Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra tổng hợp giọng nói từ đầu đến cuối của VITS

Giải thích mô hình biến tiềm ẩn VITS, căn chỉnh đơn điệu, thời lượng ngẫu nhiên, tạo dạng sóng và đào tạo đối nghịch.

Đường dẫn hướng dẫn liên quanTổng hợp lời nói End To End của Vits
Câu hỏi 1 của 8

Từ viết tắt VITS có nghĩa là gì?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Từ viết tắt VITS có nghĩa là gì?
    • Suy luận đa dạng với phương pháp học đối nghịch để chuyển văn bản thành giọng nói từ đầu đến cuối
    • Hệ thống biến áp suy luận giọng nói
    • Bộ tổng hợp chuỗi thời gian tích hợp bộ mã hóa
    • Tổng hợp văn bản đầu vào trực quan
  2. Sự khác biệt chính về mặt kiến trúc giữa VITS và đường ống TTS truyền thống là gì?
    • VITS sử dụng hai giai đoạn đào tạo riêng biệt
    • VITS cùng đào tạo mô hình âm thanh và bộ phát âm, chuyển trực tiếp từ văn bản sang dạng sóng
    • VITS yêu cầu thời lượng âm vị được dán nhãn bằng tay
    • VITS chỉ xuất ra mel-Spectrogram
  3. VITS tìm hiểu sự căn chỉnh giữa khung văn bản và âm thanh bằng cách nào?
    • Bộ chỉnh răng cưỡng bức bên ngoài đã được đào tạo trước
    • Chú thích thủ công của các nhà ngôn ngữ học
    • Tìm kiếm căn chỉnh đơn điệu (MAS) trong quá trình đào tạo
    • Phân công ngẫu nhiên được tinh chỉnh bằng cách học tăng cường
  4. Tại sao VITS bao gồm công cụ dự đoán thời lượng ngẫu nhiên?
    • Để làm cho mọi phát ngôn giống hệt nhau để có sự thống nhất
    • Để nén kích thước tập tin âm thanh
    • Để dịch văn bản sang các ngôn ngữ khác
    • Để tạo ra nhịp điệu nói đa dạng, tự nhiên cho cùng một văn bản
  5. Thành phần nào đẩy đầu ra VITS hướng tới âm thanh trung thực?
    • Công cụ phân biệt đối xử kiểu GAN sử dụng phương pháp đào tạo đối nghịch
    • Một mô hình khen thưởng học tập củng cố
    • Bộ lọc xử lý tín hiệu dựa trên quy tắc
    • Mô-đun kiểm tra chính tả
  6. Which cited system explicitly builds on VITS for zero-shot multispeaker and multilingual synthesis?
    • Bài phát biểu nhanh 2
    • YourTTS
    • WaveNet
    • 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