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.
Otázka 1 z 8
Jak DiffWave generuje zvuk v inferenčním čase?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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