Kvíz spojený s průvodcem · Střední úroveň

Whisper Timestamped Word Alignment Kvíz

Podívejte se, jak metody zarovnání slov Whisper odhadují časová razítka a proč mají vynucené zarovnání a křížová pozornost různé limity.

Otázka 1 z 8

Co přidává zarovnání na úrovni slov, co nativnímu výstupu Whisperu chybí?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co přidává zarovnání na úrovni slov, co nativnímu výstupu Whisperu chybí?
    • Čas začátku a konce pro každé jednotlivé slovo
    • Vyšší přesnost přepisu
    • Identifikační štítky reproduktorů
    • Odstranění hluku na pozadí
  2. Který interní signál používá šeptandy s časovým razítkem k nalezení slov v čase?
    • Amplituda zvukové vlny
    • Křížová pozornost dekodéru převažuje nad zvukovými snímky
    • Přechody optimalizátoru
    • Velikost slovní zásoby tokenizeru
  3. Why does whisper-timestamped use Dynamic Time Warping during alignment?
    • To translate the transcript into another language
    • To identify the speaker without using audio
    • To find an ordered, monotonic path between token and audio-frame scores
    • To guarantee exact boundaries for every word
  4. Jak WhisperX vyostřuje hranice slov ve srovnání se syrovou pozorností?
    • Zvyšuje vzorkovací frekvenci
    • Používá pouze větší kontrolní bod Whisper
    • Odstraňuje interpunkci
    • Spouští samostatný model vynuceného zarovnání na bázi fonémů na textu
  5. Jakou rychlostí produkuje Whisperův kodér zvukové snímky?
    • Asi 50 snímků za sekundu (jeden každých 20 ms)
    • Přesně 1 snímek za sekundu
    • 1000 snímků za sekundu
    • Jeden snímek na slovo
  6. V jakých blocích délky Whisper zpracovává zvuk?
    • 5sekundové kousky
    • 30sekundové kousky
    • 2minutové kousky
    • Jednotlivé vzorky
  7. What does forced alignment assume is already available?
    • A speaker identity for every sound
    • A translation in every language
    • A transcript to align with the audio
    • A list of subtitle colors
  8. What limitation should users keep in mind when interpreting word timestamps?
    • They prove the transcript is error-free
    • They always identify the speaker correctly
    • They are guaranteed to have millisecond accuracy
    • They are estimates and can be wrong when speech or alignment is difficult