Вікторина, пов’язана з посібником · Середній Рівень

Вікторина HiFi-GAN і вокодери GAN

Перевіряє вокодування mel-to-waveform, генерацію прямого зв’язку, періодичні та багатомасштабні дискримінатори, змагальне навчання та допоміжні втрати.

Пов'язані напрямні шляхиHifi GAN і вокодери GAN
Питання 1 з 8

Яка основна робота такого вокодера, як HiFi-GAN, у конвеєрі синтезу мовлення?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна робота такого вокодера, як HiFi-GAN, у конвеєрі синтезу мовлення?
    • Перетворення мел-спектрограми на необроблену звукову форму
    • Перетворення необробленого тексту на фонеми
    • Вирівнювання тексту за тривалістю
    • Переклад мовлення з однієї мови на іншу
  2. Чому HiFi-GAN набагато швидший за попередній вокодер WaveNet?
    • Він використовує менший словниковий запас
    • Він прямий і створює всю форму сигналу за один прохід замість авторегресії
    • Він більш ефективно генерує зразки по одному
    • Він повністю пропускає спектрограму
  3. Що конкретно допомагає зафіксувати мультиперіодний дискримінатор HiFi-GAN?
    • Семантичне значення слів
    • Рівні фонового шуму
    • Періодичні шаблони, пов’язані з висотою тону в сигналі
    • Етикетка емоційного тону мовця
  4. Вокодери GAN навчені «суперечливо». Що тут означає?
    • Модель конкурує з людьми-оповідачами
    • Під час навчання змішуються дві мови
    • Модель винагороджується тільки за швидкість, а не за якість
    • Генератор намагається обдурити один або більше дискримінаторів, які оцінюють, чи справжній звук
  5. Який пізніший вокодер розширює HiFi-GAN для кращого узагальнення невидимих голосів, співу та інструментів?
    • BigVGAN
    • Такотрон
    • WaveNet
    • БЕРТ
  6. Які допоміжні втрати допомагають підтримувати стабільність навчання HiFi-GAN і відповідність вхідному сигналу?
    • Втрата перекладу
    • Втрата реконструкції мел-спектрограми
    • Втрата класифікації маркера
    • Сигнал винагороди за підкріплення
  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