Questionário vinculado ao guia · Difícil Nível

Questionário sobre modelos de linguagem VALL-E e Codec

Revise a abordagem do modelo de linguagem codec-token do VALL-E, sua geração de tokens encenada e as condições por trás dos resultados de voz de poucos disparos relatados.

Caminhos de guia relacionadosVall E e modelos de linguagem Codec
Pergunta 1 de 8

Qual ideia central distingue o VALL-E dos sistemas anteriores de conversão de texto em voz?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual ideia central distingue o VALL-E dos sistemas anteriores de conversão de texto em voz?
    • Ele prevê tokens de codec neural como uma tarefa de modelagem de linguagem em vez de prever um espectrograma
    • Ele usa apenas processamento de sinal artesanal
    • Requer horas de áudio do alto-falante alvo
    • Ele gera texto a partir da fala
  2. Quanto áudio de referência o VALL-E precisa para clonar a voz de um novo locutor?
    • Cerca de uma hora
    • Cerca de três segundos
    • Nenhum áudio de referência
    • Cerca de trinta minutos
  3. Qual codec neural o VALL-E usa para produzir seus tokens de áudio?
    • MP3
    • obra
    • EnCodec
    • WAV
  4. Por que o VALL-E usa um estágio autorregressivo e um não autorregressivo?
    • Para traduzir o discurso em vários idiomas
    • Para separar a música da fala
    • Para compactar a entrada de texto
    • Como os tokens de codec estão em camadas, ele prevê tokens grosseiros sequencialmente e tokens finos em paralelo
  5. Aproximadamente em quantos dados de fala o VALL-E foi treinado, permitindo uma forte clonagem zero-shot?
    • Cerca de 60.000 horas
    • Cerca de 100 horas
    • Cerca de 1.000 horas
    • Cerca de 10 horas
  6. Além do timbre, o que mais o VALL-E pode preservar do curto clipe de referência?
    • As palavras exatas do orador para sempre
    • O ambiente acústico da gravação
    • O vídeo que o acompanhou
    • O formato de arquivo original
  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