Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Vokoder Gelombang Selari

Semak bagaimana Parallel WaveGAN menukar ciri akustik kepada audio dan menggabungkan latihan lawan dengan kehilangan spektrum berbilang resolusi.

Laluan panduan yang berkaitanVokoder Wavegan Selari
soalan 1 daripada 8

Apakah tugas vocoder seperti Parallel WaveGAN?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah tugas vocoder seperti Parallel WaveGAN?
    • Tukar mel-spektrogram kepada bentuk gelombang audio mentah
    • Tukar teks kepada fonem
    • Buang bunyi latar belakang daripada rakaman
    • Terjemah ucapan antara bahasa
  2. Bagaimanakah Parallel WaveGAN menjana sampel audio berbanding dengan WaveNet asal?
    • Satu sampel pada satu masa, secara berurutan
    • Semua sampel secara selari, bukan autoregresif
    • Dengan merakam mikrofon
    • Dengan menggabungkan klip yang disimpan
  3. Kerugian yang manakah menjadi pusat kepada Gelombang Selari selain kerugian lawan?
    • Entropi silang pada token teks
    • Kehilangan ranking tiga kali ganda
    • Kehilangan STFT berbilang resolusi
    • Ganjaran pengukuhan
  4. Apakah seni bina yang digunakan oleh penjana Gelombang Selari?
    • LSTM berulang
    • Pengubah penglihatan
    • Pokok keputusan
    • Rangkaian gaya WaveNet konvolusi diluaskan
  5. Mengapakah Parallel WaveGAN menarik untuk digunakan?
    • Ia padat dan berjalan lebih pantas daripada masa nyata
    • Ia adalah model berbilang bilion parameter yang sangat besar
    • Ia tidak memerlukan input spektrogram
    • Ia hanya berfungsi pada superkomputer
  6. Dalam GAN, apakah peranan yang dimainkan oleh diskriminasi semasa latihan?
    • Ia menjana spektrogram
    • Ia menilai sama ada audio kelihatan nyata atau palsu
    • Ia merekodkan set data
    • Ia menyimpan berat model
  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