Maswali ya Usemi wa Asili na Usambazaji Fiche wa TTS

Majibu na maelezo huonekana unapojibu maswali.

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. Mtindo wa uenezaji wa latent wa NaturalSpeech 2 hutoa nini?
   • Sauti mbichi hubadilika moja kwa moja
   • Vekta fiche zinazoendelea kutoka kwa kodeki ya sauti ya neural
   • Nakala za kifonetiki zilizochapishwa
   • Picha za spectrogram za kutazamwa na mwanadamu
3. Mfano wa uenezaji hutoaje data kwa kiwango cha juu?
   • Inakariri na kucheza tena klipu za mafunzo
   • Hupanga sampuli kwa alfabeti
   • Inajifunza kugeuza mchakato wa hatua kwa hatua wa kupiga kelele, kutoa sauti kutoka kwa kelele ya nasibu hadi data
   • Inatabiri tu neno linalofuata la maandishi
4. Ni uwezo gani muhimu ambao uenezaji uliofichika huwapa NaturalSpeech 2?
   • Kutafsiri hotuba katika picha
   • Kuondoa hitaji la ingizo lolote la maandishi
   • Inazalisha sauti moja tu isiyobadilika
   • Uundaji wa sauti sifuri kutoka kwa kidokezo kifupi cha marejeleo
5. Je, ni wazo gani kuu la NaturalSpeech 3's 'usambazaji wa sababu'?
   • Kutenganisha usemi katika sifa zilizotenganishwa kama vile maudhui, prosodi na timbre, zilizoundwa kwa kujitegemea.
   • Inazalisha usemi haraka mara mbili kwa kuruka maandishi
   • Inabana sauti kuwa nambari kamili
   • Kwa kutumia uchakataji wa mawimbi kulingana na kanuni pekee
6. Kwa nini uenezaji wa uaminifu wa juu wa TTS huongeza hitaji la ulinzi kama vile kuweka alama?
   • Kwa sababu hufanya faili za sauti kuwa kubwa sana kuhifadhi
   • Kwa sababu urekebishaji wa sauti usio na sifuri huongeza hatari za utumiaji mbaya na uigaji
   • Kwa sababu inafanya kazi katika lugha moja tu
   • Kwa sababu mifano ya uenezi haiwezi kufunzwa hata kidogo
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