Вікторина, пов’язана з посібником · важко Рівень
Тест TTS NaturalSpeech and Latent Diffusion
Охоплює латентну дифузію кодеків, мовленнєві підказки з нульовим ударом, факторизовані атрибути мовлення та обсяг повідомлених результатів тестування.
Питання 1 з 8
What did the original NaturalSpeech paper report for its LJSpeech evaluation?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- 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
- Що насправді генерує модель прихованої дифузії NaturalSpeech 2?
- Необроблені аудіосигнали безпосередньо
- Безперервні приховані вектори з нейронного аудіокодека
- Друковані фонетичні розшифровки
- Зображення спектрограми для перегляду людиною
- Як модель дифузії генерує дані на високому рівні?
- Він запам'ятовує та відтворює навчальні кліпи
- Він сортує зразки за алфавітом
- Він навчається повертати покроковий процес шуму, усуваючи шум від випадкового шуму до даних
- Він передбачає лише наступне слово тексту
- Які ключові можливості прихованої дифузії надає NaturalSpeech 2?
- Переклад мовлення в образи
- Усунення необхідності будь-якого введення тексту
- Створення лише одного фіксованого голосу
- Коротке клонування голосу з короткої довідкової підказки
- Яка основна ідея «факторизованої дифузії» NaturalSpeech 3?
- Розділення мовлення на окремі атрибути, такі як зміст, просодия та тембр, змодельовані незалежно
- Створення мовлення вдвічі швидше за рахунок пропуску тексту
- Стиснення аудіо в одне ціле число
- Використання лише обробки сигналів на основі правил
- Чому високоточна дифузія TTS підвищує потребу в засобах захисту, як-от водяні знаки?
- Оскільки це робить аудіофайли завеликими для зберігання
- Тому що реалістичне клонування голосу з нульовим ударом підвищує явні ризики зловживання та видавання себе за іншу особу
- Тому що він працює лише однією мовою
- Оскільки дифузійні моделі взагалі неможливо навчити
- 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
- 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