UnivNet 다중 해상도 보코더 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. UnivNet Discriminator의 시그니처 기능은 무엇인가요?
   • 다양한 해상도에서 여러 STFT 스펙트로그램을 계산하고 이를 구별합니다.
   • 단일 파형 판별기만 사용합니다.
   • 언어 모델을 사용하여 오디오를 판단합니다.
   • 고주파수를 무시합니다.
2. UnivNet은 이전 GAN 보코더의 어떤 문제를 구체적으로 목표로 삼고 있습니까?
   • 느린 자기회귀 샘플링
   • 머플링되거나 인공물이 가득한 고주파수
   • GPU에서 실행할 수 없음
   • 판별자가 부족함
3. UnivNet의 위치 변수 컨볼루션(LVC)이란 무엇입니까?
   • 신호 시작 부분에만 컨볼루션 적용
   • 모든 레이어에서 공유되는 고정 커널
   • 커널이 입력 특성으로부터 동적으로 예측되는 컨볼루션
   • 프레임 간 반복 연결
4. What adaptation potential did the UnivNet paper report for new speakers?
   • Guaranteed identical quality across every recording condition
   • No need for conditioning features or evaluation
   • Instant adaptation to every language and microphone
   • Fast adaptation without training a new vocoder from scratch
5. What synthesis capability did the UnivNet paper report?
   • High-fidelity waveform synthesis in real time
   • Only offline synthesis after a day-long wait
   • One waveform sample per hour
   • A text transcript without audio output
6. UnivNet의 생성기 조건은 무엇으로 파형을 생성합니까?
   • 원시 텍스트
   • 멜 스펙트로그램
   • 소음만의 스펙트로그램
   • 음소 지속 시간 테이블
7. Which adversarial loss did UnivNet use to train its generator and discriminators?
   • A word-level cross-entropy loss
   • A policy-gradient objective
   • A least-squares GAN objective
   • A contrastive image-text loss
8. What evaluation result did the UnivNet paper report across seen and unseen speakers?
   • It outperformed every vocoder on every language and dataset
   • It proved no speaker adaptation is ever needed
   • It achieved the same result regardless of input features
   • It achieved the best objective and subjective results among the compared models in its evaluation