Kvíz spojený s průvodcem · Střední úroveň

Výukový kvíz o vkládání zvuku a reprezentaci

Podívejte se, jak zvuková vložení kóduje zvuk, jak kontrastní školení propojuje zvuk a text a jak se naučené vektory přenášejí mezi úkoly.

Související vodicí cestyVkládání zvuku a učení reprezentace
Otázka 1 z 8

Co je to vkládání zvuku?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co je to vkládání zvuku?
    • Vektor čísel s pevnou délkou představující smysluplné vlastnosti zvuku
    • Komprimovaná verze zvukového souboru ve formátu MP3
    • Písemný přepis mluveného slova
    • Úroveň hlasitosti měřená v decibelech
  2. Proč je učení s vlastním dohledem pro vkládání zvuku tak důležité?
    • Vyžaduje nahrávání zvuku ve studiu
    • Učí se užitečné reprezentace z neoznačeného zvuku, což snižuje potřebu lidských štítků
    • Funguje pouze na hudbu, ne na řeč
    • Zaručuje dokonalou přesnost přepisu
  3. Jak se Wav2Vec 2.0 učí během předtréninku?
    • Překladem zvuku do francouzštiny
    • Tím, že si přesně zapamatujete každý tréninkový soubor
    • Maskováním rozsahů zvuku a předpovídáním správné kvantizované jednotky mezi distraktory
    • Změřením velikosti souboru každého klipu
  4. Co zarovnává model jako CLAP ve sdíleném prostoru pro vkládání?
    • Dva různé snímky videa
    • Pixely a barevné histogramy
    • Úroveň baterie a využití procesoru
    • Zvukové a odpovídající textové popisy
  5. Jaká běžná transformace se často používá, než připojíte zvuk do neuronové sítě?
    • Převod na reprezentaci spektrogramu nebo naučeného filtru
    • Vytisknout to jako noty
    • Trvalé odstranění všech frekvencí nad lidským sluchem
    • Převod na obrázek JPEG obalu alba
  6. Který úkol v reálném světě přímo závisí na porovnávání zvukových vložení?
    • Výpočet kupní ceny skladby
    • Diarizace mluvčího, zjišťování, kdo kdy mluvil
    • Výběr přebalu alba
    • Nastavení jasu obrazovky
  7. During contrastive audio-text training, what happens to a matching audio clip and its text description?
    • They are converted into the same raw waveform
    • The text embedding is discarded
    • Their embeddings are pulled closer while mismatched pairs are pushed apart
    • The audio is assigned a speaker name as a class label
  8. Why can one self-supervised audio embedding be reused across several downstream tasks?
    • It stores the original waveform without compression
    • It contains a manually written label for every possible sound
    • It works only for one speaker and one recording
    • It captures general acoustic structure that can support tasks with little extra labeled data