Kvíz spojený s průvodcem · Střední úroveň
Kvíz RNN-Transducer Models
Pochopte, jak modely RNN-Transducer kombinují akustické snímky a výstupní historii pro úlohy přepisu streamovaných sekvencí.
Otázka 1 z 8
Které omezení CTC konkrétně řeší RNN-Transducer?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Které omezení CTC konkrétně řeší RNN-Transducer?
- Předpoklad podmíněné nezávislosti CTC, který zabraňuje modelování závislostí výstupních tokenů
- CTC neumí zpracovat zvuk vůbec
- CTC vyžaduje ke spuštění GPU
- CTC funguje pouze pro obrázky
- Jaké jsou tři hlavní součásti RNN-Transduceru?
- Kodér, dekodér a diskriminátor
- Kodér (přepisová síť), predikční síť a společná síť
- Pouze tokenizer, embedder a softmax
- Dvě hlavy pozornosti a router
- Jakou roli hraje predikční síť v RNN-T?
- Komprimuje zvukový průběh
- Měří hlasitost mikrofonu
- Funguje jako jazykový model, který je podmíněn dříve vydanými tokeny
- Vybírá vzorkovací frekvenci
- Proč RNN-T tak přirozeně podporuje streamování s nízkou latencí?
- Zpracuje celou promluvu najednou, než cokoliv vydá
- Úplně ignoruje časové pořadí
- Funguje pouze na předem nahrané soubory
- Jeho zarovnání je monotónní a zleva doprava, postupuje zvukem s mezerami
- Co dělá při dekódování RNN-T vysílání prázdného tokenu?
- Přejde na další zvukový časový krok
- Ukončí celý přepis
- Smaže předchozí slovo
- Přepne na jiný jazyk
- Který typ kodéru stále častěji nahrazuje LSTM v moderních produkčních systémech RNN-T?
- Rozhodovací stromy
- Konformní kodéry
- Obyčejný pytlík slov
- Skryté Markovovy modely
- What two histories condition the RNN-T joint network’s output distribution?
- Only the future transcript and a speaker photo
- Only the last acoustic frame, without output context
- The encoder representation of acoustic input and the prediction-network representation of prior output labels
- The optimizer state and learning rate
- What alignment behavior does an RNN-T allow before advancing to the next audio frame?
- It must emit exactly one label for every frame
- It advances time only after a word-final token
- It generates all output before reading any audio
- It can emit zero or more nonblank labels at the current frame, then a blank advances time