Kvíz spojený s průvodcem · Střední úroveň
Kvíz o vkládání reproduktorů X-Vector
Prohlédněte si x-vector identity prvky, TDNN časový kontext, shromažďování statistik, skryté vrstvy vložení a skórovací metody pro srovnání reproduktorů.
Otázka 1 z 8
What information is a speaker-recognition x-vector designed to emphasize?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- What information is a speaker-recognition x-vector designed to emphasize?
- Only the exact words spoken as text
- Only the recording's file format
- A guaranteed identity proof unaffected by recording conditions
- Speaker-related characteristics rather than a transcript of the utterance
- Která vrstva promění promluvu s proměnnou délkou na jeden vektor s pevnou délkou v síti vektorů x?
- Konvoluční obrazový filtr
- Vrstva sdružující statistiky, která počítá střední hodnotu a standardní odchylku v čase
- Výpadková vrstva
- Finální softmax použitý jako samotné vložení
- Jaký typ neuronové sítě se tradičně používá k extrakci x-vektorů?
- Generativní nepřátelská síť
- Soubor rozhodovacího stromu
- Neuronová síť s časovým zpožděním (TDNN)
- Prostá lineární regrese
- Jak se obvykle porovnávají dva x-vektory, aby se rozhodlo, zda pocházejí ze stejného reproduktoru?
- Kosinovou podobností nebo backendem PLDA
- Počítáním odpovídajících slov
- Porovnáním velikostí souborů
- Kontrolou vzorkovací frekvence zvuku
- Which established representation supplied comparison baselines in the 2018 x-vector speaker-recognition study?
- A visual image-token embedding
- A text-only word-count vector
- i-vektory
- An audio file-size histogram
- Která novější architektura vylepšuje klasický x-vector s pozorností kanálu a pozorným shromažďováním statistik?
- ResNet-50 pro obrázky
- GPT-2
- YOLO
- ECAPA-TDNN
- Why is the classic x-vector extracted from a hidden segment-level layer rather than used as the final training-speaker softmax output?
- The hidden representation can be compared as an embedding instead of being limited to probabilities for the training speaker labels
- The hidden layer contains the recording's text transcript
- Softmax probabilities are the only place where acoustic information exists
- Hidden layers cannot process an unseen recording
- What does a time-delay layer contribute before statistics pooling in an x-vector extractor?
- It stores only a single final filename
- It combines information from neighboring acoustic frames, building temporal context
- It assigns a new random speaker label to every frame
- It removes all time information before any acoustic processing