गाइड से जुड़ी प्रश्नोत्तरी · कठिन स्तर

VALL-E और कोडेक भाषा मॉडल प्रश्नोत्तरी

VALL-E के कोडेक-टोकन भाषा-मॉडल दृष्टिकोण, इसकी चरणबद्ध टोकन पीढ़ी और इसके रिपोर्ट किए गए कुछ-शॉट ध्वनि परिणामों के पीछे की स्थितियों की समीक्षा करें।

संबंधित मार्गदर्शक पथवॉल ई और कोडेक भाषा मॉडल
प्रश्न 1 का 8

कौन सा मूल विचार VALL-E को पहले के टेक्स्ट-टू-स्पीच सिस्टम से अलग करता है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. कौन सा मूल विचार VALL-E को पहले के टेक्स्ट-टू-स्पीच सिस्टम से अलग करता है?
    • यह स्पेक्ट्रोग्राम की भविष्यवाणी करने के बजाय भाषा मॉडलिंग कार्य के रूप में तंत्रिका कोडेक टोकन की भविष्यवाणी करता है
    • यह केवल हस्तनिर्मित सिग्नल प्रोसेसिंग का उपयोग करता है
    • इसके लिए लक्ष्य वक्ता से घंटों ऑडियो की आवश्यकता होती है
    • यह वाणी से पाठ उत्पन्न करता है
  2. नए स्पीकर की आवाज को क्लोन करने के लिए VALL-E को कितने संदर्भ ऑडियो की आवश्यकता है?
    • लगभग एक घंटा
    • लगभग तीन सेकंड
    • कोई भी संदर्भ ऑडियो नहीं
    • लगभग तीस मिनट
  3. VALL-E अपने ऑडियो टोकन बनाने के लिए किस न्यूरल कोडेक का उपयोग करता है?
    • एमपी3
    • ओपस
    • एनकोडेक
    • WAV
  4. VALL-E ऑटोरेग्रेसिव और नॉन-ऑटोरेग्रेसिव दोनों चरणों का उपयोग क्यों करता है?
    • भाषण का कई भाषाओं में अनुवाद करना
    • संगीत को वाणी से अलग करना
    • टेक्स्ट इनपुट को कंप्रेस करने के लिए
    • क्योंकि कोडेक टोकन स्तरित होते हैं, इसलिए यह क्रमिक रूप से मोटे टोकन और समानांतर में बारीक टोकन की भविष्यवाणी करता है
  5. मजबूत शून्य-शॉट क्लोनिंग को सक्षम करने के लिए VALL-E को मोटे तौर पर कितने भाषण डेटा पर प्रशिक्षित किया गया था?
    • लगभग 60,000 घंटे
    • लगभग 100 घंटे
    • लगभग 1,000 घंटे
    • लगभग 10 घंटे
  6. समय के अलावा, VALL-E लघु संदर्भ क्लिप से और क्या संरक्षित कर सकता है?
    • वक्ता के सटीक शब्द हमेशा के लिए
    • रिकॉर्डिंग का ध्वनिक वातावरण
    • इसके साथ जो वीडियो है
    • मूल फ़ाइल स्वरूप
  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