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.

Percorsi guida correlatiVocoder neurali
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.

  1. 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
  2. Quale modello del 2016 ha rappresentato la svolta che ha reso naturale il suono dei vocoder neurali?
    • HiFi-GAN
    • WaveNet
    • Tacotron
    • MelGAN
  3. 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
  4. 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
  5. 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
  6. 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
  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