VALL-E ve Codec Dil Modelleri Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. VALL-E'yi daha önceki metin-konuşma sistemlerinden ayıran temel fikir nedir?
   • Bir spektrogramı tahmin etmek yerine, bir dil modelleme görevi olarak sinir kodlayıcı belirteçlerini tahmin eder
   • Yalnızca el işi sinyal işlemeyi kullanır
   • Hedef konuşmacıdan saatlerce ses alınmasını gerektirir
   • Konuşmadan metin üretir
2. VALL-E'nin yeni bir konuşmacının sesini kopyalamak için ne kadar referans sese ihtiyacı var?
   • Yaklaşık bir saat
   • Yaklaşık üç saniye
   • Hiçbir referans sesi yok
   • Yaklaşık otuz dakika
3. VALL-E, ses belirteçlerini üretmek için hangi sinir kodeğini kullanıyor?
   • MP3
   • Eser
   • Kodlama
   • WAV
4. VALL-E neden hem otoregresif hem de otoregresif olmayan aşamayı kullanıyor?
   • Konuşmayı birden fazla dile çevirmek için
   • Müziği konuşmadan ayırmak için
   • Metin girişini sıkıştırmak için
   • Codec belirteçleri katmanlı olduğundan, kaba belirteçleri sırayla ve ince belirteçleri paralel olarak tahmin eder
5. VALL-E kabaca ne kadar konuşma verisi üzerinde eğitildi ve bu da güçlü sıfır atışlı klonlamayı mümkün kıldı?
   • Yaklaşık 60.000 saat
   • Yaklaşık 100 saat
   • Yaklaşık 1000 saat
   • Yaklaşık 10 saat
6. Tını dışında VALL-E kısa referans klibinden başka neleri koruyabilir?
   • Konuşmacının sonsuza kadar aynı sözleri
   • Kaydın akustik ortamı
   • Ona eşlik eden video
   • Orijinal dosya formatı
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