অডিও এমবেডিং এবং রিপ্রেজেন্টেশন লার্নিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি অডিও এমবেডিং কি?
   • একটি শব্দের অর্থপূর্ণ বৈশিষ্ট্য উপস্থাপন করে সংখ্যার একটি নির্দিষ্ট দৈর্ঘ্য ভেক্টর
   • অডিও ফাইলের একটি সংকুচিত MP3 সংস্করণ
   • কথ্য শব্দের একটি লিখিত প্রতিলিপি
   • ডেসিবেলে পরিমাপ করা একটি ভলিউম স্তর
2. কেন স্ব-তত্ত্বাবধানে শেখা অডিও এম্বেডিংয়ের জন্য এত গুরুত্বপূর্ণ?
   • এটি একটি স্টুডিওতে অডিও রেকর্ড করা প্রয়োজন
   • এটি লেবেলবিহীন অডিও থেকে দরকারী উপস্থাপনা শেখে, মানুষের লেবেলের প্রয়োজনীয়তা হ্রাস করে
   • এটি শুধুমাত্র সঙ্গীতের উপর কাজ করে, বক্তৃতা নয়
   • এটি নিখুঁত প্রতিলিপি নির্ভুলতার গ্যারান্টি দেয়
3. কিভাবে Wav2Vec 2.0 pretraining সময় শিখে?
   • ফরাসি ভাষায় অডিও অনুবাদ করে
   • প্রতিটি প্রশিক্ষণ ফাইল হুবহু মুখস্ত করে
   • অডিওর স্প্যান মাস্ক করে এবং ডিস্ট্রাক্টরদের মধ্যে সঠিক কোয়ান্টাইজড ইউনিটের ভবিষ্যদ্বাণী করে
   • প্রতিটি ক্লিপের ফাইলের আকার পরিমাপ করে
4. CLAP এর মত একটি মডেল কি একটি শেয়ার্ড এমবেডিং স্পেসে সারিবদ্ধ করে?
   • দুটি ভিন্ন ভিডিও ফ্রেম
   • পিক্সেল এবং রঙের হিস্টোগ্রাম
   • ব্যাটারি স্তর এবং CPU ব্যবহার
   • অডিও এবং মেলে পাঠ্য বিবরণ
5. একটি নিউরাল নেটওয়ার্কে অডিও খাওয়ানোর আগে, কোন সাধারণ রূপান্তরটি প্রায়শই প্রয়োগ করা হয়?
   • এটিকে একটি বর্ণালীগ্রামে রূপান্তর করা বা শিখা ফিল্টার উপস্থাপনা
   • শীট সঙ্গীত হিসাবে এটি মুদ্রণ
   • মানুষের শ্রবণের উপরের সমস্ত ফ্রিকোয়েন্সি স্থায়ীভাবে মুছে ফেলা হচ্ছে
   • এটিকে অ্যালবামের কভারের একটি JPEG ছবিতে রূপান্তর করা হচ্ছে
6. কোন বাস্তব-বিশ্বের কাজটি সরাসরি অডিও এম্বেডিংয়ের তুলনা করার উপর নির্ভর করে?
   • একটি গানের ক্রয় মূল্য গণনা করা হচ্ছে
   • স্পীকার ডায়েরাইজেশন, কে কখন কথা বলেছিল তা বের করা
   • অ্যালবাম কভার আর্টওয়ার্ক নির্বাচন
   • স্ক্রিনের উজ্জ্বলতা সেট করা হচ্ছে
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