引導式測驗 · 中等 等級
神經聲碼器測驗
回顧神經聲碼器如何重建波形、為什麼自回歸合成速度慢以及對抗性鑑別器如何改進生成的音訊。
問題 1 的 8
神經聲碼器的主要工作是什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 神經聲碼器的主要工作是什麼?
- 將梅爾聲譜圖等聲學表示轉換為可聽波形
- 將文字直接轉換為意義
- 在語言之間翻譯語音
- 消除錄音中的背景噪音
- 2016 年哪個模型是讓神經聲碼器聽起來更自然的突破?
- HiFi-GAN
- 波網
- 塔科特隆
- 梅爾甘
- 為什麼最初的 WaveNet 產生音訊很慢?
- 每個單字都需要一個單獨的 GPU
- 它根據每個輸入重新訓練自己
- 它以自回歸方式一次預測一個樣本的音頻
- 它在音頻旁邊渲染視頻
- 梅爾頻譜圖明顯丟棄了哪些訊息,使聲碼器的任務變得更加困難?
- 音訊的響度
- 所講的語言
- 取樣率
- 訊號的相位資訊
- HiFi-GAN 等基於 GAN 的聲碼器如何提高真實感?
- 透過使用多個判別器來判斷不同尺度的訊號
- 首先將音訊轉換為文字
- 透過對數千個錄音進行平均
- 僅產生低頻
- 在典型的現代 TTS 管道中,什麼產生聲碼器使用的梅爾頻譜圖?
- 噪音發生器
- 聲學模型,例如 Tacotron 2 或 FastSpeech
- 聲碼器本身
- 麥克風
- What component in HiFi-GAN combines residual blocks with different dilation patterns?
- A phoneme tokenizer
- A recurrent attention decoder
- The multi-receptive-field fusion (MRF) module
- A speaker-verification classifier
- What does HiFi-GAN’s multi-period discriminator help assess?
- Whether the text transcript is grammatically correct
- Whether the speaker’s face matches the voice
- Whether the mel-spectrogram uses enough colors
- Whether generated waveform segments reflect realistic periodic patterns