Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre codificadores de voz HiFi-GAN y GAN

Comprueba la codificación de voz de fusión a forma de onda, la generación de alimentación anticipada, los discriminadores periódicos y de múltiples escalas, el entrenamiento adversario y las pérdidas auxiliares.

Rutas de guía relacionadasVocoders Hifi GAN y GAN
Pregunta 1 de 8

¿Cuál es el trabajo principal de un codificador de voz como HiFi-GAN en un proceso de conversión de texto a voz?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cuál es el trabajo principal de un codificador de voz como HiFi-GAN en un proceso de conversión de texto a voz?
    • Convertir un espectrograma mel en una forma de onda de audio sin formato
    • Convertir texto sin formato en fonemas
    • Alinear texto con duraciones
    • Traducir el habla de un idioma a otro.
  2. ¿Por qué HiFi-GAN es mucho más rápido que el anterior vocoder WaveNet?
    • Utiliza un vocabulario más reducido.
    • Es de avance y produce toda la forma de onda en una sola pasada en lugar de de forma autorregresiva.
    • Genera muestras una a la vez de manera más eficiente.
    • Se salta el espectrograma por completo.
  3. ¿Qué ayuda específicamente a capturar el discriminador de períodos múltiples de HiFi-GAN?
    • El significado semántico de las palabras.
    • Niveles de ruido de fondo
    • Patrones periódicos relacionados con el tono de la señal.
    • La etiqueta del tono emocional del hablante.
  4. Los codificadores de voz GAN se entrenan "en forma antagónica". ¿Qué significa eso aquí?
    • El modelo compite contra narradores humanos.
    • Se mezclan dos idiomas durante la formación
    • El modelo sólo es recompensado por la velocidad, no por la calidad.
    • Un generador intenta engañar a uno o más discriminadores que juzgan si el audio es real
  5. ¿Qué codificador de voz posterior amplía HiFi-GAN para generalizar mejor a voces, cantos e instrumentos invisibles?
    • GranVGAN
    • Tacotrón
    • OndaNet
    • BERT
  6. ¿Qué pérdida auxiliar ayuda a mantener el entrenamiento de HiFi-GAN estable y fiel a la entrada?
    • Una pérdida de traducción
    • Una pérdida de reconstrucción del espectrograma de mel.
    • Una pérdida de clasificación de tokens
    • Una señal de recompensa de refuerzo.
  7. What does HiFi-GAN’s Multi-Scale Discriminator examine?
    • Only the text transcript
    • The model’s optimizer state
    • Waveforms at several downsampled resolutions
    • One mel bin at a time
  8. Why include a mel-spectrogram reconstruction loss alongside adversarial loss?
    • To eliminate the generator
    • To make the model autoregressive
    • To remove the conditioning mel-spectrogram
    • To anchor spectral content while discriminators encourage realistic waveform texture