Gids-gekoppelde quiz · Middelmatig Niveau

DiffWave Diffusion Vocoder-quiz

Ontdek hoe DiffWave ruis voorspelt om golfvormen en akoestische kenmerken te synthetiseren, en de samplingsnelheid in evenwicht te brengen met de kwaliteit.

Gerelateerde gidspadenDiffwave Diffusie Vocoder
Vraag 1 van 8

Hoe genereert DiffWave audio tijdens de inferentietijd?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Hoe genereert DiffWave audio tijdens de inferentietijd?
    • Door willekeurige ruis iteratief te denoseren tot een golfvorm
    • Door automatisch één golfvormwaarde per keer te bemonsteren
    • Door opgenomen spraakeenheden aan elkaar te koppelen
    • Door een enkele GAN-voorwaartse pass uit te voeren
  2. Wat leert het DiffWave-netwerk eigenlijk voorspellen tijdens de training?
    • De zuivere golfvorm direct in één opname
    • De ruis die wordt toegevoegd bij een bepaalde diffusiestap
    • De teksttranscriptie
    • De identiteit van de spreker
  3. Wat is het belangrijkste praktische nadeel van DiffWave vergeleken met GAN-vocoders?
    • Het kan niet afhankelijk zijn van spectrogrammen
    • Het werkt alleen bij lage samplefrequenties
    • Er kunnen veel bemonsteringsstappen nodig zijn, waardoor het langzamer gaat
    • Er is vijandige training nodig om stabiel te zijn
  4. Welk voordeel heeft DiffWave ten opzichte van GAN-vocoders in training?
    • Het heeft geen neuraal netwerk nodig
    • Er zijn geen gegevens voor nodig
    • Het produceert onmiddellijk audio in één stap
    • Het vermijdt onstabiele vijandige training
  5. Op welke architectuur lijkt het ruisvoorspellingsnetwerk van DiffWave?
    • Een uitgezet convolutioneel netwerk in WaveNet-stijl
    • Een terugkerend LSTM-taalmodel
    • Een visietransformator
    • Een eenvoudige lineaire regressie
  6. Hoe weinig bemonsteringsstappen kunnen goed afgestemde DiffWave-schema's ongeveer gebruiken terwijl de kwaliteit behouden blijft?
    • Altijd precies 1000 stappen
    • Ongeveer zes stappen
    • Ongeveer 500 stappen
    • Slechts één stap zonder afstemming
  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
    • Een mel-spectrogram
    • 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