Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ DiffWave Diffusion Vocoder

Μάθετε πώς το DiffWave προβλέπει τον θόρυβο για να συνθέσει κυματομορφές, συνθήκες σε ακουστικά χαρακτηριστικά και εξισορροπεί την ταχύτητα δειγματοληψίας με την ποιότητα.

Σχετικές διαδρομές οδηγώνDiffwave Diffusion Vocoder
Ερώτηση 1 του 8

Πώς το DiffWave παράγει ήχο κατά τον χρόνο συμπερασμάτων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Πώς το DiffWave παράγει ήχο κατά τον χρόνο συμπερασμάτων;
    • Με την επαναληπτική αποθορυβοποίηση του τυχαίου θορύβου σε κυματομορφή
    • Με δειγματοληψία μιας τιμής κυματομορφής κάθε φορά αυτοπαλινδρομικά
    • Με τη σύνδεση εγγεγραμμένων μονάδων ομιλίας
    • Εκτελώντας ένα μόνο πάσο GAN προς τα εμπρός
  2. Τι πραγματικά μαθαίνει να προβλέπει το δίκτυο DiffWave κατά τη διάρκεια της εκπαίδευσης;
    • Η καθαρή κυματομορφή απευθείας σε μία λήψη
    • Ο θόρυβος προστέθηκε σε ένα δεδομένο βήμα διάχυσης
    • Η μεταγραφή του κειμένου
    • Η ταυτότητα του ομιλητή
  3. Ποιο είναι το κύριο πρακτικό μειονέκτημα του DiffWave σε σύγκριση με τους κωδικοποιητές φωνής GAN;
    • Δεν μπορεί να συντηρηθεί σε φασματογράμματα
    • Λειτουργεί μόνο σε χαμηλούς ρυθμούς δειγματοληψίας
    • Μπορεί να απαιτήσει πολλά βήματα δειγματοληψίας, καθιστώντας το πιο αργό
    • Χρειάζεται αντίπαλη εκπαίδευση για να είναι σταθερή
  4. Τι πλεονέκτημα έχει το DiffWave έναντι των φωνοκωδικοποιητών GAN ​​στην εκπαίδευση;
    • Δεν χρειάζεται νευρωνικό δίκτυο
    • Δεν απαιτεί δεδομένα
    • Παράγει ήχο άμεσα σε ένα βήμα
    • Αποφεύγει την ασταθή αντίπαλη εκπαίδευση
  5. Με ποια αρχιτεκτονική μοιάζει το δίκτυο πρόβλεψης θορύβου του DiffWave;
    • Ένα διευρυμένο συνελικτικό δίκτυο τύπου WaveNet
    • Ένα επαναλαμβανόμενο μοντέλο γλώσσας LSTM
    • Ένας μετασχηματιστής όρασης
    • Μια απλή γραμμική παλινδρόμηση
  6. Πόσα περίπου βήματα δειγματοληψίας μπορούν να χρησιμοποιήσουν καλά συντονισμένα προγράμματα DiffWave, διατηρώντας παράλληλα καλή ποιότητα;
    • Ακριβώς 1000 βήματα πάντα
    • Περίπου έξι βήματα
    • Περίπου 500 βήματα
    • Μόνο ένα βήμα χωρίς συντονισμό
  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
    • Ένα φασματογράφημα mel
    • 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