Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ αναγνώρισης συναισθημάτων ομιλίας

Ελέγχει τις ακουστικές ενδείξεις, τα όρια δεδομένων, τη γενίκευση μεταξύ των σωμάτων, την ασάφεια των ετικετών και τη στενή απαγόρευση του χώρου εργασίας και της εκπαίδευσης στην ΕΕ.

Σχετικές διαδρομές οδηγώνΑναγνώριση συναισθημάτων ομιλίας
Ερώτηση 1 του 8

Τι αναλύει κυρίως η Αναγνώριση Συναισθημάτων Ομιλίας;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι αναλύει κυρίως η Αναγνώριση Συναισθημάτων Ομιλίας;
    • Ακουστικά χαρακτηριστικά της φωνής όπως το ύψος και η ενέργεια
    • Οι κυριολεκτικές λέξεις σε μια μεταγραφή
    • Η γραμματική της πρότασης
    • Οι εκφράσεις του προσώπου του ομιλητή
  2. Which acoustic properties can speech-emotion models use as cues?
    • Only the spelling of transcribed words
    • Pitch, energy, speaking rate, and voice-quality features
    • A person’s job title
    • The number of speakers in a company
  3. Γιατί είναι ιδιαίτερα δύσκολη η επισήμανση δεδομένων συναισθημάτων;
    • Τα αρχεία ήχου είναι πολύ μεγάλα για αποθήκευση
    • Τα μικρόφωνα δεν μπορούν να καταγράψουν συναισθήματα
    • Το συναίσθημα είναι υποκειμενικό και οι ανθρώπινοι σχολιαστές συχνά διαφωνούν
    • Τα συναισθήματα δεν εμφανίζονται ποτέ στην ομιλία
  4. Ποιο από αυτά είναι ένα γνωστό σύνολο δεδομένων συναισθηματικής ομιλίας;
    • ImageNet
    • ΚΟΚΟ
    • SQUAD
    • IEMOCAP
  5. Πώς αξιοποιούν συχνά τα σύγχρονα συστήματα SER περιορισμένα δεδομένα με ετικέτα;
    • Βελτιώνοντας τα αυτοεποπτευόμενα μοντέλα όπως το wav2vec 2.0
    • Αποφεύγοντας εντελώς τα νευρωνικά δίκτυα
    • Χρησιμοποιώντας μόνο χειρόγραφους κανόνες
    • Ηχογραφώντας πρώτα εκατομμύρια νέα συναισθηματικά κλιπ
  6. What does the EU AI Act prohibit regarding emotion recognition?
    • All emotion-related research in any setting
    • Inferring emotions in workplace or educational settings, except for medical or safety reasons
    • Every voice assistant that detects speech
    • Any system that transcribes spoken words
  7. Why can a speech-emotion model trained on one dataset fail on another?
    • Emotion labels are identical across every corpus
    • Microphone and speaker differences never affect audio
    • Speakers, language, recording conditions, elicitation, and label distributions can differ
    • A trained model cannot process new recordings
  8. What is one limitation of treating a speech-emotion prediction as a person’s true internal state?
    • Acoustic features contain no information
    • A predicted label is a clinical diagnosis by default
    • The same voice always expresses the same emotion
    • A model infers patterns from audio and may not reflect the speaker’s context or self-report