Questionário vinculado ao guia · Médio Nível
Questionário de Vocoder de Difusão DiffWave
Saiba como o DiffWave prevê ruído para sintetizar formas de onda, condições de recursos acústicos e equilibra a velocidade de amostragem em relação à qualidade.
Pergunta 1 de 8
Como o DiffWave gera áudio no momento da inferência?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- Como o DiffWave gera áudio no momento da inferência?
- Ao eliminar iterativamente o ruído aleatório em uma forma de onda
- Ao amostrar um valor de forma de onda por vez de forma autorregressiva
- Ao concatenar unidades de fala gravadas
- Executando um único passe direto GAN
- O que a rede DiffWave realmente aprende a prever durante o treinamento?
- A forma de onda limpa diretamente de uma só vez
- O ruído adicionado em uma determinada etapa de difusão
- A transcrição do texto
- A identidade do locutor
- Qual é a principal desvantagem prática do DiffWave em comparação com os vocoders GAN?
- Não pode condicionar espectrogramas
- Funciona apenas com taxas de amostragem baixas
- Pode exigir muitas etapas de amostragem, tornando-o mais lento
- Precisa de treinamento adversário para ser estável
- Que vantagem o DiffWave tem sobre os vocoders GAN no treinamento?
- Não precisa de rede neural
- Não requer dados
- Produz áudio instantaneamente em uma única etapa
- Evita treinamento adversário instável
- Com qual arquitetura se parece a rede de previsão de ruído do DiffWave?
- Uma rede convolucional dilatada estilo WaveNet
- Um modelo de linguagem LSTM recorrente
- Um transformador de visão
- Uma regressão linear simples
- Aproximadamente quantas etapas de amostragem os cronogramas DiffWave bem ajustados podem usar, mantendo a boa qualidade?
- Exatamente 1000 passos sempre
- Cerca de seis etapas
- Cerca de 500 passos
- Apenas um passo sem ajuste
- 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
- Um espectrograma mel
- 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