Тест, свързан с ръководство · Среден Ниво

Тест за паралелен вокодер WaveGAN

Прегледайте как Parallel WaveGAN превръща акустичните характеристики в аудио и съчетава състезателно обучение със спектрални загуби с много разделителни способности.

Свързани ръководни пътекиПаралелен Wavegan вокодер
Въпрос 1 на 8

Каква е работата на вокодер като Parallel WaveGAN?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е работата на вокодер като Parallel WaveGAN?
    • Превърнете мел-спектрограмата в необработена аудио вълна
    • Преобразувайте текст във фонеми
    • Премахнете фоновия шум от записите
    • Превеждайте реч между езиците
  2. Как Parallel WaveGAN генерира аудио проби в сравнение с оригиналния WaveNet?
    • Една проба наведнъж, последователно
    • Всички проби паралелно, неавторегресивно
    • Чрез запис на микрофон
    • Чрез свързване на съхранени клипове
  3. Коя загуба е централна за Parallel WaveGAN освен противниковата загуба?
    • Крос-ентропия върху текстови токени
    • Тройна загуба в класирането
    • STFT загуба с много разделителна способност
    • Награда за подсилване
  4. Каква архитектура използва генераторът Parallel WaveGAN?
    • Повтарящ се LSTM
    • Трансформатор на зрението
    • Дърво на решенията
    • Мрежа в стил WaveNet с разширена конволюция
  5. Защо Parallel WaveGAN е привлекателен за внедряване?
    • Той е компактен и работи по-бързо от реално време
    • Това е много голям модел с много милиарди параметри
    • Не изисква въвеждане на спектрограма
    • Работи само на суперкомпютри
  6. В GAN каква роля играе дискриминаторът по време на обучението?
    • Той генерира спектрограмата
    • Той преценява дали аудиото изглежда истинско или фалшиво
    • Той записва набора от данни
    • Той съхранява теглото на модела
  7. In Parallel WaveGAN, what does the noise input contribute alongside mel-spectrogram conditioning?
    • The speaker transcript after synthesis
    • A replacement for the discriminator
    • Stochastic input for waveform generation while the mel features condition the acoustic content
    • A fixed random waveform copied into every output
  8. What does the adversarial loss encourage the Parallel WaveGAN generator to produce?
    • Text transcripts with perfect spelling
    • Audio samples with no speaker conditioning
    • A smaller mel-spectrogram vocabulary
    • Waveforms that the discriminator judges as resembling real speech