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.
Otázka 1 z 8
Co je to vkládání zvuku?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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