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.

Kapcsolódó útmutató utakDiffwave diffúziós Vocoder
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Milyen architektúrára hasonlít a DiffWave zaj-előrejelző hálózata?
    • WaveNet-stílusú dilatált konvolúciós hálózat
    • Egy visszatérő LSTM nyelvi modell
    • Látótranszformátor
    • Egyszerű lineáris regresszió
  6. 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
  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
    • Mel-spektrogram
    • 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