Quiz sur les vocodeurs neuronaux

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

1. Quelle est la tâche principale d’un vocodeur neuronal ?
   • Pour transformer une représentation acoustique comme un spectrogramme Mel en une forme d'onde audible
   • Pour convertir le texte directement en sens
   • Traduire le discours entre les langues
   • Pour supprimer le bruit de fond des enregistrements
2. Quel modèle 2016 a été la percée qui a rendu les vocodeurs neuronaux naturels ?
   • HiFi-GAN
   • WaveNet
   • Tacotron
   • MelGAN
3. Pourquoi le WaveNet d'origine était-il lent à générer de l'audio ?
   • Il fallait un GPU séparé pour chaque mot
   • Il s'est recyclé à chaque entrée
   • Il prédit l'audio un échantillon à la fois de manière autorégressive
   • Il a rendu la vidéo à côté de l'audio
4. Quelles informations un spectrogramme mel élimine-t-il notamment, ce qui rend la tâche du vocodeur plus difficile ?
   • Le volume de l'audio
   • La langue parlée
   • Le taux d'échantillonnage
   • Les informations de phase du signal
5. Comment les vocodeurs basés sur GAN comme HiFi-GAN améliorent-ils le réalisme ?
   • En utilisant plusieurs discriminateurs qui jugent le signal à différentes échelles
   • En convertissant d'abord l'audio en texte
   • En faisant la moyenne de milliers d'enregistrements ensemble
   • En générant uniquement des basses fréquences
6. Dans un pipeline TTS moderne typique, qu'est-ce qui produit le spectrogramme mel consommé par le vocodeur ?
   • Un générateur de bruit
   • Un modèle acoustique tel que Tacotron 2 ou FastSpeech
   • Le vocodeur lui-même
   • Un micro
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