แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบ TTS คำพูดที่เป็นธรรมชาติและการแพร่กระจายแฝง

ครอบคลุมการแพร่กระจายของโคเดกแฝง การแจ้งคำพูดแบบ Zero-shot คุณลักษณะคำพูดแบบแยกตัวประกอบ และขอบเขตของผลลัพธ์การวัดประสิทธิภาพที่รายงาน

เส้นทางแนะนำที่เกี่ยวข้องคำพูดธรรมชาติและการแพร่กระจายแฝง Tts
คำถาม 1 ของ 8

งานวิจัย NaturalSpeech ฉบับดั้งเดิมรายงานผลอย่างไรสำหรับการประเมินด้วย LJSpeech

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. งานวิจัย NaturalSpeech ฉบับดั้งเดิมรายงานผลอย่างไรสำหรับการประเมินด้วย LJSpeech
    • 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. โมเดลการแพร่กระจายแฝงของ NaturalSpeech 2 สร้างขึ้นจากอะไรจริง ๆ
    • รูปคลื่นเสียงดิบโดยตรง
    • เวกเตอร์แฝงต่อเนื่องจากตัวแปลงสัญญาณเสียงแบบนิวรัล
    • หลักฐานการออกเสียงที่พิมพ์ออกมา
    • ภาพสเปกโตรแกรมสำหรับการดูของมนุษย์
  3. โมเดลการแพร่กระจายสร้างข้อมูลในระดับสูงได้อย่างไร
    • มันจดจำและเล่นคลิปการฝึกอบรมซ้ำ
    • มันเรียงลำดับตัวอย่างตามตัวอักษร
    • เรียนรู้ที่จะย้อนกลับกระบวนการส่งเสียงรบกวนทีละขั้นตอน โดยเปลี่ยนจากสัญญาณรบกวนแบบสุ่มไปสู่ข้อมูล
    • ทำนายเฉพาะคำถัดไปของข้อความ
  4. การแพร่กระจายแฝงให้ NaturalSpeech 2 มีความสามารถหลักอะไรบ้าง
    • การแปลคำพูดให้เป็นภาพ
    • ไม่จำเป็นต้องป้อนข้อความใดๆ อีกต่อไป
    • สร้างเสียงคงที่เพียงเสียงเดียว
    • การโคลนเสียงแบบ Zero-shot จากพรอมต์อ้างอิงสั้นๆ
  5. แนวคิดหลักของ 'การกระจายตัวประกอบ' ของ NaturalSpeech 3 คืออะไร
    • แยกคำพูดออกเป็นคุณลักษณะที่ไม่พันกัน เช่น เนื้อหา ฉันทลักษณ์ และน้ำเสียง โดยสร้างแบบจำลองอย่างเป็นอิสระ
    • สร้างคำพูดเร็วขึ้นสองเท่าโดยการข้ามข้อความ
    • การบีบอัดเสียงให้เป็นจำนวนเต็มเดียว
    • ใช้การประมวลผลสัญญาณตามกฎเท่านั้น
  6. เหตุใด TTS การแพร่กระจายที่มีความเที่ยงตรงสูงจึงเพิ่มความจำเป็นในการป้องกันเช่นลายน้ำ
    • เพราะจะทำให้ไฟล์เสียงมีขนาดใหญ่เกินกว่าจะจัดเก็บได้
    • เนื่องจากการโคลนเสียงแบบ Zero-shot ที่สมจริงทำให้เกิดการใช้งานในทางที่ผิดและความเสี่ยงในการแอบอ้างบุคคลอื่นอย่างชัดเจน
    • เพราะมันใช้งานได้ในภาษาเดียวเท่านั้น
    • เพราะไม่สามารถฝึกแบบจำลองการแพร่กระจายได้เลย
  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