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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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