Quiz lié à un guide · Moyen Niveau

Quiz sur le vocodeur WaveGAN parallèle

Découvrez comment Parallel WaveGAN transforme les caractéristiques acoustiques en audio et combine l'entraînement contradictoire avec les pertes spectrales multi-résolution.

Chemins de guidage associésVocodeur Wavegan parallèle
Question 1 de 8

Quel est le travail d’un vocodeur comme Parallel WaveGAN ?

Prévisualisez chaque question8 des questions

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

  1. Quel est le travail d’un vocodeur comme Parallel WaveGAN ?
    • Transformez un spectrogramme Mel en une forme d'onde audio brute
    • Convertir du texte en phonèmes
    • Supprimer le bruit de fond des enregistrements
    • Traduire le discours entre les langues
  2. Comment Parallel WaveGAN génère-t-il des échantillons audio par rapport au WaveNet original ?
    • Un échantillon à la fois, séquentiellement
    • Tous les échantillons en parallèle, de manière non autorégressive
    • En enregistrant un microphone
    • En concaténant les clips stockés
  3. Quelle perte est au cœur de Parallel WaveGAN en dehors de la perte contradictoire ?
    • Entropie croisée sur les jetons de texte
    • Perte du classement des triplés
    • Perte STFT multi-résolution
    • Récompense de renforcement
  4. Quelle architecture le générateur Parallel WaveGAN utilise-t-il ?
    • Un LSTM récurrent
    • Un transformateur de vision
    • Un arbre de décision
    • Un réseau de style WaveNet à convolution dilatée
  5. Pourquoi Parallel WaveGAN est-il attrayant pour le déploiement ?
    • Il est compact et fonctionne plus rapidement qu'en temps réel
    • Il s'agit d'un très grand modèle de plusieurs milliards de paramètres
    • Il ne nécessite aucune entrée de spectrogramme
    • Cela ne fonctionne que sur les superordinateurs
  6. Dans un GAN, quel rôle joue le discriminateur lors de la formation ?
    • Il génère le spectrogramme
    • Il juge si l'audio semble réel ou faux
    • Il enregistre l'ensemble de données
    • Il stocke les poids des modèles
  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