Kuis terkait panduan · Sedang Tingkat

Kuis Vocoder Neural

Tinjau bagaimana vocoder saraf merekonstruksi bentuk gelombang, mengapa sintesis autoregresif lambat, dan bagaimana diskriminator adversarial meningkatkan audio yang dihasilkan.

Jalur panduan terkaitVocoder Neural
Pertanyaan 1 dari 8

Apa tugas utama seorang vocoder saraf?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa tugas utama seorang vocoder saraf?
    • Untuk mengubah representasi akustik seperti mel-spektogram menjadi bentuk gelombang yang dapat didengar
    • Untuk mengubah teks secara langsung menjadi makna
    • Untuk menerjemahkan ucapan antar bahasa
    • Untuk menghilangkan kebisingan latar belakang dari rekaman
  2. Model tahun 2016 manakah yang merupakan terobosan yang membuat vocoder saraf terdengar alami?
    • HiFi-GAN
    • GelombangNet
    • Tacotron
    • MelGAN
  3. Mengapa WaveNet asli lambat dalam menghasilkan audio?
    • Untuk itu diperlukan GPU terpisah untuk setiap kata
    • Ia melatih kembali dirinya sendiri pada setiap masukan
    • Ini memperkirakan audio satu sampel pada satu waktu secara autoregresif
    • Itu merender video bersama audio
  4. Informasi apa yang terutama dibuang oleh spektogram mel, sehingga membuat tugas vocoder menjadi lebih sulit?
    • Kerasnya audio
    • Bahasa yang digunakan
    • Tingkat sampel
    • Informasi fase sinyal
  5. Bagaimana vocoder berbasis GAN seperti HiFi-GAN meningkatkan realisme?
    • Dengan menggunakan beberapa diskriminator yang menilai sinyal pada skala berbeda
    • Dengan mengkonversi audio menjadi teks terlebih dahulu
    • Dengan rata-rata ribuan rekaman bersama-sama
    • Dengan hanya menghasilkan frekuensi rendah
  6. Dalam pipa TTS modern pada umumnya, apa yang menghasilkan spektogram mel yang dikonsumsi vocoder?
    • Generator kebisingan
    • Model akustik seperti Tacotron 2 atau FastSpeech
    • Vocoder itu sendiri
    • Sebuah mikrofon
  7. What component in HiFi-GAN combines residual blocks with different dilation patterns?
    • A phoneme tokenizer
    • A recurrent attention decoder
    • The multi-receptive-field fusion (MRF) module
    • A speaker-verification classifier
  8. What does HiFi-GAN’s multi-period discriminator help assess?
    • Whether the text transcript is grammatically correct
    • Whether the speaker’s face matches the voice
    • Whether the mel-spectrogram uses enough colors
    • Whether generated waveform segments reflect realistic periodic patterns