Útmutatóhoz kapcsolódó kvíz · Közepes Szint

WaveNet kvíz

Review WaveNet’s autoregressive waveform generation, causal dilated convolutions, and why its original sampling process was slow.

Kapcsolódó útmutató utakWavenet
kérdés 1 -ból 8

Hogyan generál hangot a WaveNet?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan generál hangot a WaveNet?
    • Egyszerre egy nyers minta, korábbi mintákra kondicionálva
    • Rögzített könyvtárból klipek kiválasztásával
    • A spektrogramok közvetlenül szöveggé alakításával
    • Minden minta egyszerre, rendelés nélkül
  2. Mi a legfontosabb konvolúciós innováció a WaveNetben?
    • Max pooling rétegek
    • Kitágult ok-okozati konvolúciók
    • Csak visszatérő kapuk
    • Teljesen összekapcsolt rétegek
  3. How did the original WaveNet represent quantized waveform samples for prediction?
    • As a single continuous average for the entire clip
    • As speaker IDs only
    • As a categorical distribution over 256 µ-law-quantized values
    • As a sequence of image patches
  4. Mi volt az eredeti WaveNet fő gyakorlati hátránya?
    • Csak csendet tudott teremteni
    • Nem volt szükség edzési adatokra
    • Csak képeken működött
    • A szekvenciális mintavétel lelassította a generálást
  5. In the speech-synthesis experiments described in the WaveNet paper, what does the model generate?
    • Raw speech waveforms sample by sample, conditioned on linguistic features
    • A mel-spectrogram that is itself the final audio
    • Only phoneme labels without audio
    • A MIDI score
  6. Melyik szervezet vezette be a WaveNet-et?
    • NASA
    • DeepMind
    • OpenAI
    • Adobe
  7. What does causal convolution prevent in WaveNet?
    • Using preceding samples as context
    • Generating any audio waveform
    • Using future audio samples to predict the current sample
    • Conditioning on text or speaker features
  8. What activation structure does the original WaveNet use in its gated convolutional layers?
    • A ReLU output concatenated with image patches
    • A softmax over speakers only
    • A linear layer without nonlinearities
    • A tanh-filter output multiplied elementwise by a sigmoid gate