Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący synchronizacji ust AI sterowanej dźwiękiem

Obejmuje, w jaki sposób Wav2Lip mapuje mowę do ruchu ust, jak wyniki LSE oparte na SyncNet oceniają jakość synchronizacji oraz wskazówki kryminalistyczne dotyczące podróbek synchronizowanych z ruchem warg.

Powiązane ścieżki prowadząceOparta na dźwięku synchronizacja ust AI
Pytanie 1 z 8

Dlaczego Wav2Lip maskuje dolną połowę twarzy docelowej?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Dlaczego Wav2Lip maskuje dolną połowę twarzy docelowej?
    • Aby zmniejszyć rozmiar pliku
    • To hide the actor's identity
    • To force the model to generate the mouth from the audio instead of copying it
    • To speed up face detection
  2. Co wyróżnia dyskryminator synchronizacji Wav2Lip od wcześniejszych podejść?
    • It was a pre-trained, frozen SyncNet-based expert rather than trained jointly with the generator
    • It listened only to background music
    • It judged image color only
    • It was trained after the generator finished
  3. Jak należy czytać LSE-D?
    • Higher means better sync
    • It measures video resolution
    • It counts dropped frames
    • Lower means better sync, since it is a distance between audio and video embeddings
  4. Jaka jest rola układu odniesienia w Wav2Lip?
    • It sets the audio volume
    • It supplies the person's appearance, such as skin and teeth texture
    • It determines the mouth shape
    • It selects the output language
  5. Jaka była znana wizualna słabość oryginalnego Wav2Lip?
    • Blurry, low-resolution mouth regions
    • Refusing to process English
    • Changing the speaker's eye color
    • Removing the background
  6. Which forensic cue can expose a lip-synced fake?
    • The video has subtitles
    • The speaker blinks
    • The lips fail to fully close on 'b', 'p' and 'm' sounds
    • The audio is in stereo
  7. Why do visemes make audio-to-mouth mapping harder?
    • Visemes only exist in English
    • Visemes are audio files
    • Each phoneme has several unrelated mouth shapes
    • Many different phonemes share the same visible mouth shape
  8. Why do production pipelines smooth face bounding boxes over time?
    • To change the speaker's identity
    • To prevent jittery crops that make the pasted mouth shake
    • To compress the audio
    • To add motion blur on purpose