Maswali yanayounganishwa na mwongozo · Ngumu Kiwango

Maswali ya Miundo ya Lugha ya VALL-E na Codec

Kagua mbinu ya modeli ya lugha ya kodeki ya VALL-E, utengenezaji wa tokeni kwa hatua, na masharti ya matokeo yake ya sauti ya risasi chache.

Njia za mwongozo zinazohusianaVall E Na Miundo ya Lugha ya Codec
Swali 1 ya 8

Ni wazo gani la msingi linalotofautisha VALL-E na mifumo ya awali ya maandishi-hadi-hotuba?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Ni wazo gani la msingi linalotofautisha VALL-E na mifumo ya awali ya maandishi-hadi-hotuba?
    • Inatabiri ishara za kodeki za neural kama kazi ya kuiga lugha badala ya kutabiri spectrogram
    • Inatumia usindikaji wa mawimbi uliotengenezwa kwa mikono pekee
    • Inahitaji saa za sauti kutoka kwa spika inayolengwa
    • Inazalisha maandishi kutoka kwa hotuba
  2. Je, VALL-E inahitaji sauti ngapi ili kuunda sauti ya spika mpya?
    • Takriban saa moja
    • Takriban sekunde tatu
    • Hakuna sauti ya marejeleo hata kidogo
    • Takriban dakika thelathini
  3. VALL-E hutumia kodeki gani ya neva ili kutoa tokeni zake za sauti?
    • MP3
    • Opus
    • EnCodeki
    • WAV
  4. Kwa nini VALL-E hutumia hatua ya kujiendesha na isiyo ya kujiendesha?
    • Ili kutafsiri hotuba katika lugha nyingi
    • Kutenganisha muziki na hotuba
    • Ili kubana maandishi
    • Kwa sababu tokeni za kodeki zimewekwa tabaka, kwa hivyo inatabiri ishara mbaya kwa mlolongo na ishara nzuri sambamba.
  5. Takriban ni data ngapi ya matamshi ambayo VALL-E ilifunzwa, kuwezesha uundaji thabiti wa sifuri?
    • Takriban masaa 60,000
    • Karibu masaa 100
    • Takriban masaa 1,000
    • Takriban masaa 10
  6. Kando na timbre, ni nini kingine VALL-E inaweza kuhifadhi kutoka kwa klipu fupi ya marejeleo?
    • Maneno halisi ya mzungumzaji milele
    • Mazingira ya akustisk ya kurekodi
    • Video iliyoambatana nayo
    • Umbizo la faili asili
  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