RNN-ট্রান্সডুসার মডেল কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. CTC এর কোন সীমাবদ্ধতা RNN-Transducer বিশেষভাবে সম্বোধন করে?
   • CTC এর শর্তসাপেক্ষ-স্বাধীনতা অনুমান, যা মডেলিং আউটপুট-টোকেন নির্ভরতা প্রতিরোধ করে
   • CTC মোটেও অডিও প্রক্রিয়া করতে পারে না
   • CTC চালানোর জন্য GPUs প্রয়োজন
   • CTC শুধুমাত্র ছবির জন্য কাজ করে
2. একটি RNN-ট্রান্সডুসারের তিনটি প্রধান উপাদান কী কী?
   • এনকোডার, ডিকোডার এবং বৈষম্যকারী
   • এনকোডার (ট্রান্সক্রিপশন নেটওয়ার্ক), পূর্বাভাস নেটওয়ার্ক এবং যৌথ নেটওয়ার্ক
   • শুধুমাত্র টোকেনাইজার, এমবেডার এবং সফটম্যাক্স
   • দুটি মনোযোগের মাথা এবং একটি রাউটার
3. একটি RNN-T-এ ভবিষ্যদ্বাণী নেটওয়ার্ক কী ভূমিকা পালন করে?
   • এটি অডিও ওয়েভফর্মকে সংকুচিত করে
   • এটি মাইক্রোফোনের ভলিউম পরিমাপ করে
   • এটি একটি ভাষা মডেলের মতো কাজ করে, পূর্বে নির্গত টোকেনগুলিতে কন্ডিশনিং
   • এটি নমুনার হার নির্বাচন করে
4. কেন RNN-T কম-বিলম্বিত স্ট্রিমিংকে এত স্বাভাবিকভাবে সমর্থন করে?
   • এটি কিছু নির্গত করার আগে একবারে পুরো উচ্চারণ প্রক্রিয়া করে
   • এটা সম্পূর্ণরূপে সময় আদেশ উপেক্ষা
   • এটি শুধুমাত্র প্রাক-রেকর্ড করা ফাইলগুলিতে কাজ করে
   • এর সারিবদ্ধকরণ একঘেয়ে এবং বাম-থেকে-ডানে, ফাঁকা সহ অডিওর মাধ্যমে অগ্রসর হয়
5. RNN-T ডিকোডিং-এ, একটি ফাঁকা টোকেন নির্গত করা কি করে?
   • পরবর্তী অডিও সময় ধাপে অগ্রগতি
   • সম্পূর্ণ প্রতিলিপি শেষ করে
   • আগের শব্দ মুছে দেয়
   • একটি ভিন্ন ভাষায় স্যুইচ করে
6. আধুনিক উৎপাদন RNN-T সিস্টেমে কোন এনকোডার প্রকার ক্রমবর্ধমানভাবে LSTM-কে প্রতিস্থাপন করে?
   • সিদ্ধান্ত গাছ
   • কনফর্মার এনকোডার
   • সাধারণ কথার ব্যাগ
   • লুকানো মার্কভ মডেল
7. What two histories condition the RNN-T joint network’s output distribution?
   • Only the future transcript and a speaker photo
   • Only the last acoustic frame, without output context
   • The encoder representation of acoustic input and the prediction-network representation of prior output labels
   • The optimizer state and learning rate
8. What alignment behavior does an RNN-T allow before advancing to the next audio frame?
   • It must emit exactly one label for every frame
   • It advances time only after a word-final token
   • It generates all output before reading any audio
   • It can emit zero or more nonblank labels at the current frame, then a blank advances time