Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Párhuzamos WaveGAN Vocoder kvíz

Review how Parallel WaveGAN turns acoustic features into audio and combines adversarial training with multi-resolution spectral losses.

Kapcsolódó útmutató utakPárhuzamos Wavegan Vocoder
kérdés 1 -ból 8

Mi a feladata egy olyan vokódernek, mint a Parallel WaveGAN?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a feladata egy olyan vokódernek, mint a Parallel WaveGAN?
    • A mel-spektrogramot nyers hanghullámformává alakítsa
    • Konvertálja a szöveget fonémákká
    • Távolítsa el a háttérzajt a felvételekről
    • Beszéd fordítása nyelvek között
  2. Hogyan generál hangmintákat a Parallel WaveGAN az eredeti WaveNethez képest?
    • Egyszerre egy mintát, egymás után
    • Minden minta párhuzamosan, nem autoregresszíven
    • Mikrofon rögzítésével
    • Tárolt klipek összefűzésével
  3. Melyik veszteség központi szerepet játszik a Parallel WaveGAN-ban a kontradiktórius veszteségen kívül?
    • Keresztentrópia szöveges tokeneken
    • Tripla rangsorvesztés
    • Többfelbontású STFT veszteség
    • Megerősítő jutalom
  4. Milyen architektúrát használ a Parallel WaveGAN generátor?
    • Egy visszatérő LSTM
    • Látótranszformátor
    • Egy döntési fa
    • Tágított konvolúciójú WaveNet típusú hálózat
  5. Miért vonzó a Parallel WaveGAN a telepítéshez?
    • Kompakt és gyorsabban fut, mint a valós időben
    • Ez egy nagyon nagy, több milliárd paraméterű modell
    • Nem igényel spektrogram bevitelt
    • Csak szuperszámítógépeken működik
  6. A GAN-ban milyen szerepet játszik a diszkriminátor a képzés során?
    • Ez hozza létre a spektrogramot
    • Megítéli, hogy a hang valódinak vagy hamisnak tűnik-e
    • Rögzíti az adatkészletet
    • Modellsúlyokat tárol
  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