Kvíz spojený s průvodcem · Střední úroveň
Skóre spolehlivosti ASR a kalibrační kvíz
Testujte spolehlivost slov ASR, nezpracované versus kalibrované skóre, grafy spolehlivosti, prahové kompromisy, chyby s vysokou spolehlivostí a kontrolu člověkem.
Otázka 1 z 8
Dekodér dává slovní skóre 0,9. Co je potřeba, než to nazveme pravděpodobností 90% správnosti?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Dekodér dává slovní skóre 0,9. Co je potřeba, než to nazveme pravděpodobností 90% správnosti?
- Sama o sobě větší slovní zásoba
- Vyleštěné zobrazení čísla
- Předložený důkaz kalibrace pro daný model a nastavení
- Nejlepší skóre dekodéru bez referenčního testování
- Co porovnává graf spolehlivosti?
- Předpokládaná spolehlivost s pozorovanou správností napříč skupinami skóre
- Délka slova versus délka zvuku
- Věk mluvčího versus velikost slovní zásoby
- Datový tok souboru versus počet interpunkce
- Proč může být vysoká agregovaná kalibrace pro příkaz k platbě nedostatečná?
- Každé kritické číslo sdílí průměrnou chybovost
- A high score constitutes authorization
- Calibration prevents all rare-word errors
- Rare amounts or names may have different error patterns
- A review threshold catches more transcription errors but flags many correct words. What tradeoff is this?
- Higher detection with no review cost
- Higher error detection with more unnecessary human review
- A change in reference transcript length
- Proof that all errors were fixed
- Why should editors still sample some high-confidence words?
- High confidence guarantees correctness
- Sampling changes the trained model weights
- Confidently wrong recognitions can escape low-score filters
- Only low-score words can be wrong
- How can a new microphone affect confidence interpretation?
- The score-to-correctness relationship may drift
- Microphones never change acoustic conditions
- Calibration is fixed across every device
- Only the human reference changes
- Which use fits ASR confidence best?
- Authenticate the speaker’s legal identity
- Replace all source-audio review
- Certify no semantic errors
- Prioritize uncertain spans and request confirmation where mistakes matter
- What should be reported alongside confidence calibration?
- Only model file size
- How well scores separate wrong from correct words and under what conditions
- Only transcript display design
- Only the number of output words