引导式测验 · 硬 等级
自然语音和潜在扩散 TTS 测验
涵盖编解码器潜在扩散、零样本语音提示、分解语音属性以及报告的基准结果的范围。
问题 1 的 8
原始 NaturalSpeech 论文在 LJSpeech 评估中报告了什么结果？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 原始 NaturalSpeech 论文在 LJSpeech 评估中报告了什么结果？
- 在论文所述的评估协议下达到人类水平质量
- 在所有语言和说话人上均达到人类水平质量
- 与所有人类录音完全一致
- 自然度的普遍保证
- NaturalSpeech 2 的潜在扩散模型实际上生成了什么？
- 直接原始音频波形
- 来自神经音频编解码器的连续潜在向量
- 打印的拼音文字记录
- 供人类观看的图像频谱图图片
- 扩散模型如何生成高水平的数据？
- 它可以记忆并重播训练片段
- 它按字母顺序对样本进行排序
- 它学习逆转逐步的噪声过程，从随机噪声到数据去噪
- 它仅预测文本的下一个单词
- 潜在扩散为 NaturalSpeech 2 提供了哪些关键功能？
- 将语音翻译成图像
- 无需任何文本输入
- 仅生成单一固定语音
- 通过简短的参考提示进行零样本语音克隆
- NaturalSpeech 3 的“分解扩散”的中心思想是什么？
- 将语音分离为内容、韵律和音色等相互独立的属性，并独立建模
- 通过跳过文本，生成语音的速度提高一倍
- 将音频压缩为单个整数
- 仅使用基于规则的信号处理
- 为什么高保真扩散 TTS 提高了对水印等保护措施的需求？
- 因为它会使音频文件太大而无法存储
- 因为现实的零样本语音克隆会带来明显的滥用和冒充风险
- 因为它只适用于一种语言
- 因为扩散模型根本无法训练
- 在 NaturalSpeech 2 扩散模型生成编解码器潜在变量后，什么将它们转换为语音？
- 文本分词器将它们转换为音素
- 说话人分离模型将它们转换为字幕
- 神经音频编解码器解码器将生成的潜在变量转换为波形音频
- 频谱图分类器选择一种类型
- NaturalSpeech 3 的因子化语音表示可以简化什么？
- 取代对任何音频解码器的需求
- 保证每个克隆声音都经过同意
- 无需声学模型即可将语音转换为文本
- 更独立地调整韵律和音色等属性