Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący wokodera dyfuzyjnego DiffWave

Dowiedz się, jak DiffWave przewiduje szum w celu syntezy przebiegów, warunków właściwości akustycznych i równoważenia szybkości próbkowania z jakością.

Powiązane ścieżki prowadząceWokoder dyfuzyjny dyfuzyjny
Pytanie 1 z 8

W jaki sposób DiffWave generuje dźwięk w momencie wnioskowania?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. W jaki sposób DiffWave generuje dźwięk w momencie wnioskowania?
    • Poprzez iteracyjne odszumianie losowego szumu w kształcie fali
    • Próbkowanie jednej wartości przebiegu na raz w sposób autoregresyjny
    • Łącząc nagrane jednostki mowy
    • Uruchamiając pojedyncze przejście do przodu GAN
  2. Co tak naprawdę sieć DiffWave uczy się przewidywać podczas treningu?
    • Czysty przebieg bezpośrednio w jednym ujęciu
    • Szum dodany na danym etapie dyfuzji
    • Transkrypcja tekstu
    • Tożsamość mówcy
  3. Jaka jest główna praktyczna wada DiffWave w porównaniu z wokoderami GAN?
    • Nie może uzależniać od spektrogramów
    • Działa tylko przy niskich częstotliwościach próbkowania
    • Może wymagać wielu etapów próbkowania, co powoduje, że jest wolniejszy
    • Aby zachować stabilność, potrzebne jest szkolenie kontradyktoryjne
  4. Jaką przewagę ma DiffWave nad wokoderami GAN podczas treningu?
    • Nie potrzebuje sieci neuronowej
    • Nie wymaga żadnych danych
    • Generuje dźwięk natychmiastowo w jednym kroku
    • Pozwala uniknąć niestabilnego treningu kontradyktoryjnego
  5. Jaką architekturę przypomina sieć przewidywania szumów DiffWave?
    • Rozszerzona sieć splotowa w stylu WaveNet
    • Powtarzający się model języka LSTM
    • Transformator wizji
    • Prosta regresja liniowa
  6. Z ilu mniej kroków próbkowania można skorzystać dobrze dostrojone harmonogramy DiffWave, zachowując przy tym dobrą jakość?
    • Zawsze dokładnie 1000 kroków
    • Około sześciu kroków
    • Około 500 kroków
    • Tylko jeden krok bez strojenia
  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
    • Spektrogram melowy
    • 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