Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący wokodera Parallel WaveGAN

Przejrzyj, w jaki sposób Parallel WaveGAN przekształca cechy akustyczne w dźwięk i łączy trening kontradyktoryjny ze stratami spektralnymi o wielu rozdzielczościach.

Powiązane ścieżki prowadząceWokoder równoległy Wavegan
Pytanie 1 z 8

Jakie jest zadanie wokodera takiego jak Parallel WaveGAN?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakie jest zadanie wokodera takiego jak Parallel WaveGAN?
    • Zamień spektrogram mel w surową falę audio
    • Zamień tekst na fonemy
    • Usuń szum tła z nagrań
    • Tłumacz mowę między językami
  2. W jaki sposób Parallel WaveGAN generuje próbki audio w porównaniu z oryginalnym WaveNet?
    • Jedna próbka na raz, sekwencyjnie
    • Wszystkie próbki równolegle, nieautoregresywnie
    • Nagrywając mikrofon
    • Łącząc zapisane klipy
  3. Która strata ma kluczowe znaczenie dla Parallel WaveGAN oprócz straty kontradyktoryjnej?
    • Entropia krzyżowa na tokenach tekstowych
    • Potrójna strata w rankingu
    • Strata STFT w wielu rozdzielczościach
    • Nagroda wzmacniająca
  4. Z jakiej architektury korzysta generator Parallel WaveGAN?
    • Powtarzający się LSTM
    • Transformator wizji
    • Drzewo decyzyjne
    • Sieć typu WaveNet o rozszerzonym splocie
  5. Dlaczego rozwiązanie Parallel WaveGAN jest atrakcyjne do wdrożenia?
    • Jest kompaktowy i działa szybciej niż w czasie rzeczywistym
    • Jest to bardzo duży, wielomiliardowy model
    • Nie wymaga wprowadzania danych do spektrogramu
    • Działa tylko na superkomputerach
  6. Jaką rolę w GAN odgrywa dyskryminator podczas szkolenia?
    • Generuje spektrogram
    • Ocenia, czy dźwięk wygląda na prawdziwy, czy fałszywy
    • Rejestruje zbiór danych
    • Przechowuje wagi modeli
  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