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.

Související vodicí cestyJazykové modely Vall E a Codec
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.

  1. 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
  2. Kolik referenčního zvuku potřebuje VALL-E ke klonování hlasu nového mluvčího?
    • Asi hodinu
    • Asi tři sekundy
    • Žádný referenční zvuk
    • Asi třicet minut
  3. Jaký neuronový kodek používá VALL-E k výrobě svých zvukových tokenů?
    • MP3
    • Opus
    • EnCodec
    • WAV
  4. 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
  5. 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
  6. 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
  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