Вікторина SoundStorm Parallel Audio Generation

Відповіді та пояснення з’являються під час виконання тесту.

1. Яка зміна покоління відрізняє SoundStorm від наведеної базової авторегресійної акустики?
   • Removal of all learned neural components
   • A guarantee of a single unconditional step for every token level
   • Parallel prediction of acoustic-token positions with iterative refinement
   • A requirement to produce only one waveform sample
2. Який напрямок уваги використовує документ SoundStorm у своїй змодельованій послідовності маркерів?
   • Двостороння увага
   • Only a mandatory causal left-to-right attention mask
   • No token interactions of any kind
   • Only a recurrent update without attention
3. Яке представлення створює SoundStorm?
   • Необроблені зразки сигналу безпосередньо
   • Ноти MIDI
   • Стенограми текстів
   • Дискретні акустичні токени з нейронного кодека
4. Про який апаратний результат синхронізації повідомляється в анотації SoundStorm?
   • Every device generates all audio in exactly 0.5 seconds
   • 30 seconds of audio generated in 0.5 seconds on a TPU-v4
   • 30 seconds of audio always requires two hours
   • No hardware or duration was identified
5. Як внутрішньорівневе ітераційне декодування SoundStorm використовує конфіденційну інформацію?
   • It retains selected confident token candidates according to its schedule
   • It guarantees confidence equals factual correctness
   • It keeps only tokens whose names are alphabetically first
   • It never predicts masked positions
6. Що зазвичай обумовлює SoundStorm для контролю вмісту?
   • Лише випадковий шум
   • Фіксована мелодія
   • Вставлення зображень
   • Семантичні токени з таких моделей, як AudioLM або SPEAR-TTS
7. In the stated SoundStorm decoding hierarchy, when are finer RVQ levels sampled relative to coarser ones?
   • Before any coarser-level information is available
   • After the required coarser-level tokens have been sampled
   • Only after all waveform samples have been printed as text
   • Without any ordering or conditional dependencies
8. What input supplies speaker-voice information in the reported prompted dialogue setup, distinct from semantic content tokens?
   • Only the output filename
   • Only a numerical browser-tab count
   • A short acoustic prompt containing the speakers’ voices
   • A required image of a music score