Quiz lié à un guide · Moyen Niveau

Quiz sur le vocodeur de diffusion DiffWave

Découvrez comment DiffWave prédit le bruit pour synthétiser les formes d'onde, les conditions des caractéristiques acoustiques et équilibre la vitesse d'échantillonnage par rapport à la qualité.

Chemins de guidage associésVocodeur de diffusion Diffwave
Question 1 de 8

Comment DiffWave génère-t-il de l'audio au moment de l'inférence ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Comment DiffWave génère-t-il de l'audio au moment de l'inférence ?
    • En débruitant itérativement le bruit aléatoire en une forme d'onde
    • En échantillonnant une valeur de forme d'onde à la fois de manière autorégressive
    • En concaténant les unités vocales enregistrées
    • En exécutant une seule passe avant GAN
  2. Qu’est-ce que le réseau DiffWave apprend réellement à prédire pendant l’entraînement ?
    • La forme d'onde propre directement en un seul coup
    • Le bruit ajouté à un pas de diffusion donné
    • La transcription du texte
    • L'identité du locuteur
  3. Quel est le principal inconvénient pratique de DiffWave par rapport aux vocodeurs GAN ?
    • Il ne peut pas conditionner sur des spectrogrammes
    • Cela ne fonctionne qu'à de faibles taux d'échantillonnage
    • Cela peut nécessiter de nombreuses étapes d'échantillonnage, ce qui le rend plus lent
    • Il a besoin d’un entraînement contradictoire pour être stable
  4. Quel avantage DiffWave a-t-il par rapport aux vocodeurs GAN en formation ?
    • Il n'a pas besoin de réseau neuronal
    • Cela ne nécessite aucune donnée
    • Il produit de l'audio instantanément en une seule étape
    • Cela évite un entraînement contradictoire instable
  5. À quelle architecture ressemble le réseau de prévision du bruit de DiffWave ?
    • Un réseau convolutionnel dilaté de style WaveNet
    • Un modèle de langage LSTM récurrent
    • Un transformateur de vision
    • Une simple régression linéaire
  6. Environ combien d’étapes d’échantillonnage peuvent être utilisées des programmations DiffWave bien réglées tout en conservant une bonne qualité ?
    • Exactement 1000 pas toujours
    • Environ six étapes
    • Environ 500 marches
    • Une seule étape sans réglage
  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 spectrogramme 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