Kvíz spojený s průvodcem · Střední úroveň

Kvíz s titulkováním zvuku

Prohlédněte si zvukové popisy a přepis řeči pomocí Clotho a AudioCaps, titulků kodéru a dekodéru, vyhodnocení CIDEr a původních odkazů na Clotho.

Související vodicí cestyZvukové titulky
Otázka 1 z 8

Jak se zvukové titulky liší od automatického rozpoznávání řeči?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jak se zvukové titulky liší od automatického rozpoznávání řeči?
    • Funguje pouze na ticho
    • Je pomalejší, ale výstupově stejný
    • Spíše než přepis mluveného slova popisuje celkovou akustickou scénu
    • Převádí text na zvuk
  2. Které publikované datasety poskytují popisy obecných zvuků pro titulkování v této příručce?
    • MNIST and CIFAR only
    • Clotho a AudioCaps
    • A mandatory bank-transaction table
    • Only a raw network-password list
  3. Jakou architekturu používá citovaný původní výchozí model Clotho k vytváření slov titulků ze zvukových příznaků?
    • Only a fixed filename lookup
    • Only a volume meter with no text output
    • Only an unchanged grammar rule list
    • An encoder-decoder scheme with attention
  4. Proč jsou zvukové titulky cenné pro usnadnění přístupu?
    • Popisuje neřečové zvuky pro neslyšící a nedoslýchavé uživatele
    • Zvyšuje hlasitost zvuku
    • Odstraňuje šum na pozadí
    • Šifruje zvuk
  5. Kterou metriku porovnání s referencí používá článek o modelu Clotho při hodnocení svých titulků?
    • RGB color values
    • CIDER
    • Audio sample rate alone
    • Only a decibel reading
  6. Co je hlavní průběžnou výzvou v oblasti zvukových titulků?
    • Zvukové soubory jsou příliš malé na zpracování
    • Nejsou k dispozici žádné datové sady
    • Titulky mohou mít pouze jedno slovo
    • Vytvářejte popisy, které jsou přesné a zároveň se vyhýbají halucinačním detailům
  7. How many reference captions per audio file does the original Clotho paper report?
    • Pět
    • Jeden
    • Fifteen
    • Sto
  8. How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
    • 8
    • 20
    • 64
    • 256