Тест, свързан с ръководство · Среден Ниво

Тест за обучение по аудио вграждания и представяне

Прегледайте как аудио вгражданията кодират звука, как контрастното обучение свързва аудио и текст и как научените вектори се прехвърлят между задачите.

Свързани ръководни пътекиАудио вграждания и обучение за представяне
Въпрос 1 на 8

Какво е вграждане на аудио?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво е вграждане на аудио?
    • Вектор с фиксирана дължина от числа, представящ значимите характеристики на звука
    • Компресирана MP3 версия на аудио файла
    • Писмен препис на изречени думи
    • Ниво на звука, измерено в децибели
  2. Защо самоконтролираното обучение е толкова важно за вграждането на аудио?
    • Изисква аудио да бъде записано в студио
    • Той научава полезни представяния от немаркирано аудио, намалявайки нуждата от човешки етикети
    • Работи само с музика, не и с реч
    • Гарантира перфектна точност на транскрипцията
  3. Как се учи Wav2Vec 2.0 по време на предварително обучение?
    • Чрез превод на аудио на френски
    • Чрез точно запаметяване на всеки файл с обучение
    • Чрез маскиране на участъци от аудио и предсказване на правилната квантована единица сред разсейващите елементи
    • Чрез измерване на размера на файла на всеки клип
  4. Какво подравнява модел като CLAP в споделено пространство за вграждане?
    • Два различни видео кадъра
    • Пиксели и цветни хистограми
    • Ниво на батерията и използване на процесора
    • Аудио и съответстващи текстови описания
  5. Преди да подадете аудио към невронна мрежа, каква обща трансформация често се прилага?
    • Преобразуването му в спектрограма или научено филтърно представяне
    • Отпечатване като ноти
    • Изтриване за постоянно на всички честоти над човешкия слух
    • Конвертиране в JPEG изображение на корицата на албума
  6. Коя задача от реалния свят разчита директно на сравняване на аудио вграждания?
    • Изчисляване на покупната цена на песен
    • Дневник на говорещия, установяване кой кога е говорил
    • Избор на обложка на албум
    • Настройка на яркостта на екрана
  7. During contrastive audio-text training, what happens to a matching audio clip and its text description?
    • They are converted into the same raw waveform
    • The text embedding is discarded
    • Their embeddings are pulled closer while mismatched pairs are pushed apart
    • The audio is assigned a speaker name as a class label
  8. Why can one self-supervised audio embedding be reused across several downstream tasks?
    • It stores the original waveform without compression
    • It contains a manually written label for every possible sound
    • It works only for one speaker and one recording
    • It captures general acoustic structure that can support tasks with little extra labeled data