Quiz lié à un guide · Difficile Niveau

Quiz sur les modèles de langage VALL-E et Codec

Passez en revue l'approche de modèle de langage de jeton de codec de VALL-E, sa génération de jetons par étapes et les conditions derrière ses résultats vocaux en quelques coups rapportés.

Chemins de guidage associésModèles de langage Vall E et Codec
Question 1 de 8

Quelle idée fondamentale distingue VALL-E des systèmes de synthèse vocale antérieurs ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quelle idée fondamentale distingue VALL-E des systèmes de synthèse vocale antérieurs ?
    • Il prédit les jetons de codec neuronal en tant que tâche de modélisation du langage au lieu de prédire un spectrogramme
    • Il utilise uniquement un traitement du signal artisanal
    • Cela nécessite des heures d’audio de la part du locuteur cible
    • Il génère du texte à partir de la parole
  2. De quelle quantité d'audio de référence VALL-E a-t-il besoin pour cloner la voix d'un nouveau locuteur ?
    • Environ une heure
    • Environ trois secondes
    • Aucun audio de référence du tout
    • Une trentaine de minutes
  3. Quel codec neuronal VALL-E utilise-t-il pour produire ses jetons audio ?
    • MP3
    • Opus
    • EnCodec
    • WAV
  4. Pourquoi VALL-E utilise-t-il à la fois une étape autorégressive et une étape non autorégressive ?
    • Traduire le discours en plusieurs langues
    • Pour séparer la musique de la parole
    • Pour compresser la saisie de texte
    • Étant donné que les jetons de codec sont superposés, il prédit les jetons grossiers de manière séquentielle et les jetons fins en parallèle.
  5. Sur quelle quantité environ de données vocales VALL-E a-t-il été formé, permettant un clonage puissant sans tir ?
    • Environ 60 000 heures
    • Environ 100 heures
    • Environ 1 000 heures
    • Environ 10 heures
  6. Outre le timbre, que peut préserver VALL-E du court clip de référence ?
    • Les mots exacts de l'orateur pour toujours
    • L'environnement acoustique de l'enregistrement
    • La vidéo qui l'accompagnait
    • Le format de fichier d'origine
  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