Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra bộ mã hóa đa độ phân giải UnivNet

Nghiên cứu cách UnivNet sử dụng các phép tích chập thích ứng và bộ phân biệt biểu đồ phổ ở một số độ phân giải tần số thời gian để tổng hợp giọng nói.

Đường dẫn hướng dẫn liên quanBộ mã hóa đa độ phân giải Univnet
Câu hỏi 1 của 8

Tính năng đặc trưng của bộ phân biệt đối xử của UnivNet là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Tính năng đặc trưng của bộ phân biệt đối xử của UnivNet là gì?
    • Nó tính toán nhiều biểu đồ phổ STFT ở các độ phân giải khác nhau và phân biệt chúng
    • Nó chỉ sử dụng một bộ phân biệt dạng sóng duy nhất
    • Nó đánh giá âm thanh bằng mô hình ngôn ngữ
    • Nó bỏ qua tần số cao
  2. UnivNet nhắm mục tiêu cụ thể đến vấn đề gì trong các bộ phát âm GAN trước đó?
    • Lấy mẫu tự hồi quy chậm
    • Tần số cao bị bóp nghẹt hoặc chứa đầy giả tạo
    • Không thể chạy trên GPU
    • Thiếu bất kỳ sự phân biệt đối xử nào
  3. Tích chập biến vị trí (LVC) trong UnivNet là gì?
    • Các phép biến đổi chỉ được áp dụng khi bắt đầu tín hiệu
    • Đã sửa lỗi hạt nhân được chia sẻ trên tất cả các lớp
    • Các kết cấu có hạt nhân được dự đoán động từ các tính năng đầu vào
    • Kết nối định kỳ giữa các khung
  4. What adaptation potential did the UnivNet paper report for new speakers?
    • Guaranteed identical quality across every recording condition
    • No need for conditioning features or evaluation
    • Instant adaptation to every language and microphone
    • Fast adaptation without training a new vocoder from scratch
  5. What synthesis capability did the UnivNet paper report?
    • High-fidelity waveform synthesis in real time
    • Only offline synthesis after a day-long wait
    • One waveform sample per hour
    • A text transcript without audio output
  6. Máy phát điện của UnivNet cần điều kiện gì để tạo ra dạng sóng?
    • Văn bản thô
    • Một quang phổ mel
    • Một quang phổ chỉ của tiếng ồn
    • Bảng thời lượng âm vị
  7. Which adversarial loss did UnivNet use to train its generator and discriminators?
    • A word-level cross-entropy loss
    • A policy-gradient objective
    • A least-squares GAN objective
    • A contrastive image-text loss
  8. What evaluation result did the UnivNet paper report across seen and unseen speakers?
    • It outperformed every vocoder on every language and dataset
    • It proved no speaker adaptation is ever needed
    • It achieved the same result regardless of input features
    • It achieved the best objective and subjective results among the compared models in its evaluation