Mit dem Guide verknüpftes Quiz · Schwer Ebene

Quiz zu VALL-E- und Codec-Sprachmodellen

Sehen Sie sich den Codec-Token-Sprachmodell-Ansatz von VALL-E, die abgestufte Token-Generierung und die Bedingungen hinter den gemeldeten Wenig-Schuss-Sprachergebnissen an.

Verwandte FührungspfadeVall E- und Codec-Sprachmodelle
Frage 1 von 8

Welche Kernidee unterscheidet VALL-E von früheren Text-to-Speech-Systemen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche Kernidee unterscheidet VALL-E von früheren Text-to-Speech-Systemen?
    • Es sagt neuronale Codec-Token als Sprachmodellierungsaufgabe voraus, anstatt ein Spektrogramm vorherzusagen
    • Es verwendet ausschließlich handgefertigte Signalverarbeitung
    • Es erfordert stundenlange Audiowiedergabe vom Ziellautsprecher
    • Es generiert Text aus Sprache
  2. Wie viel Referenzaudio benötigt VALL-E, um die Stimme eines neuen Sprechers zu klonen?
    • Ungefähr eine Stunde
    • Ungefähr drei Sekunden
    • Überhaupt kein Referenzton
    • Ungefähr dreißig Minuten
  3. Welchen neuronalen Codec verwendet VALL-E zur Produktion seiner Audio-Tokens?
    • MP3
    • Opus
    • EnCodec
    • WAV
  4. Warum verwendet VALL-E sowohl eine autoregressive als auch eine nicht-autoregressive Phase?
    • Die Rede in mehrere Sprachen übersetzen
    • Musik von Sprache trennen
    • Zum Komprimieren der Texteingabe
    • Da Codec-Token geschichtet sind, werden grobe Token nacheinander und feine Token parallel vorhergesagt
  5. Auf wie vielen Sprachdaten wurde VALL-E ungefähr trainiert, um ein starkes Zero-Shot-Klonen zu ermöglichen?
    • Ungefähr 60.000 Stunden
    • Ungefähr 100 Stunden
    • Ungefähr 1.000 Stunden
    • Ungefähr 10 Stunden
  6. Was kann VALL-E neben dem Timbre noch aus dem kurzen Referenzclip bewahren?
    • Die genauen Worte des Sprechers für immer
    • Die akustische Umgebung der Aufnahme
    • Das dazugehörige Video
    • Das ursprüngliche Dateiformat
  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