Тест, свързан с ръководство · Среден Ниво

Тест за вокодер UnivNet с много разделителна способност

Проучете как UnivNet използва адаптивни навивки и спектрограмни дискриминатори при няколко времево-честотни резолюции за синтез на реч.

Свързани ръководни пътекиUnivnet Multi Resolution Vocoder
Въпрос 1 на 8

Каква е характерната характеристика на дискриминатора на UnivNet?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е характерната характеристика на дискриминатора на UnivNet?
    • Той изчислява множество STFT спектрограми при различни разделителни способности и ги дискриминира
    • Той използва само един дискриминатор на формата на вълната
    • Той преценява аудиото с помощта на езиков модел
    • Игнорира високите честоти
  2. Към какъв проблем в по-старите GAN вокодери специално е насочен UnivNet?
    • Бавно авторегресивно вземане на проби
    • Приглушени или натоварени с артефакти високи честоти
    • Невъзможност за работа на GPU
    • Липса на какъвто и да е дискриминатор
  3. Какво представляват намотките с променливи на местоположението (LVC) в UnivNet?
    • Навивки се прилагат само в началото на сигнала
    • Фиксирани ядра, споделени във всички слоеве
    • Конволюции, чиито ядра се предвиждат динамично от входни характеристики
    • Повтарящи се връзки между рамки
  4. What adaptation potential did the UnivNet paper report for new speakers?
    • Guaranteed identical quality across every recording condition
    • No need for conditioning features or evaluation
    • Instant adaptation to every language and microphone
    • Fast adaptation without training a new vocoder from scratch
  5. What synthesis capability did the UnivNet paper report?
    • High-fidelity waveform synthesis in real time
    • Only offline synthesis after a day-long wait
    • One waveform sample per hour
    • A text transcript without audio output
  6. Какво изисква генераторът на UnivNet, за да произведе форма на вълната?
    • Суров текст
    • Мел-спектрограма
    • Спектрограма само на шума
    • Таблица с продължителност на фонемите
  7. Which adversarial loss did UnivNet use to train its generator and discriminators?
    • A word-level cross-entropy loss
    • A policy-gradient objective
    • A least-squares GAN objective
    • A contrastive image-text loss
  8. What evaluation result did the UnivNet paper report across seen and unseen speakers?
    • It outperformed every vocoder on every language and dataset
    • It proved no speaker adaptation is ever needed
    • It achieved the same result regardless of input features
    • It achieved the best objective and subjective results among the compared models in its evaluation