بارک جنریٹو آڈیو ماڈل کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. کیا چیز بارک کو روایتی ٹیکسٹ ٹو اسپیچ انجن سے مختلف بناتی ہے؟
   • یہ ہنسی اور موسیقی جیسی غیر زبانی آوازیں پیدا کر سکتا ہے، نہ کہ صرف تقریر
   • یہ صرف صاف روبوٹک تقریر کو آؤٹ پٹ کرتا ہے۔
   • اسے ہر آؤٹ پٹ کے لیے ریکارڈ شدہ آواز کا نمونہ درکار ہوتا ہے۔
   • یہ آڈیو کو متن میں تبدیل کرتا ہے۔
2. بارک ماڈل کس نے جاری کیا؟
   • OpenAI
   • Suno
   • Google ڈیپ مائنڈ
   • Meta
3. بارک بنیادی طور پر آڈیو کیسے تیار کرتا ہے؟
   • پہلے سے ریکارڈ شدہ فونیمز کو ایک ساتھ سلائی کرکے
   • ریفرنس ریکارڈنگ پر فلٹرز لگا کر
   • مجرد آڈیو ٹوکنز کی خود بخود کسی زبان کے ماڈل کی طرح پیش گوئی کر کے
   • MIDI نوٹ پیش کرکے
4. ٹوکن کو موج میں تبدیل کرنے کے لیے بارک کون سا نیورل کوڈیک استعمال کرتا ہے؟
   • MP3
   • FLAC
   • ویو نیٹ
   • Meta کا EnCodec
5. ایک ہی بارک پرامپٹ ہر بار مختلف نتائج کیوں دے سکتا ہے؟
   • جنریشن ممکنہ ہے، لہذا ہر رن ایک مختلف ترتیب کا نمونہ پیش کرتا ہے۔
   • یہ تصادفی طور پر آؤٹ پٹ کیش کرتا ہے۔
   • یہ ہمیشہ دوبارہ اشارے پر غلطیاں کرتا ہے۔
   • یہ دن کے وقت پر منحصر ہے۔
6. وقف شدہ TTS سسٹمز کے مقابلے میں بارک کی معروف خرابی کیا ہے؟
   • یہ کوئی زبان نہیں بول سکتا
   • یہ اضافی آوازوں کو گمراہ کر سکتا ہے اور کم قابل کنٹرول ہے۔
   • یہ صرف آف لائن کام کرتا ہے۔
   • یہ خاموش آڈیو تیار کرتا ہے۔
7. What does Bark’s semantic-to-coarse stage produce?
   • A transcript of the generated waveform
   • A mel-spectrogram with no audio tokens
   • The first two EnCodec audio codebooks
   • An image embedding
8. How can a Bark prompt request a nonverbal event such as laughter?
   • Add an image mask to the audio tokens
   • Train a new EnCodec model for every cue
   • Convert the cue to a CSV file
   • Include a cue such as [laughs] in the text prompt