Kuis terkait panduan · Sedang Tingkat

Kuis Vocoder WaveGAN Paralel

Tinjau bagaimana Parallel WaveGAN mengubah fitur akustik menjadi audio dan menggabungkan pelatihan permusuhan dengan kerugian spektral multi-resolusi.

Jalur panduan terkaitVocoder Wavegan Paralel
Pertanyaan 1 dari 8

Apa tugas vocoder seperti Parallel WaveGAN?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa tugas vocoder seperti Parallel WaveGAN?
    • Ubah mel-spektogram menjadi bentuk gelombang audio mentah
    • Ubah teks menjadi fonem
    • Hapus kebisingan latar belakang dari rekaman
    • Terjemahkan ucapan antar bahasa
  2. Bagaimana Parallel WaveGAN menghasilkan sampel audio dibandingkan dengan WaveNet asli?
    • Satu sampel pada satu waktu, secara berurutan
    • Semua sampel secara paralel, non-autoregresif
    • Dengan merekam mikrofon
    • Dengan menggabungkan klip yang disimpan
  3. Kerugian manakah yang penting bagi Parallel WaveGAN selain kerugian permusuhan?
    • Entropi silang pada token teks
    • Kehilangan peringkat triplet
    • Kehilangan STFT multi-resolusi
    • Hadiah penguatan
  4. Arsitektur apa yang digunakan generator Parallel WaveGAN?
    • LSTM berulang
    • Sebuah transformator visi
    • Pohon keputusan
    • Jaringan gaya WaveNet konvolusi melebar
  5. Mengapa Parallel WaveGAN menarik untuk diterapkan?
    • Ini kompak dan berjalan lebih cepat dari waktu nyata
    • Ini adalah model multi-miliar parameter yang sangat besar
    • Itu tidak memerlukan input spektogram
    • Ini hanya berfungsi di superkomputer
  6. Dalam GAN, peran apa yang dimainkan oleh diskriminator selama pelatihan?
    • Ini menghasilkan spektogram
    • Ini menilai apakah audio terlihat asli atau palsu
    • Ini mencatat kumpulan data
    • Ini menyimpan bobot model
  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