Quiz collegato alla guida · Medio Livello
Quiz dei Vocoder di diffusione a onde diff
Scopri come DiffWave prevede il rumore per sintetizzare le forme d'onda, le condizioni sulle caratteristiche acustiche e bilancia la velocità di campionamento con la qualità.
Domanda 1 di 8
In che modo DiffWave genera l'audio al momento dell'inferenza?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In che modo DiffWave genera l'audio al momento dell'inferenza?
- Eliminando iterativamente il rumore casuale in una forma d'onda
- Campionando un valore della forma d'onda alla volta in modo autoregressivo
- Concatenando unità vocali registrate
- Eseguendo un singolo passaggio in avanti GAN
- Cosa impara effettivamente a prevedere la rete DiffWave durante l'allenamento?
- La forma d'onda pulita direttamente in uno scatto
- Il rumore aggiunto ad un dato passo di diffusione
- La trascrizione del testo
- L'identità del parlante
- Qual è il principale svantaggio pratico di DiffWave rispetto ai vocoder GAN?
- Non può condizionarsi sugli spettrogrammi
- Funziona solo a frequenze di campionamento basse
- Può richiedere molte fasi di campionamento, rendendolo più lento
- Ha bisogno di un addestramento contraddittorio per essere stabile
- Che vantaggio ha DiffWave rispetto ai vocoder GAN durante l'allenamento?
- Non ha bisogno di rete neurale
- Non richiede dati
- Produce l'audio istantaneamente in un solo passaggio
- Evita una formazione contraddittoria instabile
- A quale architettura assomiglia la rete di previsione del rumore di DiffWave?
- Una rete convoluzionale dilatata in stile WaveNet
- Un modello linguistico LSTM ricorrente
- Un trasformatore di visione
- Una semplice regressione lineare
- All'incirca, quanti passaggi di campionamento possono essere utilizzati dai programmi DiffWave ben ottimizzati mantenendo una buona qualità?
- Esattamente 1000 passi sempre
- Circa sei passi
- Circa 500 gradini
- Solo un passo senza accordatura
- 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
- Uno spettrogramma mel
- A source-code dependency graph
- 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