Quiz collegato alla guida · Medio Livello

Quiz sul vocoder WaveGAN parallelo

Scopri come Parallel WaveGAN trasforma le caratteristiche acustiche in audio e combina l'addestramento del contraddittorio con perdite spettrali multi-risoluzione.

Percorsi guida correlatiVocoder Wavegan parallelo
Domanda 1 di 8

Qual è il lavoro di un vocoder come Parallel WaveGAN?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è il lavoro di un vocoder come Parallel WaveGAN?
    • Trasforma uno spettrogramma Mel in una forma d'onda audio grezza
    • Convertire il testo in fonemi
    • Rimuovi il rumore di fondo dalle registrazioni
    • Tradurre il discorso tra le lingue
  2. In che modo Parallel WaveGAN genera campioni audio rispetto a WaveNet originale?
    • Un campione alla volta, in sequenza
    • Tutti i campioni in parallelo, in modo non autoregressivo
    • Registrando un microfono
    • Concatenando le clip memorizzate
  3. Quale perdita è fondamentale per Parallel WaveGAN oltre alla perdita del contraddittorio?
    • Entropia incrociata sui token di testo
    • Perdita in classifica tripletta
    • Perdita STFT multi-risoluzione
    • Ricompensa di rinforzo
  4. Quale architettura utilizza il generatore Parallel WaveGAN?
    • Un LSTM ricorrente
    • Un trasformatore di visione
    • Un albero decisionale
    • Una rete in stile WaveNet a convoluzione dilatata
  5. Perché Parallel WaveGAN è interessante per l'implementazione?
    • È compatto e funziona più velocemente del tempo reale
    • È un modello molto ampio, multimiliardario
    • Non richiede input dello spettrogramma
    • Funziona solo sui supercomputer
  6. In un GAN, che ruolo gioca il discriminatore durante la formazione?
    • Genera lo spettrogramma
    • Giudica se l'audio sembra reale o falso
    • Registra il set di dati
    • Memorizza i pesi del modello
  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