TTS-викторина о естественной речи и скрытой диффузии

Ответы и пояснения появляются по мере прохождения теста.

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. Что на самом деле генерирует модель скрытой диффузии NaturalSpeech 2?
   • Необработанные аудиосигналы напрямую
   • Непрерывные скрытые векторы нейронного аудиокодека
   • Распечатанные фонетические расшифровки
   • Изображения спектрограмм для просмотра человеком
3. Как диффузионная модель генерирует данные на высоком уровне?
   • Он запоминает и воспроизводит обучающие видеоролики.
   • Он сортирует образцы в алфавитном порядке.
   • Он учится обращать пошаговый процесс шумообразования, удаляя шум из случайного шума в данные.
   • Он предсказывает только следующее слово текста
4. Какие ключевые возможности дает скрытая диффузия NaturalSpeech 2?
   • Перевод речи в изображения
   • Удаление необходимости ввода текста
   • Генерация только одного фиксированного голоса
   • Клонирование голоса с нулевым выстрелом из короткой справочной подсказки
5. Какова основная идея «факторизованного распространения» NaturalSpeech 3?
   • Разделение речи на отдельные атрибуты, такие как содержание, просодия и тембр, моделируемые независимо.
   • Генерация речи в два раза быстрее за счет пропуска текста
   • Сжатие звука в одно целое число
   • Использование только обработки сигналов на основе правил
6. Почему диффузионная TTS с высокой точностью повышает необходимость в таких мерах защиты, как водяные знаки?
   • Потому что аудиофайлы становятся слишком большими для хранения.
   • Потому что реалистичное клонирование голоса с нулевым выстрелом повышает явные риски неправильного использования и выдачи себя за другое лицо.
   • Потому что он работает только на одном языке
   • Потому что диффузионные модели вообще невозможно обучить
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