VALL-E এবং কোডেক ল্যাঙ্গুয়েজ মডেল কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. কোন মূল ধারণাটি VALL-E কে আগের টেক্সট-টু-স্পীচ সিস্টেম থেকে আলাদা করে?
   • এটি একটি স্পেকট্রোগ্রামের পূর্বাভাস দেওয়ার পরিবর্তে একটি ভাষা মডেলিং কাজ হিসাবে নিউরাল কোডেক টোকেনগুলির পূর্বাভাস দেয়
   • এটি শুধুমাত্র হস্তশিল্পের সংকেত প্রক্রিয়াকরণ ব্যবহার করে
   • এটি লক্ষ্য স্পিকার থেকে অডিও ঘন্টা প্রয়োজন
   • এটি বক্তৃতা থেকে পাঠ্য তৈরি করে
2. একটি নতুন স্পিকারের ভয়েস ক্লোন করতে VALL-E-এর কত রেফারেন্স অডিও প্রয়োজন?
   • প্রায় এক ঘন্টা
   • প্রায় তিন সেকেন্ড
   • কোন রেফারেন্স অডিও এ সব
   • প্রায় ত্রিশ মিনিট
3. VALL-E তার অডিও টোকেন তৈরি করতে কোন নিউরাল কোডেক ব্যবহার করে?
   • MP3
   • ওপাস
   • এনকোডেক
   • WAV
4. কেন VALL-E একটি অটোরিগ্রেসিভ এবং নন-অটোরিগ্রেসিভ স্টেজ উভয়ই ব্যবহার করে?
   • একাধিক ভাষায় বক্তৃতা অনুবাদ করতে
   • বক্তৃতা থেকে সঙ্গীত আলাদা করা
   • টেক্সট ইনপুট কম্প্রেস করতে
   • যেহেতু কোডেক টোকেনগুলি স্তরযুক্ত, তাই এটি ক্রমানুসারে মোটা টোকেন এবং সমান্তরালে সূক্ষ্ম টোকেনগুলির পূর্বাভাস দেয়
5. মোটামুটিভাবে VALL-E-কে কতটা স্পিচ ডেটা প্রশিক্ষিত করা হয়েছিল, শক্তিশালী জিরো-শট ক্লোনিং সক্ষম করে?
   • প্রায় 60,000 ঘন্টা
   • প্রায় 100 ঘন্টা
   • প্রায় 1,000 ঘন্টা
   • প্রায় 10 ঘন্টা
6. টিম্বার ছাড়াও, VALL-E সংক্ষিপ্ত রেফারেন্স ক্লিপ থেকে আর কী সংরক্ষণ করতে পারে?
   • বক্তার যথার্থ কথা চিরকাল
   • রেকর্ডিংয়ের শাব্দিক পরিবেশ
   • এর সাথে যে ভিডিওটি
   • মূল ফাইল বিন্যাস
7. What does VALL-E condition on to imitate a target speaker in its demonstration setup?
   • A photograph and a written biography only
   • A long labeled transcript from every target-speaker recording
   • A short audio prompt from that speaker plus the text to speak
   • A speaker ID with no audio example
8. What text representation does the VALL-E paper use as input to its text-to-code model?
   • A raw waveform of the target utterance
   • A speaker’s face embedding
   • A list of MIDI notes
   • A phoneme sequence