Тест, свързан с ръководство · Среден Ниво

Тест за DiffWave Diffusion Vocoder

Научете как DiffWave прогнозира шума, за да синтезира вълнови форми, условия на акустичните характеристики и балансира скоростта на семплиране спрямо качеството.

Свързани ръководни пътекиДифузионен вокодер Diffwave
Въпрос 1 на 8

Как DiffWave генерира аудио по време на извод?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как DiffWave генерира аудио по време на извод?
    • Чрез итеративно обезшумяване на случаен шум във форма на вълна
    • Чрез вземане на проби от една стойност на формата на вълната наведнъж авторегресивно
    • Чрез свързване на записани речеви единици
    • Чрез изпълнение на единично преминаване напред на GAN
  2. Какво всъщност научава да прогнозира мрежата DiffWave по време на обучение?
    • Чистата форма на вълната директно в един кадър
    • Шумът, добавен при дадена стъпка на дифузия
    • Преписът на текста
    • Самоличността на говорещия
  3. Какъв е основният практически недостатък на DiffWave в сравнение с GAN вокодерите?
    • Не може да зависи от спектрограмите
    • Работи само при ниски честоти на дискретизация
    • Може да изисква много стъпки за вземане на проби, което го прави по-бавен
    • Нуждае се от състезателно обучение, за да бъде стабилен
  4. Какво предимство има DiffWave пред GAN вокодерите при обучение?
    • Не се нуждае от невронна мрежа
    • Не изисква данни
    • Той произвежда звук незабавно в една стъпка
    • Избягва нестабилно състезателно обучение
  5. На каква архитектура прилича мрежата за прогнозиране на шума на DiffWave?
    • Разширена конволюционна мрежа в стил WaveNet
    • Повтарящ се езиков модел на LSTM
    • Трансформатор на зрението
    • Проста линейна регресия
  6. Приблизително колко малко стъпки за вземане на проби могат да използват добре настроените графици на DiffWave, като същевременно поддържат добро качество?
    • Винаги точно 1000 стъпки
    • Около шест стъпки
    • Около 500 стъпала
    • Само една стъпка без настройка
  7. What acoustic representation can condition DiffWave when it is used as a vocoder?
    • A list of subtitle line numbers
    • A CT scan of an ancient scroll
    • Мел-спектрограма
    • A source-code dependency graph
  8. What loss does DiffWave use to train its noise-prediction network?
    • A word-error-rate objective
    • A discriminator feature-matching loss only
    • A cosine-similarity loss between image embeddings
    • A weighted L2 loss on the predicted noise