Тест за Wav2Vec 2.0

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв основен проблем в разпознаването на реч е предназначен да адресира Wav2Vec 2.0?
   • Недостигът на етикетирано (транскрибирано) аудио
   • Аудио файловете са твърде големи за съхранение
   • Микрофоните са твърде скъпи
   • Текстът е труден за токенизиране
2. Каква учебна цел използва Wav2Vec 2.0 по време на предварителното обучение?
   • Директна фонемна класификация с пълни етикети
   • Контрастна загуба върху маскирани латентни сегменти
   • Пикселна реконструкция
   • Подсилващо обучение от човешка обратна връзка
3. Кой компонент първо обработва необработената форма на вълната в Wav2Vec 2.0?
   • Повтарящ се LSTM
   • Дифузионен пробоотборник
   • Многослоен енкодер на функции на CNN
   • Ръчно изработен екстрактор MFCC
4. In a reported LibriSpeech experiment, what small labeled-data setup demonstrated low-label potential?
   • 10 minutes unlabeled with no pretraining
   • 53,000 hours labeled with no pretraining
   • One hour labeled with no unlabeled data
   • 10 minutes labeled after pretraining on 53,000 hours of unlabeled speech
5. Каква е ролята на научената кодова книга в Wav2Vec 2.0?
   • Той дискретизира непрекъснатото аудио в ограничени речеви единици
   • Той съхранява потребителски пароли
   • Той компресира крайния препис
   • Той избира усилването на микрофона
6. Кой голям многоезичен модел е изграден върху подхода Wav2Vec 2.0?
   • GPT-2
   • XLS-R
   • Stable Diffusion
   • ResNet-50
7. What does the Transformer contribute during Wav2Vec 2.0 pretraining?
   • Converts transcripts into audio
   • Clusters final text into language labels
   • Contextualizes latent speech features around masked spans
   • Removes the feature encoder
8. What is typically done after self-supervised pretraining to create an ASR model?
   • Replace the audio encoder with an image classifier
   • Train only on unlabeled text
   • Discard the model and use k-means alone
   • Fine-tune with transcribed speech