গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
অডিও ক্যাপশনিং কুইজ
Clotho এবং AudioCaps, এনকোডার-ডিকোডার ক্যাপশন, CIDER মূল্যায়ন, এবং মূল Clotho রেফারেন্স সহ অডিও বর্ণনা এবং স্পিচ ট্রান্সক্রিপশন পর্যালোচনা করুন।
প্রশ্ন 1 এর 8
কিভাবে অডিও ক্যাপশনিং স্বয়ংক্রিয় বক্তৃতা স্বীকৃতি থেকে আলাদা?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- কিভাবে অডিও ক্যাপশনিং স্বয়ংক্রিয় বক্তৃতা স্বীকৃতি থেকে আলাদা?
- এটা শুধুমাত্র নীরবতা কাজ করে
- এটা ধীর কিন্তু আউটপুট অভিন্ন
- এটি কথ্য শব্দ প্রতিলিপি করার পরিবর্তে সামগ্রিক শাব্দিক দৃশ্য বর্ণনা করে
- এটি পাঠ্যকে অডিওতে রূপান্তর করে
- Which published datasets supply general-audio descriptions for captioning in this guide?
- MNIST and CIFAR only
- Clotho এবং AudioCaps
- A mandatory bank-transaction table
- Only a raw network-password list
- What architecture does the cited original Clotho baseline use to produce caption words from audio features?
- 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
- অ্যাক্সেসযোগ্যতার জন্য অডিও ক্যাপশন কেন মূল্যবান?
- এটি বধির এবং শ্রবণশক্তিহীন ব্যবহারকারীদের জন্য অ-বক্তৃতা শব্দগুলি বর্ণনা করে৷
- এটি অডিও ভলিউম বাড়ায়
- এটি পটভূমির শব্দ মুছে দেয়
- এটি অডিও এনক্রিপ্ট করে
- Which reference-comparison metric does the Clotho paper use among its caption evaluations?
- RGB color values
- CIDER
- Audio sample rate alone
- Only a decibel reading
- অডিও ক্যাপশনিং একটি প্রধান চলমান চ্যালেঞ্জ কি?
- অডিও ফাইলগুলি প্রক্রিয়া করার জন্য খুব ছোট
- কোন ডেটাসেট উপলব্ধ নেই
- ক্যাপশন শুধুমাত্র একটি শব্দ দীর্ঘ হতে পারে
- নির্ভুল এবং হ্যালুসিনেড বিশদ এড়াতে পারে এমন বর্ণনা তৈরি করা
- How many reference captions per audio file does the original Clotho paper report?
- পাঁচ
- এক
- Fifteen
- একশত
- How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
- 8
- 20
- 64
- 256