Prueba de vocoder basada en flujo WaveGlow

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

1. WaveGlow combina ideas arquitectónicas ¿de qué dos modelos?
   • Resplandor y WaveNet
   • BERT y GPT
   • ResNet y VGG
   • Tacotrón y CLIP
2. ¿Qué tipo de modelo es WaveGlow?
   • Una red generativa de confrontación
   • Un flujo normalizador
   • Un modelo autorregresivo recurrente
   • Un agente de aprendizaje por refuerzo
3. ¿Cómo genera WaveGlow una forma de onda en el momento de la inferencia?
   • Predice muestras una por una.
   • Busca en una base de datos de clips.
   • Muestrea el ruido gaussiano y ejecuta el flujo en sentido inverso.
   • Utiliza un discriminador
4. ¿Qué objetivo optimiza WaveGlow durante el entrenamiento?
   • Un juego adversario min-max
   • Entropía cruzada sobre etiquetas de texto
   • Una pérdida contrastante
   • Probabilidad de registro exacta de los datos de audio
5. ¿Qué dos componentes componen cada paso invertible en WaveGlow?
   • Capa de acoplamiento afín y convolución 1x1 invertible
   • Bloqueo de atención y retroalimentación
   • Agrupación y softmax
   • Incrustación y abandono
6. ¿Qué simplificación del entrenamiento ofrece WaveGlow con respecto a los métodos WaveNet paralelos anteriores?
   • No necesita espectrograma
   • Evita la destilación profesor-alumno al utilizar una única red y la pérdida
   • Elimina la necesidad de cualquier GPU
   • No necesita datos de audio.
7. What does WaveGlow's squeeze operation do before its coupling layers process the signal?
   • Converts the waveform into written phonemes
   • Removes the mel-spectrogram conditioning
   • Groups neighboring audio samples into vectors for the flow transformations
   • Randomly deletes audio segments
8. Which acoustic model is named in the guide as a practical system that can pair with WaveGlow?
   • BERT
   • A* search
   • YOLOv8
   • Tacotrón 2