Cuestionario vinculado a una guía · Medio Nivel

Prueba de codificador de voz Parallel WaveGAN

Revise cómo Parallel WaveGAN convierte características acústicas en audio y combina entrenamiento adversario con pérdidas espectrales de resolución múltiple.

Rutas de guía relacionadasVocoder paralelo Wavegan
Pregunta 1 de 8

¿Cuál es el trabajo de un vocoder como Parallel WaveGAN?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cuál es el trabajo de un vocoder como Parallel WaveGAN?
    • Convierta un espectrograma mel en una forma de onda de audio sin formato
    • Convertir texto en fonemas
    • Eliminar el ruido de fondo de las grabaciones
    • Traducir discurso entre idiomas
  2. ¿Cómo genera Parallel WaveGAN muestras de audio en comparación con WaveNet original?
    • Una muestra a la vez, secuencialmente
    • Todas las muestras en paralelo, de forma no autorregresiva.
    • Grabando un micrófono
    • Concatenando clips almacenados
  3. ¿Qué pérdida es fundamental para Parallel WaveGAN además de la pérdida adversarial?
    • Entropía cruzada en tokens de texto
    • Pérdida de clasificación triplete
    • Pérdida STFT de resolución múltiple
    • Recompensa de refuerzo
  4. ¿Qué arquitectura utiliza el generador Parallel WaveGAN?
    • Un LSTM recurrente
    • Un transformador de visión
    • Un árbol de decisiones
    • Una red estilo WaveNet de convolución dilatada
  5. ¿Por qué Parallel WaveGAN es atractivo para su implementación?
    • Es compacto y funciona más rápido que el tiempo real.
    • Es un modelo muy grande de miles de millones de parámetros.
    • No requiere entrada de espectrograma
    • Sólo funciona en supercomputadoras.
  6. En una GAN, ¿qué papel juega el discriminador durante el entrenamiento?
    • Genera el espectrograma.
    • Juzga si el audio parece real o falso
    • Registra el conjunto de datos.
    • Almacena pesos de modelos.
  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