Cuestionario vinculado a una guía · Medio Nivel

Prueba sobre codificadores de voz neuronales

Revise cómo los codificadores de voz neuronales reconstruyen las formas de onda, por qué la síntesis autorregresiva es lenta y cómo los discriminadores adversarios mejoran el audio generado.

Rutas de guía relacionadasVocodificadores neuronales
Pregunta 1 de 8

¿Cuál es el trabajo principal de un codificador de voz neuronal?

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 neuronal?
    • Convertir una representación acústica como un espectrograma mel en una forma de onda audible
    • Para convertir texto directamente en significado
    • Para traducir el habla entre idiomas
    • Para eliminar el ruido de fondo de las grabaciones
  2. ¿Qué modelo de 2016 fue el avance que hizo que los vocoders neuronales sonaran naturales?
    • HiFi-GAN
    • OndaNet
    • Tacotrón
    • MelGAN
  3. ¿Por qué el WaveNet original tardó en generar audio?
    • Requería una GPU separada para cada palabra.
    • Se volvió a entrenar en cada entrada.
    • Predijo el audio una muestra a la vez de forma autorregresiva
    • Reprodujo video junto con el audio.
  4. ¿Qué información descarta notablemente un espectrograma mel, lo que dificulta la tarea del vocoder?
    • El volumen del audio.
    • El idioma que se habla
    • La frecuencia de muestreo
    • La información de fase de la señal.
  5. ¿Cómo mejoran el realismo los codificadores de voz basados en GAN como HiFi-GAN?
    • Mediante el uso de múltiples discriminadores que juzgan la señal en diferentes escalas.
    • Convirtiendo audio a texto primero
    • Promediando miles de grabaciones juntas
    • Generando sólo bajas frecuencias
  6. En una tubería TTS moderna típica, ¿qué produce el espectrograma mel que consume el vocoder?
    • Un generador de ruido
    • Un modelo acústico como Tacotron 2 o FastSpeech
    • El vocodificador en sí
    • un micrófono
  7. What component in HiFi-GAN combines residual blocks with different dilation patterns?
    • A phoneme tokenizer
    • A recurrent attention decoder
    • The multi-receptive-field fusion (MRF) module
    • A speaker-verification classifier
  8. What does HiFi-GAN’s multi-period discriminator help assess?
    • Whether the text transcript is grammatically correct
    • Whether the speaker’s face matches the voice
    • Whether the mel-spectrogram uses enough colors
    • Whether generated waveform segments reflect realistic periodic patterns