Mit dem Guide verknüpftes Quiz · Mittel Ebene

Sprachunterdrückung mit RNNoise-Quiz

Prüfen Sie das kompakte DSP-plus-Neuronale-Design von RNNoise, die Wahrnehmungsbänder, die wiederkehrende Verstärkungsvorhersage, die Tonhöhenfilterung und die Verarbeitung von Rauschrahmen.

Verwandte FührungspfadeSprachunterdrückung mit Rnnoise
Frage 1 von 8

Was sagt RNNoise in erster Linie für jeden kurzen Audio-Frame voraus?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was sagt RNNoise in erster Linie für jeden kurzen Audio-Frame voraus?
    • Eine Verstärkung (0 bis 1) für jedes der etwa 22 Frequenzbänder
    • Das Transkript der Rede
    • Die Identität des Sprechers
    • Die gesprochene Sprache
  2. Welche Art von neuronalem Netzwerk bildet den Kern von RNNoise?
    • Ein großer Transformator
    • Ein kleines wiederkehrendes Netzwerk, das GRUs verwendet
    • Ein Faltungsbildklassifikator
    • Ein Diffusionsmodell
  3. Warum verwendet RNNoise wahrnehmungsbezogene Frequenzbänder anstelle von rohen Spektral-Bins?
    • Um das Netzwerk riesig und präzise zu machen
    • Um Audio in Text zu übersetzen
    • Um das Modell klein zu halten und musikalische Geräuschartefakte zu reduzieren
    • Um die Abtastrate zu erhöhen
  4. Wie groß ist das RNNoise-Modell ungefähr?
    • Ungefähr 1 Milliarde Parameter
    • Etwa 50 Millionen Parameter
    • Es gibt keine lernbaren Parameter
    • Etwa 85.000 Gewichte
  5. Welche Rolle spielt der Pitch-Filter in RNNoise?
    • Um Restrauschen zwischen den Harmonischen stimmhafter Sprache zu entfernen
    • Um die Tonhöhe des Sprechers anzuheben
    • Um das Alter des Sprechers zu ermitteln
    • Um die Datei zu komprimieren
  6. Welche beliebte Anwendung enthält RNNoise als integrierte Option zur Rauschunterdrückung?
    • Microsoft Excel
    • OBS Studio
    • Adobe Photoshop
    • Die Rechtschreibprüfung eines Webbrowsers
  7. Which hand-crafted features does RNNoise feed to its recurrent network?
    • Image color histograms and edge maps
    • Wordpiece embeddings and attention masks
    • Band energies, pitch period, and pitch correlation
    • Speaker names and calendar timestamps
  8. What does RNNoise’s separate voice-activity output help the system do?
    • Identify the speaker by name
    • Choose the bitrate of an audio codec
    • Translate the speech into another language
    • Gate the band gains during frames containing only noise