Тест за аудио надписи

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. По какво се различават аудио надписите от автоматичното разпознаване на реч?
   • Работи само при мълчание
   • Той е по-бавен, но идентичен като резултат
   • Той описва цялостната акустична сцена, вместо да транскрибира изговорени думи
   • Преобразува текст в аудио
2. Кои публикувани набори от данни предоставят общи аудио описания за надписи в това ръководство?
   • MNIST and CIFAR only
   • Clotho и AudioCaps
   • A mandatory bank-transaction table
   • Only a raw network-password list
3. Каква архитектура използва цитираната оригинална базова линия на Clotho, за да създаде надписи от аудио функции?
   • Only a fixed filename lookup
   • Only a volume meter with no text output
   • Only an unchanged grammar rule list
   • An encoder-decoder scheme with attention
4. Защо аудио надписите са ценни за достъпността?
   • Той описва неговорни звуци за глухи и хора с увреден слух
   • Увеличава силата на звука
   • Изтрива фоновия шум
   • Той криптира аудиото
5. Кой показател за референтно сравнение използва хартията Clotho сред своите оценки на надписи?
   • RGB color values
   • САЙДЕР
   • Audio sample rate alone
   • Only a decibel reading
6. Какво е основното продължаващо предизвикателство в аудио надписите?
   • Аудио файловете са твърде малки за обработка
   • Няма налични набори от данни
   • Надписите могат да бъдат дълги само една дума
   • Създаване на описания, които са едновременно точни и избягват халюцинирани подробности
7. How many reference captions per audio file does the original Clotho paper report?
   • Пет
   • един
   • Fifteen
   • сто
8. How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
   • 8
   • 20
   • 64
   • 256