Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ παράλληλου WaveGAN Vocoder

Εξετάστε πώς το Parallel WaveGAN μετατρέπει τις ακουστικές λειτουργίες σε ήχο και συνδυάζει την αντίπαλη εκπαίδευση με φασματικές απώλειες πολλαπλής ανάλυσης.

Σχετικές διαδρομές οδηγώνΠαράλληλος φωνοκωδικοποιητής Wavegan
Ερώτηση 1 του 8

Ποια είναι η δουλειά ενός κωδικοποιητή φωνής όπως το Parallel WaveGAN;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι η δουλειά ενός κωδικοποιητή φωνής όπως το Parallel WaveGAN;
    • Μετατρέψτε ένα φασματογράφημα mel σε μια ακατέργαστη ακουστική κυματομορφή
    • Μετατροπή κειμένου σε φωνήματα
    • Αφαιρέστε το θόρυβο του περιβάλλοντος από τις εγγραφές
    • Μετάφραση ομιλίας μεταξύ γλωσσών
  2. Πώς παράγει το Parallel WaveGAN δείγματα ήχου σε σύγκριση με το αρχικό WaveNet;
    • Ένα δείγμα τη φορά, διαδοχικά
    • Όλα τα δείγματα παράλληλα, μη αυτοπαλινδρομικά
    • Με ηχογράφηση μικροφώνου
    • Συνδέοντας αποθηκευμένα κλιπ
  3. Ποια απώλεια είναι κεντρική στο Parallel WaveGAN εκτός από την αντίθετη απώλεια;
    • Διασταυρούμενη εντροπία σε διακριτικά κειμένου
    • Τριπλή απώλεια κατάταξης
    • Απώλεια STFT πολλαπλής ανάλυσης
    • Επιβράβευση ενίσχυσης
  4. Ποια αρχιτεκτονική χρησιμοποιεί η γεννήτρια Parallel WaveGAN;
    • Ένα επαναλαμβανόμενο LSTM
    • Ένας μετασχηματιστής όρασης
    • Ένα δέντρο αποφάσεων
    • Ένα δίκτυο σε στυλ WaveNet διευρυμένης περιέλιξης
  5. Γιατί το Parallel WaveGAN είναι ελκυστικό για ανάπτυξη;
    • Είναι συμπαγής και λειτουργεί πιο γρήγορα από τον πραγματικό χρόνο
    • Είναι ένα πολύ μεγάλο μοντέλο πολλών δισεκατομμυρίων παραμέτρων
    • Δεν απαιτεί είσοδο φασματογράμματος
    • Λειτουργεί μόνο σε υπερυπολογιστές
  6. Σε ένα GAN, τι ρόλο παίζει ο διάκριτος κατά τη διάρκεια της εκπαίδευσης;
    • Δημιουργεί το φασματογράφημα
    • Κρίνει αν ο ήχος φαίνεται αληθινός ή ψεύτικος
    • Καταγράφει το σύνολο δεδομένων
    • Αποθηκεύει βάρη μοντέλων
  7. In Parallel WaveGAN, what does the noise input contribute alongside mel-spectrogram conditioning?
    • The speaker transcript after synthesis
    • A replacement for the discriminator
    • Stochastic input for waveform generation while the mel features condition the acoustic content
    • A fixed random waveform copied into every output
  8. What does the adversarial loss encourage the Parallel WaveGAN generator to produce?
    • Text transcripts with perfect spelling
    • Audio samples with no speaker conditioning
    • A smaller mel-spectrogram vocabulary
    • Waveforms that the discriminator judges as resembling real speech