ガイド連動クイズ · 中 レベル

SoundStorm 並列オーディオ生成クイズ

セマンティック条件付け、RVQ 順序、音声プロンプト、およびスコープ指定されたタイミングを使用して、SoundStorm のコーデック トークンと信頼度ベースの並列デコーディングを探索します。

関連するガイドパスサウンドストームの並列オーディオ生成
質問 1 の 8

What generation change distinguishes SoundStorm from the cited autoregressive acoustic baseline?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. What generation change distinguishes SoundStorm from the cited autoregressive acoustic baseline?
    • Removal of all learned neural components
    • A guarantee of a single unconditional step for every token level
    • Parallel prediction of acoustic-token positions with iterative refinement
    • A requirement to produce only one waveform sample
  2. Which attention direction does the SoundStorm paper use within its modeled token sequence?
    • 双方向の注意
    • Only a mandatory causal left-to-right attention mask
    • No token interactions of any kind
    • Only a recurrent update without attention
  3. SoundStorm はどのような表現を生成しますか?
    • 生の波形を直接サンプルする
    • MIDIノート
    • テキストトランスクリプト
    • ニューラル コーデックからの離散音響トークン
  4. What hardware-scoped timing result is reported in the SoundStorm abstract?
    • Every device generates all audio in exactly 0.5 seconds
    • 30 seconds of audio generated in 0.5 seconds on a TPU-v4
    • 30 seconds of audio always requires two hours
    • No hardware or duration was identified
  5. How does SoundStorm’s within-level iterative decoding use confidence information?
    • It retains selected confident token candidates according to its schedule
    • It guarantees confidence equals factual correctness
    • It keeps only tokens whose names are alphabetically first
    • It never predicts masked positions
  6. SoundStorm は通常、コンテンツを制御するために何を条件としていますか?
    • ランダムノイズのみ
    • 決まったメロディー
    • 画像の埋め込み
    • AudioLM や SPEAR-TTS などのモデルからのセマンティック トークン
  7. In the stated SoundStorm decoding hierarchy, when are finer RVQ levels sampled relative to coarser ones?
    • Before any coarser-level information is available
    • After the required coarser-level tokens have been sampled
    • Only after all waveform samples have been printed as text
    • Without any ordering or conditional dependencies
  8. What input supplies speaker-voice information in the reported prompted dialogue setup, distinct from semantic content tokens?
    • Only the output filename
    • Only a numerical browser-tab count
    • A short acoustic prompt containing the speakers’ voices
    • A required image of a music score