Bài kiểm tra TTS về giọng nói tự nhiên và sự khuếch tán tiềm ẩn

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

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. Mô hình khuếch tán tiềm ẩn của NaturalSpeech 2 thực sự tạo ra điều gì?
   • Dạng sóng âm thanh thô trực tiếp
   • Các vectơ tiềm ẩn liên tục từ bộ giải mã âm thanh thần kinh
   • Phiên âm được in
   • Hình ảnh quang phổ hình ảnh để con người xem
3. Làm thế nào để một mô hình khuếch tán tạo ra dữ liệu ở mức cao?
   • Nó ghi nhớ và phát lại các clip đào tạo
   • Nó sắp xếp các mẫu theo thứ tự bảng chữ cái
   • Nó học cách đảo ngược quy trình nhiễu từng bước, khử nhiễu từ nhiễu ngẫu nhiên sang dữ liệu
   • Nó chỉ dự đoán từ tiếp theo của văn bản
4. Khả năng khuếch tán tiềm ẩn mang lại cho NaturalSpeech 2 khả năng chính nào?
   • Chuyển lời nói thành hình ảnh
   • Loại bỏ nhu cầu nhập văn bản
   • Chỉ tạo một giọng nói cố định duy nhất
   • Nhân bản giọng nói không bị ngắt quãng từ lời nhắc tham chiếu ngắn
5. Ý tưởng chính của 'sự khuếch tán nhân tố' của NaturalSpeech 3 là gì?
   • Tách lời nói thành các thuộc tính rời rạc như nội dung, ngữ điệu và âm sắc, được mô hình hóa độc lập
   • Tạo lời nói nhanh gấp đôi bằng cách bỏ qua văn bản
   • Nén âm thanh thành một số nguyên duy nhất
   • Chỉ sử dụng xử lý tín hiệu dựa trên quy tắc
6. Tại sao TTS khuếch tán có độ chính xác cao lại làm tăng nhu cầu về các biện pháp bảo vệ như hình mờ?
   • Bởi vì nó làm cho các tập tin âm thanh quá lớn để lưu trữ
   • Bởi vì việc sao chép giọng nói zero-shot thực tế làm tăng nguy cơ lạm dụng và mạo danh rõ ràng
   • Bởi vì nó chỉ hoạt động bằng một ngôn ngữ
   • Bởi vì các mô hình khuếch tán hoàn toàn không thể huấn luyện được
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