Kuis Model Bahasa VALL-E dan Codec

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Ide inti apa yang membedakan VALL-E dari sistem text-to-speech sebelumnya?
   • Ini memprediksi token codec saraf sebagai tugas pemodelan bahasa alih-alih memprediksi spektogram
   • Ini hanya menggunakan pemrosesan sinyal buatan tangan
   • Ini membutuhkan audio berjam-jam dari speaker target
   • Ini menghasilkan teks dari ucapan
2. Berapa banyak audio referensi yang dibutuhkan VALL-E untuk mengkloning suara pembicara baru?
   • Sekitar satu jam
   • Sekitar tiga detik
   • Tidak ada audio referensi sama sekali
   • Sekitar tiga puluh menit
3. Codec saraf manakah yang digunakan VALL-E untuk menghasilkan token audionya?
   • MP3
   • Karya
   • EnCodec
   • WAV
4. Mengapa VALL-E menggunakan tahap autoregresif dan non-autoregresif?
   • Untuk menerjemahkan pidato ke berbagai bahasa
   • Untuk memisahkan musik dari ucapan
   • Untuk mengompresi input teks
   • Karena token codec berlapis, sehingga memprediksi token kasar secara berurutan dan token halus secara paralel
5. Kira-kira berapa banyak data ucapan yang dilatih oleh VALL-E, sehingga memungkinkan kloning zero-shot yang kuat?
   • Sekitar 60.000 jam
   • Sekitar 100 jam
   • Sekitar 1.000 jam
   • Sekitar 10 jam
6. Selain timbre, apa lagi yang bisa VALL-E pertahankan dari klip referensi pendek tersebut?
   • Kata-kata yang tepat dari pembicara selamanya
   • Lingkungan akustik rekaman
   • Video yang menyertainya
   • Format file aslinya
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