Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Αρχιτεκτονικής DeepSpeech

Εξερευνήστε ακουστικές λειτουργίες DeepSpeech, επαναλαμβανόμενο περιβάλλον, εξόδους χαρακτήρων, ευθυγραμμίσεις CTC και το περιβάλλον που απαιτείται για αναγνώριση εκτός σύνδεσης ή ζωντανή αναγνώριση.

Σχετικές διαδρομές οδηγώνΑρχιτεκτονική Deepspeech
Ερώτηση 1 του 8

Ποια λειτουργία απώλειας επιτρέπει στο DeepSpeech να εκπαιδεύεται χωρίς ευθυγράμμιση σε επίπεδο καρέ μεταξύ ήχου και κειμένου;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια λειτουργία απώλειας επιτρέπει στο DeepSpeech να εκπαιδεύεται χωρίς ευθυγράμμιση σε επίπεδο καρέ μεταξύ ήχου και κειμένου;
    • Μέσο τετράγωνο σφάλμα
    • Διασταυρούμενη εντροπία σε παράθυρα σταθερού μήκους
    • Συνδετική χρονική ταξινόμηση (CTC)
    • Απώλεια τριπλής
  2. Ποια ήταν η κύρια αρχιτεκτονική φιλοσοφία που εξέδωσε το DeepSpeech;
    • Εκπαίδευση από άκρο σε άκρο ενός μεμονωμένου νευρωνικού δικτύου από χαρακτηριστικά ήχου έως κείμενο
    • Διαχωρισμός της αναγνώρισης σε πολλά κατασκευασμένα με το χέρι, ξεχωριστά εξαρτήματα
    • Χρησιμοποιώντας μόνο φωνητικά λεξικά που βασίζονται σε κανόνες
    • Αναγνώριση ομιλίας καθαρά με αντιστοίχιση προτύπων
  3. Γιατί το DeepSpeech χρησιμοποιεί ένα αμφίδρομο επαναλαμβανόμενο επίπεδο;
    • Για να συμπιέσετε το μέγεθος του αρχείου ήχου
    • Για να δώσετε σε κάθε πλαίσιο πρόβλεψης τόσο από το παρελθόν όσο και από το μελλοντικό πλαίσιο
    • Για μετάφραση μεταξύ γλωσσών
    • Για να αφαιρέσετε την ανάγκη για τυχόν δεδομένα εκπαίδευσης
  4. Με τι είδους δυνατότητες εισόδου λειτουργεί συνήθως το DeepSpeech;
    • Ακατέργαστα δεδομένα pixel
    • Εκ των προτέρων γραπτές μεταγραφές κειμένου
    • Συμπιεσμένες ετικέτες μεταδεδομένων MP3
    • Χαρακτηριστικά φασματογράμματος ή MFCC που υπολογίζονται σε μικρά καρέ ήχου
  5. Τι προστίθεται συχνά κατά την αποκωδικοποίηση για τη βελτίωση της επιλογής λέξεων και της ορθογραφίας του DeepSpeech;
    • Ένα μοντέλο εξωτερικής γλώσσας (π.χ. ένα μοντέλο n-gram)
    • Ένα δεύτερο μικρόφωνο
    • Ένας μεγαλύτερος ταξινομητής εικόνων
    • Ένα τσιπ κρυπτογράφησης υλικού
  6. 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
  7. 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
  8. 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