Câu đố về mô hình ngôn ngữ VALL-E và Codec

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Ý tưởng cốt lõi nào giúp phân biệt VALL-E với các hệ thống chuyển văn bản thành giọng nói trước đây?
   • Nó dự đoán mã thông báo codec thần kinh như một nhiệm vụ mô hình hóa ngôn ngữ thay vì dự đoán biểu đồ phổ
   • Nó chỉ sử dụng xử lý tín hiệu thủ công
   • Nó đòi hỏi hàng giờ âm thanh từ loa mục tiêu
   • Nó tạo ra văn bản từ lời nói
2. VALL-E cần bao nhiêu âm thanh tham chiếu để sao chép giọng nói của người nói mới?
   • Khoảng một giờ
   • Khoảng ba giây
   • Không có âm thanh tham chiếu nào cả
   • Khoảng ba mươi phút
3. VALL-E sử dụng codec thần kinh nào để tạo mã thông báo âm thanh?
   • MP3
   • tác phẩm
   • mã hóa
   • WAV
4. Tại sao VALL-E sử dụng cả giai đoạn tự hồi quy và không tự hồi quy?
   • Để dịch bài phát biểu sang nhiều ngôn ngữ
   • Để tách âm nhạc khỏi lời nói
   • Để nén văn bản nhập vào
   • Bởi vì các mã thông báo codec được xếp lớp nên nó dự đoán các mã thông báo thô một cách tuần tự và các mã thông báo tốt song song
5. VALL-E đã đào tạo khoảng bao nhiêu dữ liệu giọng nói để cho phép nhân bản không phát âm mạnh mẽ?
   • Khoảng 60.000 giờ
   • Khoảng 100 giờ
   • Khoảng 1.000 giờ
   • Khoảng 10 giờ
6. Ngoài âm sắc, VALL-E còn có thể lưu giữ điều gì khác từ clip tham khảo ngắn?
   • Lời nói chính xác mãi mãi của người nói
   • Môi trường âm thanh của bản ghi
   • Video đi kèm với nó
   • Định dạng tập tin gốc
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