NaturalSpeech ve Gizli Difüzyon TTS Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

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. NaturalSpeech 2'nin gizli yayılma modeli aslında ne üretiyor?
   • Ham ses dalga formları doğrudan
   • Sinirsel ses codec bileşeninden sürekli gizli vektörler
   • Basılı fonetik transkriptler
   • İnsan görüntülemesi için görüntü spektrogram resimleri
3. Bir yayılma modeli nasıl yüksek düzeyde veri üretir?
   • Eğitim kliplerini ezberler ve tekrar oynatır
   • Örnekleri alfabetik olarak sıralar
   • Gürültüyü rastgele gürültüden veriye aktararak adım adım gürültü oluşturma sürecini tersine çevirmeyi öğrenir.
   • Metnin yalnızca bir sonraki kelimesini tahmin eder
4. Gizli difüzyon NaturalSpeech 2'ye hangi temel yeteneği kazandırır?
   • Konuşmayı görsellere çevirme
   • Herhangi bir metin girişi ihtiyacını ortadan kaldırma
   • Yalnızca tek bir sabit ses oluşturma
   • Kısa bir referans isteminden sıfır atışlı ses klonlama
5. NaturalSpeech 3'ün 'faktörleştirilmiş yayılımının' ana fikri nedir?
   • Konuşmayı bağımsız olarak modellenen içerik, prozodi ve tını gibi ayrıştırılmış niteliklere ayırma
   • Metni atlayarak iki kat daha hızlı konuşma oluşturma
   • Sesi tek bir tam sayıya sıkıştırmak
   • Yalnızca kural tabanlı sinyal işlemeyi kullanma
6. Yüksek kaliteli difüzyon TTS, filigranlama gibi güvenlik önlemlerine olan ihtiyacı neden artırıyor?
   • Çünkü ses dosyalarını depolanamayacak kadar büyük hale getiriyor
   • Çünkü gerçekçi sıfır atışlı ses klonlama, açık bir şekilde kötüye kullanım ve kimliğe bürünme risklerini artırır
   • Çünkü yalnızca tek bir dilde çalışıyor
   • Çünkü difüzyon modelleri hiçbir şekilde eğitilemez
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