গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

হুইস্পার স্পিচ রিকগনিশন কুইজ

Whisper-এর বহুভাষিক অডিও-টু-টেক্সট ডিজাইন, এর টোকেন-নির্বাচিত কাজগুলি এবং বিস্তৃত প্রশিক্ষণ কভারেজ কী করে এবং গ্যারান্টি দেয় না তা পর্যালোচনা করুন।

সম্পর্কিত গাইড পাথফিসফিস স্পিচ স্বীকৃতি
প্রশ্ন 1 এর 8

মোটামুটিভাবে কত ঘণ্টার অডিও হুইস্পারকে প্রশিক্ষণ দেওয়া হয়েছিল?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. মোটামুটিভাবে কত ঘণ্টার অডিও হুইস্পারকে প্রশিক্ষণ দেওয়া হয়েছিল?
    • 680,000 ঘন্টা
    • 6,800 ঘন্টা
    • 68,000 ঘন্টা
    • 6.8 মিলিয়ন ঘন্টা
  2. এনকোডারের আগে Whisper কাঁচা অডিও থেকে কোন মধ্যবর্তী উপস্থাপনা গণনা করে?
    • একটি কাঁচা তরঙ্গরূপ টেনসর
    • একটি লগ-মেল স্পেকট্রোগ্রাম
    • MFCC ডেল্টা বৈশিষ্ট্য শুধুমাত্র
    • একটি এক-গরম ফোনমে ভেক্টর
  3. কিভাবে একটি একক হুইস্পার মডেল ট্রান্সক্রিপশন এবং অনুবাদের মত একাধিক কাজ সম্পাদন করে?
    • এটি প্রতি টাস্কে একটি ভিন্ন মডেল লোড করে
    • এটি সমান্তরালভাবে পৃথক সূক্ষ্ম-সুরিত মাথা চালায়
    • বিশেষ প্রম্পট টোকেন ডিকোডিংয়ের সময় কাজটি নির্দিষ্ট করে
    • ব্যবহারকারীরা স্পেকট্রোগ্রাম ম্যানুয়ালি সম্পাদনা করে
  4. হুইস্পার কোন সামগ্রিক নিউরাল আর্কিটেকচার ব্যবহার করে?
    • একটি বিভ্রান্তিকর নেটওয়ার্ক
    • একটি পুনরাবৃত্ত LSTM স্ট্যাক
    • একটি প্রসারিত মডেল
    • একটি ট্রান্সফরমার এনকোডার-ডিকোডার
  5. কেন হুইস্পারকে আগের ASR সিস্টেমের তুলনায় বিশেষভাবে শক্তিশালী বলে মনে করা হয়?
    • এটি বিভিন্ন, কোলাহলপূর্ণ বাস্তব-বিশ্বের ওয়েব অডিওতে প্রশিক্ষিত ছিল
    • এটি শুধুমাত্র স্টুডিও-ক্লিন অডিওতে কাজ করে
    • এটি কোন মেশিন লার্নিং ব্যবহার করে না
    • এটি একটি কাস্টম মাইক্রোফোন প্রয়োজন
  6. কোন লাইসেন্সের অধীনে হুইস্পারের মডেল ওজন প্রকাশ করা হয়েছিল?
    • মালিকানা, API-শুধুমাত্র
    • এমআইটি (ওপেন সোর্স)
    • কোন বাণিজ্যিক ব্যবহার ছাড়া GPL
    • ক্রিয়েটিভ কমন্স নন-ডেরিভেটিভ
  7. Approximately how long is each audio segment Whisper converts to a log-Mel spectrogram?
    • 3 seconds
    • 3 minutes
    • 30 seconds
    • 30 মিনিট
  8. What does Whisper’s English-translation task produce from non-English speech?
    • A translated recording in the speaker’s voice
    • Only a transcript in the original language
    • A list of detected speakers
    • An English text translation