Тест, свързан с ръководство · Среден Ниво

Тест за подравняване на думи с щамповано време на Whisper

Вижте как методите за подравняване на думи на Whisper оценяват времеви отпечатъци и защо принудителното подравняване и кръстосаното внимание имат различни ограничения.

Свързани ръководни пътекиWhisper Подравняване на думи с клеймо за време
Въпрос 1 на 8

Какво добавя подравняването на ниво дума, което липсва на родния изход на Whisper?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво добавя подравняването на ниво дума, което липсва на родния изход на Whisper?
    • Начален и краен час за всяка отделна дума
    • По-висока точност на транскрипция
    • Етикети за самоличност на говорещия
    • Премахване на фонов шум
  2. Кой вътрешен сигнал използва шепотното времево клеймо, за да локализира думите във времето?
    • Амплитудата на аудио вълната
    • Кръстосаното внимание на декодера претегля аудио кадрите
    • Градиентите на оптимизатора
    • Размерът на речника на токенизатора
  3. Why does whisper-timestamped use Dynamic Time Warping during alignment?
    • To translate the transcript into another language
    • To identify the speaker without using audio
    • To find an ordered, monotonic path between token and audio-frame scores
    • To guarantee exact boundaries for every word
  4. Как WhisperX изостря границите на думите в сравнение със суровото внимание?
    • Увеличава честотата на дискретизация
    • Той използва само по-голяма контролна точка Whisper
    • Премахва препинателните знаци
    • Той изпълнява отделен модел за принудително подравняване на текста, базиран на фонема
  5. С каква скорост енкодерът на Whisper създава аудио рамки?
    • Около 50 кадъра в секунда (един на всеки 20 ms)
    • Точно 1 кадър в секунда
    • 1000 кадъра в секунда
    • Един кадър на дума
  6. В какви части с дължина Whisper обработва аудио?
    • 5-секундни парчета
    • 30-секундни парчета
    • 2-минутни хапки
    • Единични проби
  7. What does forced alignment assume is already available?
    • A speaker identity for every sound
    • A translation in every language
    • A transcript to align with the audio
    • A list of subtitle colors
  8. What limitation should users keep in mind when interpreting word timestamps?
    • They prove the transcript is error-free
    • They always identify the speaker correctly
    • They are guaranteed to have millisecond accuracy
    • They are estimates and can be wrong when speech or alignment is difficult