แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบ TTS ที่ควบคุมระดับเสียงได้ FastPitch

เรียนรู้ว่า FastPitch คาดการณ์โครงร่างความถี่พื้นฐาน แก้ไขระดับเสียงที่อนุมาน และสังเคราะห์เฟรม Mel ในแบบคู่ขนานได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องFastpitch Pitch ควบคุม Tts
คำถาม 1 ของ 8

FastPitch มีสัญญาณพิเศษอะไรทำนายอย่างชัดเจนสำหรับโทเค็นอินพุตแต่ละรายการ

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. FastPitch มีสัญญาณพิเศษอะไรทำนายอย่างชัดเจนสำหรับโทเค็นอินพุตแต่ละรายการ
    • สนาม (ความถี่พื้นฐาน)
    • เพศของผู้พูด
    • ระดับเสียงพื้นหลัง
    • รหัสภาษา
  2. FastPitch สร้าง mel-spectrogram อย่างรวดเร็วได้อย่างไร
    • โดยการสตรีมเสียงทีละตัวอย่าง
    • ไม่ถดถอยโดยอัตโนมัติในการส่งต่อแบบขนานเดียว
    • โดยการคัดลอกจากฐานข้อมูลที่บันทึกไว้
    • โดยทำงานบน CPU core ตัวเดียวเท่านั้น
  3. How can a user change the intonation contour in FastPitch output without retraining?
    • โดยการลบหน่วยเสียง
    • โดยการเปลี่ยนเมล็ดสุ่มเท่านั้น
    • โดยการปรับขนาดหรือแก้ไขค่าระดับเสียงที่คาดการณ์ไว้
    • โดยการลดอัตราตัวอย่างลง
  4. ในระหว่างการฝึกอบรม มีการกำหนดเป้าหมายการเสนอขายต่อโทเค็นอย่างไร
    • ค่าสุ่ม
    • แอมพลิจูดสูงสุดของเสียง
    • ค่าของเฟรมแรกเท่านั้น
    • ความถี่พื้นฐานเฉลี่ยตลอดระยะเวลาของโทเค็น
  5. What synthesis throughput did the FastPitch paper report for a typical utterance?
    • Over 900× real time for mel-spectrogram synthesis in the reported setup
    • About one second of audio per hour
    • Exactly 2× real time for waveform output
    • No measurement of synthesis speed
  6. เหตุใดการควบคุมระดับเสียงต่อโทเค็นจึงอธิบายว่าใช้งานง่ายแต่หยาบ
    • มันทำนายระดับเสียงต่อตัวอย่างเสียง
    • โดยคาดการณ์หนึ่งค่าระดับเสียงต่อสัญลักษณ์ ไม่ใช่ต่อเฟรม
    • มันไม่สนใจระดับเสียงทั้งหมด
    • ใช้งานได้กับลำโพงตัวเดียวเท่านั้น
  7. Which earlier parallel TTS architecture is FastPitch based on?
    • ทาโคตรอน 2
    • WavLM
    • FastSpeech
    • ไฮไฟ-GAN
  8. Besides pitch, what token-level signal helps FastPitch align text with output frames?
    • Speaker gender
    • Background noise level
    • Language identity only
    • Predicted token duration