UnivNet Multi-Resolution Vocoder Quiz

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este caracteristica de semnătură a discriminatorului UnivNet?
   • Acesta calculează mai multe spectrograme STFT la rezoluții diferite și le discriminează
   • Utilizează doar un singur discriminator de formă de undă
   • Evaluează audio folosind un model de limbaj
   • Ignoră frecvențele înalte
2. Ce problemă în vocoderele GAN anterioare vizează în mod specific UnivNet?
   • Eșantionare autoregresivă lentă
   • Frecvențe înalte înăbușite sau încărcate de artefacte
   • Imposibilitatea de a rula pe GPU
   • Lipsa oricărui discriminator
3. Ce sunt convoluțiile variabile de locație (LVC) în UnivNet?
   • Convoluții aplicate numai la începutul semnalului
   • S-au corectat nucleele partajate pe toate straturile
   • Convoluții ale căror nuclee sunt prezise dinamic din caracteristicile de intrare
   • Conexiuni recurente între cadre
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. De ce condiționează generatorul UnivNet pentru a produce o formă de undă?
   • Text brut
   • O spectrogramă mel
   • Doar o spectrogramă de zgomot
   • Un tabel de durată a fonemului
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