Викторина FastSpeech и неавторегрессивная TTS

Ответы и пояснения появляются по мере прохождения теста.

1. Что означает «неавторегрессивный» в контексте FastSpeech?
   • Он генерирует все кадры спектрограммы параллельно, а не последовательно.
   • Он генерирует аудиокадры по одному последовательно.
   • Он не может обрабатывать длинные предложения
   • Он не требует никаких обучающих данных
2. Какую проблему авторегрессионных моделей, таких как Tacotron 2, конкретно решает FastSpeech?
   • Невозможность воспроизвести какой-либо звук
   • Медленное создание и пропуск или повторение слов из-за ошибок внимания.
   • Отсутствие поддержки английского текста.
   • Требуется квантовое оборудование
3. Какова роль «регулятора длины» в FastSpeech?
   • Он сжимает окончательный аудиофайл
   • Удаляет тишину из записей
   • Он повторяет представление каждой фонемы в соответствии с ее прогнозируемой продолжительностью, чтобы соответствовать длине звука.
   • Он переводит фонемы в текст
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. Почему время вывода FastSpeech практически не увеличивается с длиной предложения?
   • Все кадры генерируются параллельно, а не последовательно.
   • Он игнорирует большую часть входного текста
   • Он выводит только односекундные клипы.
   • Он использует таблицу поиска предварительно записанных предложений.
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