แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบ AudioLM
ทำความเข้าใจว่า AudioLM สร้างโมเดลความต่อเนื่องของเสียงด้วยโทเค็นความหมายและอะคูสติก การแสดงตัวแปลงสัญญาณ และการฝึกอบรมเฉพาะเสียงได้อย่างไร
คำถาม 1 ของ 8
AudioLM ใช้แนวคิดหลักใดในการสร้างเสียง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- AudioLM ใช้แนวคิดหลักใดในการสร้างเสียง
- โดยจะถือว่าเสียงเป็นลำดับของโทเค็นและคาดการณ์โทเค็นถัดไป เช่นเดียวกับโมเดลภาษา
- มันแสดงเสียงจากแผ่นเพลง
- มันสุ่มตัวอย่างเสียงแบบสุ่มโดยไม่มีการเรียนรู้
- มันบันทึกและเล่นซ้ำการแสดงของมนุษย์
- บทบาทของโทเค็น 'ความหมาย' ใน AudioLM คืออะไร
- พวกเขาจับเสียงต่ำและบันทึกเสียงรบกวน
- พวกเขาจับโครงสร้างระยะยาวเช่นสัทศาสตร์และทำนอง
- พวกเขาจัดเก็บการถอดเสียงข้อความ
- พวกเขาควบคุมรูปแบบไฟล์เอาต์พุต
- ตัวแปลงสัญญาณประสาทใดที่สร้างโทเค็นเสียงของ AudioLM
- เอ็มพี3
- เวฟเน็ต
- SoundStream
- กระซิบ
- AudioLM ต้องการอะไรเป็นข้อมูลการฝึกอบรม?
- เสียงที่จับคู่กับการถอดเสียงแบบละเอียด
- ไฟล์ MIDI เท่านั้น
- รูปภาพของรูปคลื่น
- เสียงดิบเพียงอย่างเดียวโดยไม่มีการถอดเสียง
- After AudioLM predicts semantic tokens, how does its hierarchical generation add acoustic detail?
- It predicts coarse acoustic tokens, then fine acoustic tokens
- It predicts fine acoustic tokens, then coarse acoustic tokens
- It predicts coarse acoustic tokens before semantic tokens
- It predicts acoustic tokens without a semantic-token stage
- ระบบใดในภายหลังที่สร้างขึ้นโดยตรงบนแนวทางที่ใช้โทเค็นของ AudioLM
- Stable Diffusion
- MusicLM
- GPT-2
- DALL-E
- Which model does AudioLM use to produce its semantic token sequence?
- A text-only GPT decoder trained on transcripts
- The SoundStream waveform decoder
- A self-supervised w2v-BERT representation model
- A hand-authored MIDI score
- What audio types did the AudioLM paper demonstrate continuing from an audio prompt?
- Only environmental noise and no music
- Spoken text transcripts and MIDI files only
- Images and silent video clips
- Speech and piano music