Kvíz spojený s průvodcem · Těžko úroveň
Kvíz o jazykových modelech VALL-E a kodeku
Projděte si přístup VALL-E k jazykovému modelu kodeku a tokenu, jeho postupné generování tokenů a podmínky, za nimiž byly hlášeny výsledky několikanásobného hlasu.
Otázka 1 z 8
Jaká základní myšlenka odlišuje VALL-E od dřívějších systémů převodu textu na řeč?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká základní myšlenka odlišuje VALL-E od dřívějších systémů převodu textu na řeč?
- Předpovídá tokeny neurálního kodeku jako úlohu modelování jazyka namísto předpovídání spektrogramu
- Využívá pouze ruční zpracování signálu
- Vyžaduje hodiny zvuku z cílového reproduktoru
- Generuje text z řeči
- Kolik referenčního zvuku potřebuje VALL-E ke klonování hlasu nového mluvčího?
- Asi hodinu
- Asi tři sekundy
- Žádný referenční zvuk
- Asi třicet minut
- Jaký neuronový kodek používá VALL-E k výrobě svých zvukových tokenů?
- MP3
- Opus
- EnCodec
- WAV
- Proč VALL-E používá jak autoregresivní, tak neautoregresní stadium?
- Přeložit řeč do více jazyků
- Oddělit hudbu od řeči
- Pro komprimaci zadávaného textu
- Protože tokeny kodeků jsou vrstvené, předpovídá hrubé tokeny postupně a jemné tokeny paralelně
- Přibližně na jakém množství dat řeči bylo trénováno VALL-E, což umožnilo silné klonování s nulovým snímkem?
- Asi 60 000 hodin
- Asi 100 hodin
- Asi 1000 hodin
- Asi 10 hodin
- Co dalšího kromě témbru dokáže VALL-E zachovat z krátkého referenčního klipu?
- Přesná slova mluvčího navždy
- Akustické prostředí nahrávky
- Video, které to doprovázelo
- Původní formát souboru
- 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
- 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