Útmutatóhoz kapcsolódó kvíz · Közepes Szint
DiffWave diffúziós Vocoder kvíz
Learn how DiffWave predicts noise to synthesize waveforms, conditions on acoustic features, and balances sampling speed against quality.
kérdés 1 -ból 8
Hogyan generál hangot a DiffWave a következtetési időpontban?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Hogyan generál hangot a DiffWave a következtetési időpontban?
- A véletlenszerű zaj iteratív zajtalanításával hullámformává
- Egyszerre egy hullámforma érték autoregresszív mintavételével
- A rögzített beszédegységek összefűzésével
- Egyetlen GAN előrepassz futtatásával
- Mit tanul meg a DiffWave hálózat megjósolni az edzés során?
- A tiszta hullámforma közvetlenül egy felvételben
- Egy adott diffúziós lépésnél hozzáadott zaj
- A szöveg átirata
- A beszélő identitása
- Mi a DiffWave fő gyakorlati hátránya a GAN vokoderekhez képest?
- Nem tud kondicionálni a spektrogramokon
- Csak alacsony mintavételi arány mellett működik
- Sok mintavételi lépést igényelhet, ami lassabb lesz
- Ellenkező kiképzésre van szükség ahhoz, hogy stabil legyen
- Milyen előnye van a DiffWave-nek a GAN vokoderekkel szemben a képzésben?
- Nem kell hozzá neurális hálózat
- Nem igényel adatot
- Azonnal, egy lépésben állít elő hangot
- Elkerüli az instabil ellenfél kiképzését
- Milyen architektúrára hasonlít a DiffWave zaj-előrejelző hálózata?
- WaveNet-stílusú dilatált konvolúciós hálózat
- Egy visszatérő LSTM nyelvi modell
- Látótranszformátor
- Egyszerű lineáris regresszió
- Körülbelül hány mintavételi lépést használhatnak a jól hangolt DiffWave ütemezések a jó minőség megőrzése mellett?
- Pontosan 1000 lépés mindig
- Körülbelül hat lépés
- Körülbelül 500 lépés
- Csak egy lépés, hangolás nélkül
- 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
- Mel-spektrogram
- A source-code dependency graph
- 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