Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Vocoder DiffWave Diffusion

Ketahui cara DiffWave meramalkan hingar untuk mensintesis bentuk gelombang, keadaan pada ciri akustik dan mengimbangi kelajuan pensampelan dengan kualiti.

Laluan panduan yang berkaitanVokoder Difusi Diffwave
soalan 1 daripada 8

Bagaimanakah DiffWave menjana audio pada masa inferens?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Bagaimanakah DiffWave menjana audio pada masa inferens?
    • Dengan mengulangi bunyi rawak menjadi bentuk gelombang
    • Dengan mensampel satu nilai bentuk gelombang pada satu masa secara autoregresif
    • Dengan menggabungkan unit pertuturan yang dirakam
    • Dengan menjalankan satu hantaran hadapan GAN tunggal
  2. Apakah rangkaian DiffWave sebenarnya belajar untuk meramalkan semasa latihan?
    • Bentuk gelombang bersih secara langsung dalam satu pukulan
    • Bunyi ditambah pada langkah resapan tertentu
    • Transkrip teks
    • Identiti penceramah
  3. Apakah kelemahan praktikal utama DiffWave berbanding vocoder GAN?
    • Ia tidak boleh keadaan pada spektrogram
    • Ia hanya berfungsi pada kadar sampel yang rendah
    • Ia boleh memerlukan banyak langkah pensampelan, menjadikannya lebih perlahan
    • Ia memerlukan latihan lawan untuk menjadi stabil
  4. Apakah kelebihan DiffWave berbanding vocoder GAN dalam latihan?
    • Ia tidak memerlukan rangkaian saraf
    • Ia tidak memerlukan data
    • Ia menghasilkan audio serta-merta dalam satu langkah
    • Ia mengelakkan latihan lawan yang tidak stabil
  5. Apakah seni bina yang menyerupai rangkaian ramalan hingar DiffWave?
    • Rangkaian konvolusi diluaskan gaya WaveNet
    • Model bahasa LSTM berulang
    • Pengubah penglihatan
    • Regresi linear mudah
  6. Kira-kira berapa sedikit langkah pensampelan yang boleh ditala dengan baik oleh jadual DiffWave sambil mengekalkan kualiti yang baik?
    • Tepat 1000 langkah sentiasa
    • Kira-kira enam langkah
    • Lebih kurang 500 langkah
    • Hanya satu langkah tanpa penalaan
  7. 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
    • Satu mel-spektrogram
    • A source-code dependency graph
  8. 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