Kvíz spojený s průvodcem · Střední úroveň

Kvíz Wav2Vec 2.0

Otestujte předtréninkový recept Wav2Vec 2.0 s vlastním dohledem, kontrastní objektiv a limity jeho nízkých výsledků LibriSpeech.

Související vodicí cestyWav2vec 20
Otázka 1 z 8

Jaký hlavní problém v rozpoznávání řeči měl Wav2Vec 2.0 řešit?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký hlavní problém v rozpoznávání řeči měl Wav2Vec 2.0 řešit?
    • Nedostatek označeného (přepsaného) zvuku
    • Zvukové soubory jsou pro uložení příliš velké
    • Mikrofony jsou příliš drahé
    • Text se obtížně tokenizuje
  2. Jaký druh učebního cíle používá Wav2Vec 2.0 během předtréninku?
    • Přímá klasifikace fonémů s plnými popisky
    • Kontrastní ztráta na maskovaných latentních segmentech
    • Rekonstrukce pixelů
    • Posílení učení z lidské zpětné vazby
  3. Která komponenta nejprve zpracuje nezpracovaný tvar vlny ve Wav2Vec 2.0?
    • Opakující se LSTM
    • Difuzní vzorkovač
    • Vícevrstvý kodér funkcí CNN
    • Ručně vyrobený MFCC extraktor
  4. In a reported LibriSpeech experiment, what small labeled-data setup demonstrated low-label potential?
    • 10 minutes unlabeled with no pretraining
    • 53,000 hours labeled with no pretraining
    • One hour labeled with no unlabeled data
    • 10 minutes labeled after pretraining on 53,000 hours of unlabeled speech
  5. Jaká je role naučeného kódového seznamu ve Wav2Vec 2.0?
    • Diskretizuje spojitý zvuk do konečných jednotek řeči
    • Ukládá uživatelská hesla
    • Zkomprimuje konečný přepis
    • Vybírá zesílení mikrofonu
  6. Který velký vícejazyčný model je postaven na přístupu Wav2Vec 2.0?
    • GPT-2
    • XLS-R
    • Stable Diffusion
    • ResNet-50
  7. What does the Transformer contribute during Wav2Vec 2.0 pretraining?
    • Converts transcripts into audio
    • Clusters final text into language labels
    • Contextualizes latent speech features around masked spans
    • Removes the feature encoder
  8. What is typically done after self-supervised pretraining to create an ASR model?
    • Replace the audio encoder with an image classifier
    • Train only on unlabeled text
    • Discard the model and use k-means alone
    • Fine-tune with transcribed speech