แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบ HiFi-GAN และ GAN Vocoders

ตรวจสอบการเข้ารหัสรูปแบบเมลต่อคลื่น การสร้างฟีดฟอร์เวิร์ด ตัวแบ่งแยกตามระยะเวลาและหลายขนาด การฝึกอบรมฝ่ายตรงข้าม และการสูญเสียเสริม

เส้นทางแนะนำที่เกี่ยวข้องHifi GAN และ GAN Vocoders
คำถาม 1 ของ 8

งานหลักของนักร้องเช่น HiFi-GAN ในไปป์ไลน์การแปลงข้อความเป็นคำพูดคืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. งานหลักของนักร้องเช่น HiFi-GAN ในไปป์ไลน์การแปลงข้อความเป็นคำพูดคืออะไร?
    • เปลี่ยนเมลสเปกโตรแกรมให้กลายเป็นรูปคลื่นเสียงดิบ
    • การแปลงข้อความดิบเป็นหน่วยเสียง
    • การจัดแนวข้อความตามระยะเวลา
    • การแปลคำพูดจากภาษาหนึ่งเป็นอีกภาษาหนึ่ง
  2. เหตุใด HiFi-GAN จึงเร็วกว่า vocoder WaveNet รุ่นก่อนมาก
    • มันใช้คำศัพท์ที่เล็กกว่า
    • เป็นฟีดไปข้างหน้าและสร้างรูปคลื่นทั้งหมดในการส่งผ่านครั้งเดียว แทนที่จะส่งแบบถดถอยอัตโนมัติ
    • โดยจะสร้างตัวอย่างทีละตัวอย่างได้อย่างมีประสิทธิภาพมากขึ้น
    • มันข้ามสเปกโตรแกรมไปโดยสิ้นเชิง
  3. Multi-Period Discriminator ของ HiFi-GAN ช่วยจับภาพอะไรเป็นพิเศษ
    • ความหมายทางความหมายของคำ
    • ระดับเสียงพื้นหลัง
    • รูปแบบเป็นระยะที่เกี่ยวข้องกับระดับเสียงในสัญญาณ
    • ป้ายน้ำเสียงทางอารมณ์ของผู้พูด
  4. ผู้ร้อง GAN ได้รับการฝึกฝน 'ฝ่ายตรงข้าม' นั่นหมายความว่าอะไรที่นี่?
    • โมเดลแข่งขันกับผู้บรรยายที่เป็นมนุษย์
    • มีการผสมสองภาษาระหว่างการฝึกอบรม
    • โมเดลนี้จะได้รับรางวัลเฉพาะความเร็วเท่านั้น ไม่ใช่คุณภาพ
    • เครื่องกำเนิดไฟฟ้าพยายามหลอกผู้เลือกปฏิบัติตั้งแต่หนึ่งคนขึ้นไปที่ตัดสินว่าเสียงมีจริงหรือไม่
  5. โวโคเดอร์ตัวใดในเวลาต่อมาที่ขยาย HiFi-GAN เพื่อสรุปเสียง การร้อง และเครื่องดนตรีที่มองไม่เห็นได้ดีกว่า
    • บิ๊กวีแกน
    • ทาโคตรอน
    • เวฟเน็ต
    • เบิร์ต
  6. การสูญเสียเสริมใดที่ช่วยให้การฝึกของ HiFi-GAN มีเสถียรภาพและซื่อสัตย์ต่ออินพุต
    • การสูญเสียการแปล
    • การสูญเสียการสร้างเมลสเปกโตรแกรมใหม่
    • การสูญเสียการจัดประเภทโทเค็น
    • สัญญาณรางวัลเสริมกำลัง
  7. What does HiFi-GAN’s Multi-Scale Discriminator examine?
    • Only the text transcript
    • The model’s optimizer state
    • Waveforms at several downsampled resolutions
    • One mel bin at a time
  8. Why include a mel-spectrogram reconstruction loss alongside adversarial loss?
    • To eliminate the generator
    • To make the model autoregressive
    • To remove the conditioning mel-spectrogram
    • To anchor spectral content while discriminators encourage realistic waveform texture