Útmutatóhoz kapcsolódó kvíz · Közepes Szint
MelGAN Generatív Vocoder kvíz
Understand how MelGAN maps mel-spectrograms to waveforms, uses convolutional upsampling, and trains discriminators at multiple scales.
kérdés 1 -ból 8
Milyen bemenetet alakít át a MelGAN nyers hanghullámformává?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen bemenetet alakít át a MelGAN nyers hanghullámformává?
- Mel-spektrogram
- Nyers szöveges karakterek
- MIDI fájl
- Fonéma rács
- Miért sokkal gyorsabb a MelGAN, mint a WaveNet?
- Kisebb mintavételi arányt használ
- Nem autoregresszív, és egy párhuzamos menetben generál hangot
- Csak TPU-kon fut
- Kihagyja a nagyfrekvenciás sávokat
- Milyen megkülönböztető dizájnt vezetett be a MelGAN?
- Egyetlen globális diszkriminátor
- Transzformátor alapú diszkriminátor
- Többléptékű diszkriminátor, amely több felbontású hangon működik
- Egyáltalán nincs megkülönböztető
- Melyik veszteség segít stabilizálni a MelGAN ellenséges edzését?
- Keresztentrópia szöveges tokeneken
- Átlagos véleménypontveszteség
- Hármas árrés veszteség
- Jellemző-illesztési veszteség a megkülönböztető aktiválások között
- Hogyan növeli a MelGAN generátor a befogadó mezőjét?
- Dilatált konvolúciók alkalmazásával a maradék blokkokban
- Ismétlődő LSTM rétegek hozzáadásával
- Figyelemfelkeltéssel az egész klipben
- Összevonó rétegek egymásra helyezésével
- What subjective evaluation measure did the MelGAN paper report?
- Word error rate (WER)
- Mean Opinion Score (MOS)
- BLEU score
- Peak signal-to-noise ratio (PSNR) only
- What do MelGAN’s transposed convolutions do in the generator?
- Convert the waveform back into text
- Choose the phonemes in the input sentence
- Upsample the mel-spectrogram representation toward the audio waveform rate
- Reduce the number of audio samples to zero
- Which audio domains did the MelGAN paper use to illustrate the generality of its techniques?
- Machine translation, image captions, and video subtitling
- Only speech recognition and speaker identification
- Text summarization, code generation, and image classification
- Speech synthesis, music-domain translation, and unconditional music synthesis