แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการถอดเสียงเพลงอัตโนมัติ

ตรวจสอบว่าการถอดเสียงเพลงอัตโนมัติแปลงการบันทึกเป็นเหตุการณ์บันทึกอย่างไร เหตุใดโพลีโฟนีจึงเป็นเรื่องยาก และระบบมัลติแทร็กเป็นตัวแทนของส่วนต่างๆ อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการถอดเสียงเพลงอัตโนมัติ
คำถาม 1 ของ 8

การถอดเสียงเพลงอัตโนมัติให้เอาท์พุตอะไรเป็นหลัก?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การถอดเสียงเพลงอัตโนมัติให้เอาท์พุตอะไรเป็นหลัก?
    • การแสดงเชิงสัญลักษณ์ เช่น MIDI หรือโน้ตเพลง
    • เสียงเวอร์ชันรีมาสเตอร์ที่ดังยิ่งขึ้น
    • ข้อความอธิบายอารมณ์ของเพลง
    • ไฟล์เสียงที่ถูกบีบอัด
  2. เหตุใดเพลงโพลีโฟนิกจึงยากต่อการถอดเสียงเป็นพิเศษ?
    • ไฟล์เสียงมีขนาดใหญ่เกินไป
    • โน้ตที่ทับซ้อนกันจะแบ่งปันและเบลอฮาร์โมนิคในสเปกตรัม
    • ไมโครโฟนไม่สามารถบันทึกได้มากกว่าหนึ่งบันทึก
    • เพลงโพลีโฟนิกมักจะเงียบเกินไป
  3. สิ่งที่น่าทึ่งเกี่ยวกับโมเดล Onsets and Frames ของ Google
    • มันสร้างเพลงใหม่ตั้งแต่เริ่มต้น
    • มันใช้งานได้กับคำพูดเท่านั้น
    • แยกการตรวจจับการโจมตีออกจากการตรวจจับระดับเสียงระดับเฟรม
    • มันลบเสียงรบกวนพื้นหลังออกจากการบันทึก
  4. เหตุใด Constant-Q Transform จึงมีประโยชน์สำหรับดนตรี
    • มันจะลบส่วนที่เงียบโดยอัตโนมัติ
    • มันแปลงสเตอริโอเป็นโมโน
    • มันเร่งความเร็วเสียง
    • ช่องความถี่มีระยะห่างตามลอการิทึม ซึ่งตรงกับระยะห่างของระดับเสียงดนตรี
  5. 'การโจมตี' หมายถึงอะไรในการถอดความ
    • ช่วงเวลาที่ทราบแน่ชัดเริ่มต้นขึ้น
    • จบเพลง
    • ระดับเสียงของการบันทึก
    • จังหวะของชิ้น
  6. รุ่นใดขึ้นชื่อในการถอดเสียงเครื่องดนตรีหลายเครื่องพร้อมกัน
    • เจเพ็ก
    • MT3
    • BERT-ฐาน
    • เวฟเน็ต
  7. What information does a symbolic MIDI note event typically encode?
    • Only the waveform’s microphone brand
    • A compressed audio bitrate and codec license
    • Pitch and timing such as onset and duration
    • The listener’s preferred musical genre
  8. What makes MT3 a multitrack transcription system?
    • It converts every instrument to a single speech transcript
    • It only estimates the global BPM
    • It identifies songs from short audio fingerprints
    • It predicts note events across multiple instrument parts