Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Denoising ομιλίας με το RNNoise Quiz

Ελέγξτε τη συμπαγή σχεδίαση DSP-plus-neural του RNNoise, τις αντιληπτικές ζώνες, την πρόβλεψη επαναλαμβανόμενου κέρδους, το φιλτράρισμα τόνου και τον χειρισμό του πλαισίου θορύβου.

Σχετικές διαδρομές οδηγώνDenoising ομιλίας με Rnnoise
Ερώτηση 1 του 8

Τι προβλέπει κυρίως το RNNoise για κάθε σύντομο καρέ ήχου;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι προβλέπει κυρίως το RNNoise για κάθε σύντομο καρέ ήχου;
    • Ένα κέρδος (0 έως 1) για καθεμία από τις περίπου 22 ζώνες συχνοτήτων
    • Η απομαγνητοφώνηση της ομιλίας
    • Η ταυτότητα του ομιλητή
    • Η γλώσσα που ομιλείται
  2. Τι είδους νευρωνικό δίκτυο βρίσκεται στον πυρήνα του RNNoise;
    • Ένας μεγάλος μετασχηματιστής
    • Ένα μικρό επαναλαμβανόμενο δίκτυο που χρησιμοποιεί GRU
    • Ένας συνελικτικός ταξινομητής εικόνων
    • Ένα μοντέλο διάχυσης
  3. Γιατί το RNNoise χρησιμοποιεί αντιληπτικές ζώνες συχνοτήτων αντί για ακατέργαστα φασματικά bins;
    • Για να γίνει το δίκτυο τεράστιο και ακριβές
    • Για να μεταφράσετε τον ήχο σε κείμενο
    • Για να διατηρήσετε το μοντέλο μικροσκοπικό και να μειώσετε τα τεχνουργήματα με μουσικό θόρυβο
    • Για να αυξήσετε το ποσοστό δειγματοληψίας
  4. Πόσο μεγάλο είναι περίπου το μοντέλο RNNoise;
    • Περίπου 1 δισεκατομμύριο παραμέτρους
    • Περίπου 50 εκατομμύρια παράμετροι
    • Δεν έχει μαθησιακές παραμέτρους
    • Περίπου 85.000 βάρη
  5. Ποιος είναι ο ρόλος του φίλτρου βήματος στο RNNoise;
    • Για να αφαιρέσετε τον υπολειπόμενο θόρυβο μεταξύ των αρμονικών της ομιλίας
    • Να ανεβάσει τον τόνο του ομιλητή
    • Για να εντοπίσετε την ηλικία του ομιλητή
    • Για συμπίεση του αρχείου
  6. Ποια δημοφιλής εφαρμογή περιλαμβάνει το RNNoise ως ενσωματωμένη επιλογή καταστολής θορύβου;
    • Microsoft Excel
    • OBS Studio
    • Adobe Photoshop
    • Ο ορθογραφικός έλεγχος ενός προγράμματος περιήγησης ιστού
  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