引导式测验 · 中等 等级

WaveGlow 基于流的声码器测验

检查 WaveGlow 如何通过可逆流步骤映射梅尔特征和高斯噪声，以实现无需蒸馏的并行语音合成。

相关引导路径基于 Waveglow 流的声码器
问题 1 的 8

WaveGlow 结合了哪两个模型的架构思想？

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。

  1. WaveGlow 结合了哪两个模型的架构思想？
    • Glow 和 WaveNet
    • BERT 和 GPT
    • ResNet 和 VGG
    • Tacotron 和 CLIP
  2. WaveGlow 是一个什么样的模型？
    • 生成对抗网络
    • 正常化流程
    • 递归自回归模型
    • 强化学习代理
  3. WaveGlow 如何在推理时生成波形？
    • 它对样本进行一一预测
    • 它搜索剪辑数据库
    • 它对高斯噪声进行采样并反向运行流程
    • 它使用鉴别器
  4. WaveGlow 在训练过程中优化的目标是什么？
    • 对抗性最小-最大游戏
    • 文本标签上的交叉熵
    • 对比损失
    • 音频数据的精确对数似然
  5. WaveGlow 中的每个可逆步骤由哪两个组件组成？
    • 仿射耦合层和可逆 1x1 卷积
    • 注意力和前馈块
    • 池化和softmax
    • 嵌入和丢失
  6. 与早期的并行 WaveNet 方法相比，WaveGlow 提供了哪些训练简化？
    • 它不需要频谱图
    • 它避免了使用单一网络的师生蒸馏和损失
    • 它消除了对任何 GPU 的需求
    • 它不需要音频数据
  7. What does WaveGlow's squeeze operation do before its coupling layers process the signal?
    • Converts the waveform into written phonemes
    • Removes the mel-spectrogram conditioning
    • Groups neighboring audio samples into vectors for the flow transformations
    • Randomly deletes audio segments
  8. Which acoustic model is named in the guide as a practical system that can pair with WaveGlow?
    • 伯特
    • A* search
    • YOLOv8
    • 塔克特隆 2