সংযোগবাদী টেম্পোরাল ক্লাসিফিকেশন কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. বক্তৃতা শনাক্তকরণের জন্য CTC কোন মূল সমস্যা সমাধানের জন্য ডিজাইন করা হয়েছিল?
   • ফ্রেম-স্তরের লেবেল ছাড়াই পাঠ্য আউটপুট করার জন্য বিভাগবিহীন অডিও ফ্রেমগুলি সারিবদ্ধ করা
   • স্টোরেজের জন্য অডিও ফাইল কম্প্রেস করা
   • এক ভাষা থেকে অন্য ভাষাতে বক্তৃতা অনুবাদ করা
   • রেকর্ডিং থেকে পটভূমি শব্দ অপসারণ
2. CTC-তে বিশেষ 'ব্ল্যাঙ্ক' টোকেন কিসের জন্য ব্যবহৃত হয়?
   • শুধুমাত্র সম্পূর্ণ বাক্যের শেষে চিহ্নিত করার জন্য
   • 'এখানে কোন নতুন আউটপুট নেই' প্রতিনিধিত্ব করতে এবং প্রকৃত পুনরাবৃত্তি অক্ষর আলাদা করতে
   • ভাষা মডেল সম্ভাব্যতা সংরক্ষণ করতে
   • আসল অডিও ওয়েভফর্মে নীরবতা নির্দেশ করতে
3. কিভাবে CTC একটি লক্ষ্য প্রতিলিপির জন্য ক্ষতি গণনা করে?
   • এটি একক সর্বাধিক সম্ভাব্য প্রান্তিককরণ বাছাই করে এবং বাকিটিকে উপেক্ষা করে
   • এটি ফ্রেমের দ্বারা পিক্সেল মান ফ্রেম তুলনা করে
   • এটি সমস্ত বৈধ ফ্রেম-পাথের সম্ভাব্যতা যোগ করে যা লক্ষ্য পাঠ্যের সাথে ভেঙে যায়
   • এটি সময়ের সাথে অডিও প্রশস্ততা গড় করে
4. একটি ফ্রেম-পাথকে চূড়ান্ত পাঠে পরিণত করতে CTC প্রযোজ্য দুটি ভেঙে পড়া নিয়ম কী কী?
   • অক্ষর বড় করুন, তারপর বিরাম চিহ্ন যোগ করুন
   • ক্রমটি বিপরীত করুন, তারপর স্বরগুলি সরান
   • স্পেস যোগ করুন, তারপর ধ্বনিতে অনুবাদ করুন
   • পরপর পুনরাবৃত্তি অক্ষর একত্রিত করুন, তারপর ফাঁকা টোকেন মুছুন
5. স্ট্যান্ডার্ড CTC তার আউটপুট সম্পর্কে কোন সহজীকরণ অনুমান করে?
   • প্রতিটি ফ্রেমের পূর্বাভাস শর্তসাপেক্ষে অডিও দেওয়া অন্যদের থেকে স্বাধীন
   • আউটপুট পূর্বে নির্গত অক্ষরের উপর ব্যাপকভাবে নির্ভর করে
   • অডিওটি অবশ্যই এক সেকেন্ড দীর্ঘ হতে হবে
   • প্রতিটি চরিত্র ঠিক একটি ফ্রেম নেয়
6. কেন সিটিসি-তে লোভী ডিকোডিংয়ের চেয়ে ফিউজড ল্যাঙ্গুয়েজ মডেলের সাথে বীম অনুসন্ধানকে বেশি পছন্দ করা হয়?
   • এটি প্রতিটি ডিভাইসে দ্রুত চলে
   • এটি CTC-এর অভ্যন্তরীণ ভাষার মডেলের অভাব পূরণ করে, নির্ভুলতা উন্নত করে
   • এটি ফাঁকা টোকেনের প্রয়োজনীয়তা দূর করে
   • এটি নেটওয়ার্ক প্রশিক্ষণের প্রয়োজনীয়তা দূর করে
7. What length constraint does CTC place on an output sequence relative to input frames?
   • The target must always have exactly the same length as the input
   • The target must contain twice as many labels as input frames
   • The target cannot require more output labels than there are input time steps
   • CTC requires a fixed 256-token output
8. How can CTC compute the sum over many valid alignments without explicitly listing every path?
   • By selecting one random path and ignoring all others
   • By running a separate language model for every audio frame
   • By sorting the transcript alphabetically
   • Using a forward-backward dynamic-programming recurrence over an alignment lattice