Questionário de Vocoder Multi-Resolução UnivNet

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é o recurso de assinatura do discriminador da UnivNet?
   • Ele calcula vários espectrogramas STFT em diferentes resoluções e os discrimina
   • Ele usa apenas um único discriminador de forma de onda
   • Ele julga o áudio usando um modelo de linguagem
   • Ele ignora altas frequências
2. Que problema nos vocoders GAN anteriores o UnivNet visa especificamente?
   • Amostragem autoregressiva lenta
   • Altas frequências abafadas ou carregadas de artefatos
   • Incapacidade de rodar em GPU
   • Ausência de qualquer discriminador
3. O que são convoluções de localização variável (LVC) no UnivNet?
   • Convoluções aplicadas apenas no início do sinal
   • Kernels corrigidos compartilhados em todas as camadas
   • Convoluções cujos kernels são previstos dinamicamente a partir de recursos de entrada
   • Conexões recorrentes entre frames
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. O que o gerador da UnivNet condiciona para produzir uma forma de onda?
   • Texto bruto
   • Um espectrograma mel
   • Um espectrograma apenas de ruído
   • Uma tabela de duração de fonema
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