引导式测验 · 中等 等级
扩散频谱图扩散测验
回顾 Riffusion 的 Stable Diffusion 基础、频谱图表示、相位重建以及生成音频的局限性。
问题 1 的 8
Riffusion 对现有的哪些人工智能模型进行了微调来生成音乐？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- Riffusion 对现有的哪些人工智能模型进行了微调来生成音乐？
- 稳定扩散，图像生成模型
- 语音识别模型
- 大型语言模型
- 强化学习代理
- 在 Riffusion 频谱图像中，哪一方向通常表示时间的增加？
- 从底部到顶部沿垂直轴
- 从左到右沿水平轴
- 从中心向外
- 时间不被表示
- 为什么 Riffusion 需要像 Griffin-Lim 这样的算法？
- 将文本提示翻译成英文
- 压缩最终的音频文件
- 重建频谱图中缺失的相位信息
- 检测歌曲的流派
- 在 Riffusion 中，插值可以做什么？
- 将生成的音乐转换为文字稿
- 将乐器分离成独立轨道
- 用语言模型替换图像模型
- 在两个提示条件的声音想法之间混合
- Riffusion 最初是如何创建和发布的？
- 作为 2022 年两位创作者的业余爱好项目
- 作为政府研究补助金
- 作为主要唱片公司的付费产品
- 仅作为大学博士论文的一部分
- 除了提示之外，Riffusion 的核心仓库还列出了哪些额外的条件用于其扩散管道？
- 说话人分段标签
- 图像条件
- MIDI 转录
- 麦克风阵列几何形状
- 在 Riffusion 频谱图中，像素强度代表什么？
- 歌词转录的置信度
- 立体声麦克风位置
- 时频成分的幅度或能量
- 仅 diffusion 步数
- 与赫兹均匀间隔相比，mel 频率轴有什么作用？
- 它将频率转换为口语单词
- 它使每个频率箱在赫兹上等间距
- 它仅存储立体声位置
- 它使用非线性间距，旨在更好地反映感知音高差异