引導式測驗 · 中等 等級
WaveGlow 基於流的聲碼器測驗
檢查 WaveGlow 如何透過可逆流步驟映射梅爾特徵和高斯噪聲,以實現無需蒸餾的平行語音合成。
問題 1 的 8
WaveGlow 結合了哪兩個模型的架構思想?
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。
- WaveGlow 結合了哪兩個模型的架構思想?
- Glow 和 WaveNet
- BERT 和 GPT
- ResNet 和 VGG
- Tacotron 和 CLIP
- WaveGlow 是什麼樣的模型?
- 生成對抗網絡
- 正常化流程
- 遞歸自迴歸模型
- 強化學習代理
- WaveGlow 如何在推理時產生波形?
- 它對樣本進行一一預測
- 它搜尋剪輯資料庫
- 它對高斯噪聲進行採樣並反向運行流程
- 它使用鑑別器
- WaveGlow 在訓練過程中優化的目標是什麼?
- 對抗性最小-最大遊戲
- 文字標籤上的交叉熵
- 比較損失
- 音訊資料的精確對數似然
- WaveGlow 中的每個可逆步驟由哪兩個組件組成?
- 仿射耦合層與可逆 1x1 卷積
- 注意力和前饋塊
- 池化和softmax
- 嵌入和丟失
- 與早期的平行 WaveNet 方法相比,WaveGlow 提供了哪些訓練簡化?
- 它不需要頻譜圖
- 它避免了使用單一網路的師生蒸餾和損失
- 它消除了對任何 GPU 的需求
- 它不需要音訊數據
- 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
- 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