Тест за генериращ аудио модел на Bark

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво прави Bark различен от традиционната машина за синтез на реч?
   • Може да генерира невербални звуци като смях и музика, а не само реч
   • Извежда само чиста роботизирана реч
   • Изисква записан гласов образец за всеки изход
   • Преобразува звука в текст
2. Кой пусна модела Bark?
   • OpenAI
   • Suno
   • Google DeepMind
   • Meta
3. Как Bark основно генерира аудио?
   • Чрез свързване на предварително записани фонеми
   • Чрез прилагане на филтри към референтен запис
   • Чрез предсказване на отделни аудио токени авторегресивно като езиков модел
   • Чрез изобразяване на MIDI ноти
4. Какъв неврален кодек използва Bark, за да превърне токените във форма на вълна?
   • MP3
   • FLAC
   • WaveNet
   • EnCodec на Meta
5. Защо една и съща подкана на Bark може да дава различни резултати всеки път?
   • Генерирането е вероятностно, така че всяко изпълнение взема проби от различна последователност
   • Той кешира изходите на случаен принцип
   • Винаги дава грешки при повторни подкани
   • Зависи от времето на деня
6. Какъв е известен недостатък на Bark в сравнение със специализираните TTS системи?
   • То не може да говори никакъв език
   • Може да халюцинира допълнителни звуци и е по-малко контролируемо
   • Работи само офлайн
   • Произвежда безшумен звук
7. What does Bark’s semantic-to-coarse stage produce?
   • A transcript of the generated waveform
   • A mel-spectrogram with no audio tokens
   • The first two EnCodec audio codebooks
   • An image embedding
8. How can a Bark prompt request a nonverbal event such as laughter?
   • Add an image mask to the audio tokens
   • Train a new EnCodec model for every cue
   • Convert the cue to a CSV file
   • Include a cue such as [laughs] in the text prompt