Kuis terkait panduan · Sedang Tingkat

Kuis Vocoder Difusi DiffWave

Pelajari bagaimana DiffWave memprediksi kebisingan untuk mensintesis bentuk gelombang, kondisi fitur akustik, dan menyeimbangkan kecepatan pengambilan sampel dengan kualitas.

Jalur panduan terkaitVocoder Difusi Gelombang Diff
Pertanyaan 1 dari 8

Bagaimana DiffWave menghasilkan audio pada waktu inferensi?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Bagaimana DiffWave menghasilkan audio pada waktu inferensi?
    • Dengan secara iteratif menolak derau acak menjadi bentuk gelombang
    • Dengan mengambil sampel satu nilai bentuk gelombang pada suatu waktu secara autoregresif
    • Dengan menggabungkan unit ucapan yang direkam
    • Dengan menjalankan satu forward pass GAN
  2. Apa yang sebenarnya dipelajari oleh jaringan DiffWave untuk diprediksi selama pelatihan?
    • Bentuk gelombang bersih langsung dalam satu kesempatan
    • Kebisingan ditambahkan pada langkah difusi tertentu
    • Transkrip teks
    • Identitas pembicara
  3. Apa kelemahan praktis utama DiffWave dibandingkan dengan vocoder GAN?
    • Itu tidak dapat dikondisikan pada spektogram
    • Ini hanya berfungsi pada tingkat sampel yang rendah
    • Hal ini memerlukan banyak langkah pengambilan sampel, sehingga membuatnya lebih lambat
    • Dibutuhkan pelatihan permusuhan agar menjadi stabil
  4. Apa keuntungan yang dimiliki DiffWave dibandingkan vocoder GAN dalam pelatihan?
    • Itu tidak memerlukan jaringan saraf
    • Itu tidak memerlukan data
    • Ini menghasilkan audio secara instan dalam satu langkah
    • Ini menghindari pelatihan permusuhan yang tidak stabil
  5. Arsitektur apa yang mirip dengan jaringan prediksi kebisingan DiffWave?
    • Jaringan konvolusional dilatasi bergaya WaveNet
    • Model bahasa LSTM berulang
    • Sebuah transformator visi
    • Regresi linier sederhana
  6. Kira-kira seberapa sedikit langkah pengambilan sampel yang dapat digunakan oleh jadwal DiffWave yang disetel dengan baik sambil menjaga kualitas yang baik?
    • Selalu tepat 1000 langkah
    • Sekitar enam langkah
    • Sekitar 500 langkah
    • Hanya satu langkah tanpa penyetelan
  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
    • Spektogram mel
    • 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