aumenta claros riscos de uso indevido e de personificação
   • Porque só funciona em um idioma
   • Porque os modelos de difusão não podem ser treinados
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