Kvíz spojený s průvodcem · Střední úroveň
Difúzní kvíz riffuzního spektrogramu
Prohlédněte si základ Stable Diffusion Riffusion, reprezentaci spektrogramu, rekonstrukci fáze a omezení generovaného zvuku.
Otázka 1 z 8
Jaký existující model umělé inteligence Riffusion doladil, aby generoval hudbu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký existující model umělé inteligence Riffusion doladil, aby generoval hudbu?
- Stable Diffusion, model generování obrazu
- Model rozpoznávání řeči
- Velký jazykový model
- Posilující vzdělávací agent
- On a Riffusion spectrogram image, which direction typically represents increasing time?
- Bottom to top along the vertical axis
- Left to right along the horizontal axis
- From the center outward
- Time is not represented
- Proč Riffusion potřebuje algoritmus jako Griffin-Lim?
- Chcete-li přeložit textovou výzvu do angličtiny
- Pro komprimaci finálního zvukového souboru
- Chcete-li rekonstruovat informace o fázi chybějící ve spektrogramu
- Chcete-li zjistit žánr písně
- What can prompt interpolation do in Riffusion?
- Turn generated music into a transcript
- Separate instruments into stems
- Replace the image model with a language model
- Blend between two prompt-conditioned sound ideas
- Jak byl Riffusion původně vytvořen a vydán?
- Jako hobby projekt dvou tvůrců v roce 2022
- Jako vládní výzkumný grant
- Jako placený produkt od velké nahrávací společnosti
- Pouze jako součást vysokoškolské disertační práce
- Besides prompts, what additional conditioning does Riffusion’s core repository list for its diffusion pipeline?
- A speaker diarization label
- Image conditioning
- A MIDI transcription
- A microphone array geometry
- In a Riffusion spectrogram, what does pixel intensity represent?
- The lyric transcript confidence
- The stereo microphone location
- The magnitude or energy of a time-frequency component
- The number of diffusion steps alone
- What does a mel-frequency axis do compared with uniform spacing in hertz?
- It converts frequency into spoken words
- It makes every frequency bin equally spaced in hertz
- It stores only stereo position
- It uses a nonlinear spacing intended to better reflect perceived pitch differences