وائس باکس فلو میچنگ اسپیچ جنریشن کوئز

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

1. وائس باکس کس واحد تربیتی کام کے لیے موزوں ہے؟
   • آس پاس کے سیاق و سباق اور متن کے پیش نظر نقاب پوش آڈیو کی پیش گوئی
   • اسپیکر کے جذبات کی درجہ بندی کرنا
   • زبانوں کے درمیان متن کا ترجمہ کرنا
   • ڈیپ فیکس کا پتہ لگانا
2. وائس باکس پھیلاؤ کے بجائے کون سی تخلیقی تکنیک استعمال کرتا ہے؟
   • کمک سیکھنے
   • مشروط بہاؤ ملاپ
   • فیصلہ کرنے والے درخت
   • K کا مطلب کلسٹرنگ ہے۔
3. How does Voicebox condition speech generation on a target speaker without retraining?
   • It retrains the model for every speaker
   • It selects from a fixed list of speaker IDs only
   • It uses a short reference segment as unmasked audio context
   • It averages all training speakers into one voice
4. What efficiency result did the Voicebox paper report for its zero-shot TTS comparison?
   • It required 20× more generation time
   • یہ بغیر کسی نیورل نیٹ ورک کے چلتا تھا۔
   • It always produced audio in a single millisecond
   • It generated speech up to 20× faster than the compared VALL-E system in the reported setup
5. Meta نے ابتدائی طور پر وائس باکس کے مکمل ماڈل کو کیوں روکا؟
   • صوتی کلوننگ کے غلط استعمال اور ڈیپ فیکس کے بارے میں خدشات
   • یہ چلانے کے لئے بہت سست تھا
   • یہ صرف ایک زبان میں کام کرتا تھا۔
   • اس نے کوئی قابل استعمال آڈیو تیار نہیں کیا۔
6. ایک ماڈل وائس باکس میں ایڈیٹنگ، کلوننگ اور ڈینوائزنگ کو کیسے ہینڈل کرتا ہے؟
   • ہر کام کے لیے مختلف نیٹ ورک پر سوئچ کر کے
   • سیاق و سباق سے نقاب پوش آڈیو کی پیش گوئی کے طور پر ہر کام کو ترتیب دے کر
   • الگ الگ ٹاسک مخصوص ٹریننگ کا استعمال کرتے ہوئے
   • ہر آؤٹ پٹ کو دستی طور پر اسکرپٹ کرکے
7. How many languages did the Voicebox paper report for its multilingual training setup?
   • One language only
   • Two languages
   • Six languages
   • More than one hundred languages
8. How much speech data did the Voicebox paper report using?
   • About 50 hours
   • About 500 hours
   • More than 50 million hours
   • More than 50,000 hours