แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการสังเคราะห์คำพูดจากต้นทางถึงปลายทางของ VITS

อธิบายการสร้างแบบจำลองตัวแปรแฝงของ VITS การจัดตำแหน่งแบบโมโนโทนิก ระยะเวลาสุ่ม การสร้างรูปคลื่น และการฝึกฝ่ายตรงข้าม

เส้นทางแนะนำที่เกี่ยวข้องVits สิ้นสุดการสังเคราะห์คำพูด
คำถาม 1 ของ 8

VITS ย่อมาจากอะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. VITS ย่อมาจากอะไร?
    • การอนุมานแบบแปรผันพร้อมการเรียนรู้แบบขัดแย้งสำหรับการอ่านออกเสียงข้อความจากต้นทางถึงปลายทาง
    • ระบบหม้อแปลงอนุมานเสียง
    • ซินธิไซเซอร์อนุกรมเวลาแบบรวม Vocoder
    • การสังเคราะห์ข้อความอินพุตด้วยภาพ
  2. อะไรคือความแตกต่างทางสถาปัตยกรรมที่สำคัญระหว่าง VITS และไปป์ไลน์ TTS แบบดั้งเดิม?
    • VITS ใช้ขั้นตอนการฝึกอบรมสองขั้นตอนแยกกัน
    • VITS ฝึกโมเดลอะคูสติกและโวโคเดอร์ร่วมกัน เปลี่ยนจากข้อความไปเป็นรูปคลื่นโดยตรง
    • VITS ต้องใช้ระยะเวลาหน่วยเสียงที่กำกับด้วยมือ
    • VITS ส่งออกเฉพาะเมลสเปกโตรแกรมเท่านั้น
  3. VITS เรียนรู้การจัดตำแหน่งระหว่างกรอบข้อความและเสียงได้อย่างไร
    • อุปกรณ์จัดฟันแบบบังคับภายนอกที่ได้รับการฝึกอบรมล่วงหน้า
    • คำอธิบายประกอบแบบแมนนวลโดยนักภาษาศาสตร์
    • Monotonic Alignment Search (MAS) ระหว่างการฝึก
    • การมอบหมายงานแบบสุ่มขัดเกลาโดยการเรียนรู้แบบเสริมกำลัง
  4. เหตุใด VITS จึงรวมตัวทำนายระยะเวลาสุ่มไว้ด้วย
    • เพื่อให้ทุกคำพูดเหมือนกันเพื่อความสม่ำเสมอ
    • เพื่อบีบอัดขนาดไฟล์เสียง
    • เพื่อแปลข้อความเป็นภาษาอื่น
    • เพื่อสร้างจังหวะการพูดที่หลากหลายและเป็นธรรมชาติสำหรับข้อความเดียวกัน
  5. ส่วนประกอบใดที่ผลักดันเอาต์พุต VITS ไปสู่เสียงที่ฟังดูสมจริง
    • ผู้เลือกปฏิบัติแบบ GAN ที่ใช้การฝึกอบรมฝ่ายตรงข้าม
    • รูปแบบการให้รางวัลการเรียนรู้แบบเสริมกำลัง
    • ตัวกรองการประมวลผลสัญญาณตามกฎ
    • โมดูลตรวจสอบการสะกด
  6. Which cited system explicitly builds on VITS for zero-shot multispeaker and multilingual synthesis?
    • พูดเร็ว 2
    • YourTTS
    • เวฟเน็ต
    • A deterministic vocoder with no speaker conditioning
  7. What does the normalizing-flow component contribute to VITS?
    • It replaces text-audio alignment with a speaker identity check
    • It guarantees identical duration for every spoken phrase
    • It increases the expressiveness of the latent prior distribution
    • It removes the waveform decoder from the model
  8. Why does VITS use both variational inference and adversarial learning?
    • They make the model independent of text input
    • They guarantee every generated voice is a real speaker
    • They remove all duration variation
    • They support latent-variable modeling and realistic waveform generation