Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Câu đố về bộ mã hóa HiFi-GAN và GAN
Kiểm tra giọng nói từ mel-to-waveform, tạo nguồn cấp dữ liệu chuyển tiếp, bộ phân biệt đối xử định kỳ và đa quy mô, đào tạo đối nghịch và tổn thất phụ trợ.
Câu hỏi 1 của 8
Công việc chính của bộ phát âm như HiFi-GAN trong quá trình chuyển văn bản thành giọng nói là gì?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Công việc chính của bộ phát âm như HiFi-GAN trong quá trình chuyển văn bản thành giọng nói là gì?
- Biến mel-Spectrogram thành dạng sóng âm thanh thô
- Chuyển đổi văn bản thô thành âm vị
- Căn chỉnh văn bản theo thời lượng
- Dịch lời nói từ ngôn ngữ này sang ngôn ngữ khác
- Tại sao HiFi-GAN nhanh hơn nhiều so với bộ phát âm WaveNet trước đây?
- Nó sử dụng từ vựng nhỏ hơn
- Nó được truyền tiếp và tạo ra toàn bộ dạng sóng trong một lần truyền thay vì tự động hồi quy
- Nó tạo ra từng mẫu một hiệu quả hơn
- Nó bỏ qua toàn bộ quang phổ
- Công cụ phân biệt nhiều chu kỳ của HiFi-GAN giúp nắm bắt cụ thể điều gì?
- Ý nghĩa ngữ nghĩa của từ
- Mức ồn nền
- Các mẫu định kỳ liên quan đến cao độ của tín hiệu
- Nhãn giai điệu cảm xúc của người nói
- Bộ phát âm GAN được đào tạo 'ngược lại'. Điều đó có nghĩa là gì ở đây?
- Người mẫu cạnh tranh với người kể chuyện con người
- Hai ngôn ngữ được trộn lẫn trong quá trình đào tạo
- Người mẫu chỉ được khen thưởng về tốc độ chứ không phải chất lượng
- Một trình tạo cố gắng đánh lừa một hoặc nhiều người phân biệt đối xử để đánh giá xem âm thanh có phải là thật hay không
- Bộ phát âm sau này mở rộng HiFi-GAN để khái quát hóa tốt hơn các giọng nói, giọng hát và nhạc cụ không thể nhìn thấy?
- BigVGAN
- Tacotron
- WaveNet
- BERT
- Mất mát phụ trợ nào giúp quá trình đào tạo của HiFi-GAN ổn định và trung thực với đầu vào?
- Mất dịch
- Mất khả năng tái thiết mel-spectrogram
- Mất phân loại mã thông báo
- Tín hiệu khen thưởng tăng cường
- 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
- 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