Útmutatóhoz kapcsolódó kvíz · Kemény Szint
VALL-E és kodek nyelvi modellek kvíz
Review VALL-E’s codec-token language-model approach, its staged token generation, and the conditions behind its reported few-shot voice results.
kérdés 1 -ból 8
Milyen alapötlet különbözteti meg a VALL-E-t a korábbi szövegfelolvasó rendszerektől?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen alapötlet különbözteti meg a VALL-E-t a korábbi szövegfelolvasó rendszerektől?
- Spektrogram előrejelzése helyett nyelvi modellezési feladatként neurális kodek tokeneket jósol meg
- Csak kézzel készített jelfeldolgozást használ
- Óráknyi hangot igényel a célhangszóróból
- Szöveget generál beszédből
- Mennyi referencia hangra van szüksége a VALL-E-nek egy új hangszóró hangjának klónozásához?
- Körülbelül egy óra
- Körülbelül három másodperc
- Egyáltalán nincs referencia hang
- Körülbelül harminc perc
- Melyik neurális kodeket használja a VALL-E az audio tokenek előállításához?
- MP3
- Opus
- EnCodec
- WAV
- Miért használ a VALL-E autoregresszív és nem autoregresszív szakaszt is?
- A beszéd több nyelvre történő lefordítása
- Elválasztani a zenét a beszédtől
- A szövegbevitel tömörítéséhez
- Mivel a kodek tokenek rétegzettek, így a durva tokeneket szekvenciálisan, a finom tokeneket pedig párhuzamosan jósolja meg
- Körülbelül mennyi beszédadatra tanították a VALL-E-t, ami lehetővé tette az erős nullapontos klónozást?
- Körülbelül 60.000 óra
- Körülbelül 100 óra
- Körülbelül 1000 óra
- Körülbelül 10 óra
- A hangszínen kívül mit tud még megőrizni a VALL-E a rövid referencia klipből?
- A beszélő pontos szavai örökre
- A felvétel akusztikus környezete
- A hozzá tartozó videó
- Az eredeti fájlformátum
- 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
- 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