Quiz collegato alla guida · Medio Livello
Quiz sui vocoder neurali
Rivedi come i vocoder neurali ricostruiscono le forme d'onda, perché la sintesi autoregressiva è lenta e come i discriminatori avversari migliorano l'audio generato.
Domanda 1 di 8
Qual è il compito principale di un vocoder neurale?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il compito principale di un vocoder neurale?
- Trasformare una rappresentazione acustica come uno spettrogramma mel in una forma d'onda udibile
- Per convertire il testo direttamente in significato
- Tradurre il parlato tra le lingue
- Per rimuovere il rumore di fondo dalle registrazioni
- Quale modello del 2016 ha rappresentato la svolta che ha reso naturale il suono dei vocoder neurali?
- HiFi-GAN
- WaveNet
- Tacotron
- MelGAN
- Perché WaveNet originale era lento nel generare l'audio?
- Richiedeva una GPU separata per ogni parola
- Si è riqualificato su ogni input
- Prediceva l'audio un campione alla volta in modo autoregressivo
- Ha reso il video insieme all'audio
- Quali informazioni vengono scartate da uno spettrogramma mel, rendendo più difficile il compito del vocoder?
- Il volume dell'audio
- La lingua parlata
- La frequenza di campionamento
- Le informazioni sulla fase del segnale
- In che modo i vocoder basati su GAN come HiFi-GAN migliorano il realismo?
- Utilizzando più discriminatori che giudicano il segnale su scale diverse
- Convertendo prima l'audio in testo
- Facendo una media di migliaia di registrazioni insieme
- Generando solo basse frequenze
- In una tipica pipeline TTS moderna, cosa produce lo spettrogramma mel consumato dal vocoder?
- Un generatore di rumore
- Un modello acustico come Tacotron 2 o FastSpeech
- Il vocoder stesso
- Un microfono
- 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
- 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