Викторина, связанная с руководством · Средний Уровень

Викторина по DiffWave Diffusion Vocoder

Узнайте, как DiffWave прогнозирует шум для синтеза сигналов, условий акустических характеристик и балансирует скорость выборки и качество.

Связанные направляющие путиДиффоволновой диффузионный вокодер
Вопрос 1 из 8

Как DiffWave генерирует звук во время вывода?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как DiffWave генерирует звук во время вывода?
    • Путем итеративного шумоподавления случайного шума в сигнал.
    • Путем авторегрессионной выборки одного значения сигнала за раз.
    • Путем объединения записанных речевых единиц
    • Запустив один прямой проход GAN
  2. Что на самом деле учится предсказывать сеть DiffWave во время обучения?
    • Чистая форма волны сразу в одном кадре
    • Шум, добавляемый на данном этапе диффузии
    • Текстовая расшифровка
    • Личность спикера
  3. В чем главный практический недостаток DiffWave по сравнению с вокодерами GAN?
    • Это не может зависеть от спектрограмм
    • Работает только при низкой частоте дискретизации
    • Это может потребовать много шагов выборки, что делает его медленнее.
    • Чтобы быть стабильным, требуется состязательное обучение.
  4. Какое преимущество имеет DiffWave перед вокодерами GAN при обучении?
    • Ему не нужна нейронная сеть
    • Это не требует никаких данных
    • Он производит звук мгновенно за один шаг
    • Это позволяет избежать нестабильного состязательного обучения.
  5. Какую архитектуру напоминает сеть прогнозирования шума DiffWave?
    • Расширенная сверточная сеть в стиле WaveNet
    • Рекуррентная языковая модель LSTM
    • Трансформатор видения
    • Простая линейная регрессия
  6. Сколько примерно шагов выборки могут использовать хорошо настроенные графики DiffWave, сохраняя при этом хорошее качество?
    • Ровно 1000 шагов всегда
    • Около шести шагов
    • Около 500 шагов
    • Всего один шаг без настройки
  7. 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
    • Мел-спектрограмма
    • A source-code dependency graph
  8. 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