引導式測驗 · 硬 等級

VALL-E 和編解碼器語言模型測驗

回顧 VALL-E 的編解碼器令牌語言模型方法、分階段令牌生成以及其報告的少量語音結果背後的條件。

問題 1 的 8

VALL-E 與早期文字轉語音系統的核心思想是什麼?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. VALL-E 與早期文字轉語音系統的核心思想是什麼?
    • 它將預測神經編解碼器標記作為語言建模任務,而不是預測頻譜圖
    • 它僅使用手動信號處理
    • 目標揚聲器需要數小時的音頻
    • 它從語音生成文本
  2. VALL-E 需要多少參考音訊來複製新說話者的聲音?
    • 約一小時
    • 約三秒
    • 根本沒有參考音訊
    • 約三十分鐘
  3. VALL-E 使用哪種神經編解碼器來產生音訊標記?
    • MP3
    • 作品
    • 編解碼器
    • 音訊格式
  4. 為什麼 VALL-E 同時使用自迴歸和非自迴歸階段?
    • 將演講翻譯成多種語言
    • 將音樂與言語分開
    • 壓縮文字輸入
    • 由於編解碼器令牌是分層的,因此它順序預測粗略令牌並並行預測精細令牌
  5. VALL-E 大約訓練了多少語音數據,以實現強大的零樣本克隆?
    • 約60,000小時
    • 約100小時
    • 約1,000小時
    • 約10小時
  6. 除了音色之外,VALL-E 還能從短參考片段中保留什麼?
    • 說話者的原話永遠
    • 錄音時的聲學環境
    • 隨附的視頻
    • 原始文件格式
  7. VALL‑E 在示範設定中以什麼作為條件來模仿目標說話者?
    • 僅有照片與書面傳記
    • 每個目標說話者錄音的長篇標註文字稿
    • 該說話者的短音訊提示加上要說的文字
    • 沒有音訊範例的說話者 ID
  8. VALL‑E 論文使用什麼文字表示作為其文字到程式碼模型的輸入?
    • 目標語句的原始波形
    • 說話者的臉部嵌入
    • MIDI 音符列表
    • 音素序列