引导式测验 · 硬 等级

VALL-E 和编解码器语言模型测验

回顾 VALL-E 的编解码器令牌语言模型方法、分阶段令牌生成以及其报告的少量语音结果背后的条件。

相关引导路径Val E 和编解码器语言模型
问题 1 的 8

VALL-E 与早期文本转语音系统的核心思想是什么？

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。

  1. VALL-E 与早期文本转语音系统的核心思想是什么？
    • 它将预测神经编解码器标记作为语言建模任务，而不是预测频谱图
    • 它仅使用手工信号处理
    • 目标扬声器需要数小时的音频
    • 它从语音生成文本
  2. VALL-E 需要多少参考音频来克隆新说话者的声音？
    • 约一小时
    • 约三秒
    • 根本没有参考音频
    • 约三十分钟
  3. VALL-E 使用哪种神经编解码器来生成音频标记？
    • MP3
    • 作品
    • 编解码器
    • 音频格式
  4. 为什么 VALL-E 同时使用自回归和非自回归阶段？
    • 将演讲翻译成多种语言
    • 将音乐与言语分开
    • 压缩文本输入
    • 由于编解码器令牌是分层的，因此它顺序预测粗略令牌并并行预测精细令牌
  5. VALL-E 大约训练了多少语音数据，以实现强大的零样本克隆？
    • 约60,000小时
    • 约100小时
    • 约1,000小时
    • 约10小时
  6. 除了音色之外，VALL-E 还能从短参考片段中保留什么？
    • 说话者的原话永远
    • 录音时的声学环境
    • 随附的视频
    • 原始文件格式
  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