Questionário vinculado ao guia · Médio Nível

Questionário sobre Vocoders Neurais

Revise como os codificadores de voz neurais reconstroem formas de onda, por que a síntese autoregressiva é lenta e como os discriminadores adversários melhoram o áudio gerado.

Caminhos de guia relacionadosVocodificadores Neurais
Pergunta 1 de 8

Qual é a função principal de um vocoder neural?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é a função principal de um vocoder neural?
    • Para transformar uma representação acústica como um espectrograma mel em uma forma de onda audível
    • Para converter texto diretamente em significado
    • Para traduzir fala entre idiomas
    • Para remover o ruído de fundo das gravações
  2. Qual modelo de 2016 foi a inovação que fez os vocoders neurais parecerem naturais?
    • HiFi-GAN
    • WaveNet
    • Tacotron
    • MelGAN
  3. Por que o WaveNet original demorou para gerar áudio?
    • É necessária uma GPU separada para cada palavra
    • Ele se treinou novamente em cada entrada
    • Ele previu o áudio, uma amostra por vez, de forma autorregressiva
    • Ele renderizou o vídeo junto com o áudio
  4. Que informações um espectrograma mel descarta notavelmente, tornando a tarefa do vocoder mais difícil?
    • O volume do áudio
    • A língua que está sendo falada
    • A taxa de amostragem
    • A informação de fase do sinal
  5. Como os vocoders baseados em GAN, como o HiFi-GAN, melhoram o realismo?
    • Usando múltiplos discriminadores que julgam o sinal em diferentes escalas
    • Convertendo áudio em texto primeiro
    • Calculando a média de milhares de gravações juntas
    • Gerando apenas baixas frequências
  6. Em um pipeline TTS moderno típico, o que produz o espectrograma mel que o vocoder consome?
    • Um gerador de ruído
    • Um modelo acústico como Tacotron 2 ou FastSpeech
    • O próprio codificador de voz
    • Um microfone
  7. What component in HiFi-GAN combines residual blocks with different dilation patterns?
    • A phoneme tokenizer
    • A recurrent attention decoder
    • The multi-receptive-field fusion (MRF) module
    • A speaker-verification classifier
  8. What does HiFi-GAN’s multi-period discriminator help assess?
    • Whether the text transcript is grammatically correct
    • Whether the speaker’s face matches the voice
    • Whether the mel-spectrogram uses enough colors
    • Whether generated waveform segments reflect realistic periodic patterns