Kvíz spojený s průvodcem · Střední úroveň
Kvíz o architektuře DeepSpeech
Prozkoumejte akustické funkce DeepSpeech, opakující se kontext, výstupy znaků, zarovnání CTC a kontext potřebný pro offline nebo živé rozpoznávání.
Otázka 1 z 8
Jaká ztrátová funkce umožňuje trénovat DeepSpeech bez zarovnání na úrovni snímku mezi zvukem a textem?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká ztrátová funkce umožňuje trénovat DeepSpeech bez zarovnání na úrovni snímku mezi zvukem a textem?
- Střední kvadratická chyba
- Křížová entropie přes okna s pevnou délkou
- Connectionist Temporal Classification (CTC)
- Trojnásobná ztráta
- Jaká byla hlavní architektonická filozofie, kterou DeepSpeech popularizoval?
- Kompletní trénování jedné neuronové sítě od zvukových funkcí po text
- Rozdělení rozpoznávání do mnoha ručně vytvořených samostatných komponent
- Používat pouze fonetické slovníky založené na pravidlech
- Rozpoznávání řeči čistě pomocí shody šablon
- Proč DeepSpeech používá obousměrnou rekurentní vrstvu?
- Pro komprimaci velikosti audio souboru
- Poskytnout každému předpovědnímu kontextu z minulých i budoucích snímků
- K překladu mezi jazyky
- Chcete-li odstranit potřebu jakýchkoli tréninkových dat
- Na jakých vstupních funkcích DeepSpeech obvykle funguje?
- Nezpracovaná pixelová data
- Předem psané textové přepisy
- Značky komprimovaných metadat MP3
- Funkce spektrogramu nebo MFCC počítané přes krátké zvukové snímky
- Co se často přidává v době dekódování, aby se zlepšil výběr slov a pravopis DeepSpeech?
- Externí jazykový model (např. n-gramový model)
- Druhý mikrofon
- Větší klasifikátor obrázků
- Hardwarový šifrovací čip
- What does the original DeepSpeech output layer predict at each acoustic time step?
- A fixed speaker-identity vector only
- A single complete translated document with no time steps
- A probability distribution over character labels and the CTC blank
- The recording's filename and compression format
- How does CTC relate an acoustic-frame label path to the final DeepSpeech transcript?
- It sorts all character labels alphabetically
- It requires exactly one audio frame for each word
- It keeps every repeated frame label as a separate written character
- It collapses repetitions and removes blank symbols according to the CTC rule
- Why does original DeepSpeech's bidirectional acoustic context matter when designing a live recognizer?
- Bidirectional recurrence needs no future observations
- Future-frame context requires lookahead or waiting, so it is not automatically zero-lookahead streaming
- The network can know later audio before it is recorded
- A character language model removes all buffering requirements