Prueba del modelo de audio generativo de Bark

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué diferencia a Bark de un motor tradicional de conversión de texto a voz?
   • Puede generar sonidos no verbales como risas y música, no sólo el habla.
   • Sólo emite discurso robótico limpio
   • Requiere una muestra de voz grabada para cada salida.
   • Convierte audio en texto.
2. ¿Quién lanzó el modelo Bark?
   • OpenAI
   • Suno
   • Google Mente Profunda
   • Meta
3. ¿Cómo genera Bark fundamentalmente audio?
   • Uniendo fonemas pregrabados
   • Aplicando filtros a una grabación de referencia
   • Prediciendo tokens de audio discretos de forma autorregresiva como un modelo de lenguaje
   • Al renderizar notas MIDI
4. ¿Qué códec neuronal utiliza Bark para convertir tokens en una forma de onda?
   • MP3
   • FLAC
   • OndaNet
   • EnCodec de Meta
5. ¿Por qué el mismo mensaje de Bark podría producir resultados diferentes cada vez?
   • La generación es probabilística, por lo que cada ejecución muestra una secuencia diferente
   • Almacena en caché las salidas aleatoriamente
   • Siempre falla al repetir las indicaciones.
   • Depende de la hora del día
6. ¿Cuál es un inconveniente conocido de Bark en comparación con los sistemas TTS dedicados?
   • No puede hablar ningún idioma.
   • Puede alucinar sonidos adicionales y es menos controlable.
   • Solo funciona sin conexión
   • Produce audio silencioso.
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