Cuestionario vinculado a una guía · Medio Nivel

Prueba de vocodificador de difusión DiffWave

Descubra cómo DiffWave predice el ruido para sintetizar formas de onda, condiciona las características acústicas y equilibra la velocidad de muestreo con la calidad.

Rutas de guía relacionadasVocoder de difusión de onda difusa
Pregunta 1 de 8

¿Cómo genera DiffWave audio en el momento de la inferencia?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cómo genera DiffWave audio en el momento de la inferencia?
    • Eliminando iterativamente el ruido aleatorio en una forma de onda
    • Muestreando un valor de forma de onda a la vez de forma autorregresiva
    • Concatenando unidades de voz grabadas
    • Ejecutando un solo pase hacia adelante GAN
  2. ¿Qué aprende realmente a predecir la red DiffWave durante el entrenamiento?
    • La forma de onda limpia directamente en una sola toma
    • El ruido añadido en un paso de difusión determinado.
    • La transcripción del texto
    • La identidad del hablante
  3. ¿Cuál es el principal inconveniente práctico de DiffWave en comparación con los vocoders GAN?
    • No puede condicionarse a espectrogramas.
    • Sólo funciona con frecuencias de muestreo bajas.
    • Puede requerir muchos pasos de muestreo, lo que lo hace más lento.
    • Necesita entrenamiento adversario para ser estable.
  4. ¿Qué ventaja tiene DiffWave sobre los vocoders GAN en el entrenamiento?
    • No necesita red neuronal
    • No requiere datos
    • Produce audio instantáneamente en un solo paso.
    • Evita el entrenamiento adversario inestable.
  5. ¿A qué arquitectura se parece la red de predicción de ruido de DiffWave?
    • Una red convolucional dilatada estilo WaveNet
    • Un modelo de lenguaje LSTM recurrente
    • Un transformador de visión
    • Una regresión lineal simple
  6. Aproximadamente, ¿cuántos pasos de muestreo se pueden utilizar con programas DiffWave bien ajustados manteniendo una buena calidad?
    • Exactamente 1000 pasos siempre
    • Unos seis pasos
    • Alrededor de 500 pasos
    • Sólo un paso sin ajuste
  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
    • Un espectrograma de 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