Questionário sobre modelo de áudio generativo Bark

As respostas e explicações aparecem conforme você responde ao teste.

1. O que torna o Bark diferente de um mecanismo tradicional de conversão de texto em fala?
   • Pode gerar sons não-verbais como risos e música, não apenas fala
   • Ele produz apenas fala robótica limpa
   • Requer uma amostra de voz gravada para cada saída
   • Ele converte áudio em texto
2. Quem lançou o modelo Bark?
   • OpenAI
   • Suno
   • Google DeepMind
   • Meta
3. Como o Bark gera áudio fundamentalmente?
   • Unindo fonemas pré-gravados
   • Aplicando filtros a uma gravação de referência
   • Prevendo tokens de áudio discretos de forma autorregressiva, como um modelo de linguagem
   • Renderizando notas MIDI
4. Qual codec neural Bark usa para transformar tokens em forma de onda?
   • MP3
   • FLAC
   • WaveNet
   • EnCodec de Meta
5. Por que o mesmo prompt do Bark pode produzir resultados diferentes a cada vez?
   • A geração é probabilística, então cada execução amostra uma sequência diferente
   • Ele armazena em cache as saídas aleatoriamente
   • Sempre ocorre erros em prompts repetidos
   • Depende da hora do dia
6. Qual é a desvantagem conhecida do Bark em comparação com sistemas TTS dedicados?
   • Não pode falar nenhuma língua
   • Pode alucinar sons extras e é menos controlável
   • Só funciona off-line
   • Produz áudio silencioso
7. What does Bark’s semantic-to-coarse stage produce?
   • A transcript of the generated waveform
   • A mel-spectrogram with no audio tokens
   • The first two EnCodec audio codebooks
   • An image embedding
8. How can a Bark prompt request a nonverbal event such as laughter?
   • Add an image mask to the audio tokens
   • Train a new EnCodec model for every cue
   • Convert the cue to a CSV file
   • Include a cue such as [laughs] in the text prompt