引导式测验 · 中等 等级
SoundStorm 并行音频生成测验
探索 SoundStorm 的编解码器令牌和基于置信度的并行解码，以及语义调节、RVQ 顺序、语音提示和范围计时。
问题 1 的 8
SoundStorm 与引用的自回归声学基线有何不同？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- SoundStorm 与引用的自回归声学基线有何不同？
- 移除所有已学习的神经组件
- 保证每个 token 层级仅有一步无条件操作
- 并行预测声学 token 位置并进行迭代细化
- 仅生成一个波形样本的要求
- SoundStorm 论文在其建模标记序列中使用哪个注意力方向？
- 双向注意力
- 仅使用强制的因果左到右注意力掩码
- 没有任何形式的 token 交互
- 仅在无注意力的情况下进行循环更新
- SoundStorm 生成什么样的表示形式？
- 直接原始波形采样
- MIDI 音符
- 文字记录
- 来自神经编解码器的离散声学标记
- SoundStorm 摘要中报告了哪些硬件范围的计时结果？
- 每个设备在恰好 0.5 秒内生成所有音频
- 在 TPU‑v4 上，30 秒音频在 0.5 秒内生成
- 30 秒音频始终需要两小时
- 未识别出硬件或时长
- SoundStorm 的层内迭代解码如何使用置信度信息？
- 它根据调度保留选定的高置信度 token 候选
- 它保证置信度等同于事实正确性
- 它仅保留名称在字母顺序中最前的 token
- 它从不预测被掩码的位置
- SoundStorm 通常以什么为条件来控制内容？
- 仅随机噪声
- 固定的旋律
- 图像嵌入
- 来自 AudioLM 或 SPEAR-TTS 等模型的语义标记
- 在所述 SoundStorm 解码层级中，更细的 RVQ 层相对于更粗的层何时采样？
- 在任何更粗层信息可用之前
- 在所需的更粗层 token 已被采样之后
- 仅在所有波形样本已被转写为文本之后
- 没有任何顺序或条件依赖
- 在报告的提示对话设置中，哪种输入提供说话人语音信息，区别于语义内容标记？
- 仅输出文件名
- 仅数字浏览器标签计数
- 包含说话人声音的简短声学提示
- 所需的乐谱图片