DiffWave Diffusion Vocoder کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ڈف ویو انفرنس ٹائم پر آڈیو کیسے تیار کرتا ہے؟
   • تکراری طور پر بے ترتیب شور کو موج میں تبدیل کرکے
   • خود بخود ایک وقت میں ایک ویوفارم ویلیو کا نمونہ لے کر
   • ریکارڈ شدہ تقریری اکائیوں کو جوڑ کر
   • ایک ہی GAN فارورڈ پاس چلا کر
2. DiffWave نیٹ ورک اصل میں تربیت کے دوران پیشین گوئی کرنا کیا سیکھتا ہے؟
   • ایک شاٹ میں براہ راست صاف ویوفارم
   • دیے گئے پھیلاؤ کے مرحلے پر شور شامل ہوا۔
   • متن کی نقل
   • اسپیکر کی شناخت
3. GAN ووکوڈرز کے مقابلے میں DiffWave کی بنیادی عملی خرابی کیا ہے؟
   • یہ سپیکٹروگرام پر شرط نہیں لگا سکتا
   • یہ صرف کم نمونے کی شرح پر کام کرتا ہے۔
   • اس کے لیے نمونے لینے کے بہت سے اقدامات کی ضرورت پڑ سکتی ہے، جس سے یہ سست ہو جاتا ہے۔
   • اسے مستحکم ہونے کے لیے مخالفانہ تربیت کی ضرورت ہے۔
4. تربیت میں GAN ووکوڈرز پر DiffWave کا کیا فائدہ ہے؟
   • اسے نیورل نیٹ ورک کی ضرورت نہیں ہے۔
   • اس کے لیے ڈیٹا کی ضرورت نہیں ہے۔
   • یہ ایک قدم میں فوری طور پر آڈیو تیار کرتا ہے۔
   • یہ غیر مستحکم مخالف تربیت سے بچتا ہے۔
5. DiffWave کا شور کی پیشن گوئی نیٹ ورک کس فن تعمیر سے ملتا ہے؟
   • ایک WaveNet طرز کا پھیلا ہوا convolutional نیٹ ورک
   • ایک بار بار LSTM زبان کا ماڈل
   • ایک وژن ٹرانسفارمر
   • ایک سادہ لکیری رجعت
6. اچھی کوالٹی کو برقرار رکھتے ہوئے ڈیف ویو کے نظام الاوقات کو تقریباً کتنے نمونے لینے کے اقدامات اچھی طرح سے ٹیون کر سکتے ہیں؟
   • بالکل 1000 قدم ہمیشہ
   • تقریباً چھ قدم
   • تقریباً 500 قدم
   • بغیر کسی ٹیوننگ کے صرف ایک قدم
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
   • ایک میل سپیکٹروگرام
   • 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