اختبار مرتبط بالدليل · صعب المستوى
التقليب اختبار التدريب الثابت
اختبار كيف يتعامل التدريب غير المتغير للترتيب مع مخرجات المتحدث غير المرتبة ولماذا يهم تعيين مستوى الجملة أثناء فصل المتحدثين المتعددين.
سؤال 1 من 8
ما هي المشكلة الأساسية التي يحلها التدريب الثابت (PIT)؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما هي المشكلة الأساسية التي يحلها التدريب الثابت (PIT)؟
- تحديد قناة الإخراج التي يجب أن تتوافق مع المتحدث أثناء التدريب
- ضغط الصوت للتخزين
- تقليل تكاليف أجهزة الميكروفون
- ترجمة الكلام المنفصل إلى نص
- كيف يقرر PIT الخطأ الذي يجب استخدامه عند تحديث النموذج؟
- يقوم بحساب متوسط الخطأ في جميع النواتج بالتساوي
- فهو يحاول كل عملية اقتران بين الإخراج والمصدر ويحتفظ بالاقتران الذي يحتوي على أقل خطأ
- يقوم دائمًا بتعيين أعلى صوت للإخراج 1
- ويتجاهل المراجع تماما
- بدون حل مثل PIT، ما الذي كان يحدث لمخرجات نموذج الفصل؟
- لقد أصبحوا نظيفين تمامًا على الفور
- لقد ركضوا بشكل أسرع بكثير
- لقد أنتجوا مخرجات ضبابية ومتوسطة بسبب تعيينات الملصقات المتضاربة
- لم يحتاجوا إلى بيانات التدريب
- لفصل مكبرات الصوت N، ما عدد التباديل التي يجب أن يأخذها PIT في الاعتبار في كل خطوة؟
- N (خطي في مكبرات الصوت)
- ن تربيع
- دائما بالضبط اثنين
- مضروب N
- ما هي الميزة التي يضيفها PIT (uPIT) على مستوى الكلام مقارنة بالمهمة على مستوى الإطار؟
- فهو يحافظ على المتحدث في قناة إخراج مستقرة عبر الكلام بأكمله
- فإنه يلغي الحاجة إلى أي مراجع
- إنه يعمل فقط على الموسيقى، وليس الكلام
- يضاعف عدد المتحدثين
- ما هو النهج الذي يمكن أن يتجنب مشكلة التقليب تمامًا؟
- زيادة معدل البت الصوت
- استخراج مكبر الصوت المستهدف الذي يعتمد على إشارة صوتية مرجعية
- باستخدام التسجيلات الأحادية فقط
- تعطيل الانتشار العكسي
- What extra inference step does utterance-level PIT avoid compared with frame-level PIT?
- Running speech recognition before source separation
- Estimating the number of microphones in the recording
- Solving an additional output-speaker permutation problem during inference
- Recomputing the training loss after every generated word
- Which benchmark does the guide name as an example for evaluating speech-separation models?
- LibriSpeech for single-speaker transcription
- ImageNet for visual recognition
- GLUE for language understanding
- WSJ0-2mix for overlapping-speaker separation