Викторина, связанная с руководством · Жесткий Уровень

Викторина о VALL-E и языковых моделях кодеков

Ознакомьтесь с языковой моделью кодека-токена VALL-E, его поэтапной генерацией токенов и условиями, лежащими в основе сообщаемых результатов голосовой связи с несколькими кадрами.

Связанные направляющие путиЯзыковые модели Vall E и кодеков
Вопрос 1 из 8

Какая основная идея отличает VALL-E от более ранних систем преобразования текста в речь?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какая основная идея отличает VALL-E от более ранних систем преобразования текста в речь?
    • Он прогнозирует токены нейронных кодеков как задачу языкового моделирования вместо прогнозирования спектрограммы.
    • Он использует только ручную обработку сигналов.
    • Требуются часы звука от целевого динамика.
    • Он генерирует текст из речи
  2. Сколько эталонного звука нужно VALL-E для клонирования голоса нового говорящего?
    • Около часа
    • Около трёх секунд
    • Вообще нет эталонного звука
    • Около тридцати минут
  3. Какой нейронный кодек использует VALL-E для создания аудиотокенов?
    • МП3
    • Опус
    • Энкодек
    • WAV
  4. Почему ВАЛЛ-Э использует как авторегрессионную, так и неавторегрессивную стадию?
    • Чтобы перевести речь на несколько языков
    • Отделить музыку от речи
    • Сжатие ввода текста
    • Поскольку токены кодека являются многоуровневыми, он прогнозирует грубые токены последовательно, а тонкие параллельно.
  5. На каком примерно объеме речевых данных был обучен VALL-E, что позволило обеспечить надежное клонирование с нулевым выстрелом?
    • Около 60 000 часов
    • Около 100 часов
    • Около 1000 часов
    • Около 10 часов
  6. Что еще, кроме тембра, может сохранить VALL-E из короткого референсного ролика?
    • Точные слова говорящего навсегда
    • Акустическая среда записи
    • Видео, которое сопровождало это
    • Исходный формат файла
  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