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.
Vraag 1 van 8
Hoe genereert DiffWave audio tijdens de inferentietijd?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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