Quiz dotyczący wokodera UnivNet o wielu rozdzielczościach

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka jest charakterystyczna cecha dyskryminatora UnivNet?
   • Oblicza wiele spektrogramów STFT w różnych rozdzielczościach i rozróżnia je
   • Wykorzystuje tylko pojedynczy dyskryminator kształtu fali
   • Ocenia dźwięk na podstawie modelu językowego
   • Ignoruje wysokie częstotliwości
2. Na jaki problem we wcześniejszych wokoderach GAN szczególnie celuje UnivNet?
   • Powolne próbkowanie autoregresyjne
   • Stłumione lub obciążone artefaktami wysokie częstotliwości
   • Brak możliwości uruchomienia na GPU
   • Brak jakiegokolwiek rozróżniacza
3. Co to są sploty zmiennych lokalizacji (LVC) w UnivNet?
   • Sploty stosowane tylko na początku sygnału
   • Naprawiono jądra wspólne dla wszystkich warstw
   • Sploty, których jądra są przewidywane dynamicznie na podstawie cech wejściowych
   • Powtarzające się połączenia pomiędzy ramkami
4. What adaptation potential did the UnivNet paper report for new speakers?
   • Guaranteed identical quality across every recording condition
   • No need for conditioning features or evaluation
   • Instant adaptation to every language and microphone
   • Fast adaptation without training a new vocoder from scratch
5. What synthesis capability did the UnivNet paper report?
   • High-fidelity waveform synthesis in real time
   • Only offline synthesis after a day-long wait
   • One waveform sample per hour
   • A text transcript without audio output
6. Od czego zależy generator UnivNet, aby wytworzyć przebieg?
   • Surowy tekst
   • Spektrogram melowy
   • Tylko spektrogram szumu
   • Tabela czasu trwania fonemów
7. Which adversarial loss did UnivNet use to train its generator and discriminators?
   • A word-level cross-entropy loss
   • A policy-gradient objective
   • A least-squares GAN objective
   • A contrastive image-text loss
8. What evaluation result did the UnivNet paper report across seen and unseen speakers?
   • It outperformed every vocoder on every language and dataset
   • It proved no speaker adaptation is ever needed
   • It achieved the same result regardless of input features
   • It achieved the best objective and subjective results among the compared models in its evaluation