Quiz sur le vocodeur basé sur WaveGlow Flow

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

1. WaveGlow combine des idées architecturales à partir de quels deux modèles ?
   • Glow et WaveNet
   • BERT et GPT
   • ResNet et VGG
   • Tacotron et CLIP
2. Quel type de modèle est WaveGlow ?
   • Un réseau contradictoire génératif
   • Un flux normalisateur
   • Un modèle autorégressif récurrent
   • Un agent d’apprentissage par renforcement
3. Comment WaveGlow génère-t-il une forme d'onde au moment de l'inférence ?
   • Il prédit les échantillons un par un
   • Il recherche une base de données de clips
   • Il échantillonne le bruit gaussien et exécute le flux en sens inverse
   • Il utilise un discriminateur
4. Quel objectif WaveGlow optimise-t-il pendant l'entraînement ?
   • Un jeu min-max contradictoire
   • Entropie croisée sur les étiquettes de texte
   • Une perte contrastée
   • Log-vraisemblance exacte des données audio
5. Quels sont les deux composants qui composent chaque étape inversible dans WaveGlow ?
   • Couche de couplage affine et convolution 1x1 inversible
   • Blocage d'attention et de rétroaction
   • Pooling et softmax
   • Intégration et abandon
6. Quelle simplification de la formation WaveGlow offre-t-il par rapport aux méthodes WaveNet parallèles antérieures ?
   • Il n'a pas besoin de spectrogramme
   • Il évite la distillation enseignant-élève en utilisant un réseau unique et la perte
   • Cela supprime le besoin de tout GPU
   • Il n'a pas besoin de données 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?
   • BERTE
   • A* search
   • YOLOv8
   • Tacotron2