Kvíz spojený s průvodcem · Střední úroveň

DiffWave Diffusion Vocoder Kvíz

Zjistěte, jak DiffWave předpovídá šum, aby syntetizoval křivky, podmínky akustických prvků a vyrovnává rychlost vzorkování a kvalitu.

Související vodicí cestyDifúzní vokodér
Otázka 1 z 8

Jak DiffWave generuje zvuk v inferenčním čase?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jak DiffWave generuje zvuk v inferenčním čase?
    • Iterativním odšumováním náhodného šumu do tvaru vlny
    • Vzorkováním jedné hodnoty tvaru vlny v čase autoregresně
    • Zřetězením nahraných řečových jednotek
    • Spuštěním jednoho GAN dopředného průchodu
  2. Co se vlastně síť DiffWave naučí předvídat během tréninku?
    • Čistý průběh přímo v jednom záběru
    • Šum přidaný v daném kroku difúze
    • Přepis textu
    • Identita mluvčího
  3. Jaká je hlavní praktická nevýhoda DiffWave ve srovnání s vokodéry GAN?
    • Nemůže podmínit spektrogramy
    • Funguje pouze při nízké vzorkovací frekvenci
    • Může vyžadovat mnoho kroků vzorkování, takže je pomalejší
    • Aby byla stabilní, potřebuje trénink protivníka
  4. Jakou výhodu má DiffWave oproti GAN vokodérům při tréninku?
    • Nepotřebuje žádnou neuronovou síť
    • Nevyžaduje žádná data
    • Okamžitě produkuje zvuk v jednom kroku
    • Vyhýbá se nestabilnímu tréninku protivníka
  5. Jakou architekturu se podobá síť pro predikci šumu DiffWave?
    • Rozšířená konvoluční síť ve stylu WaveNet
    • Opakující se jazykový model LSTM
    • Transformátor vidění
    • Jednoduchá lineární regrese
  6. Přibližně, kolik kroků vzorkování mohou dobře vyladěné plány DiffWave použít při zachování dobré kvality?
    • Vždy přesně 1000 kroků
    • Asi šest kroků
    • Cca 500 kroků
    • Jediný krok bez ladění
  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
    • Mel-spektrogram
    • 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