Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Wav2Vec 2.0

Δοκιμάστε την αυτοεποπτευόμενη συνταγή προεκπαίδευσης του Wav2Vec 2.0, τον αντιθετικό στόχο και τα όρια των χαμηλών αποτελεσμάτων του LibriSpeech.

Σχετικές διαδρομές οδηγώνWav2vec 2 0
Ερώτηση 1 του 8

Ποιο βασικό πρόβλημα στην αναγνώριση ομιλίας σχεδιάστηκε να αντιμετωπίσει το Wav2Vec 2.0;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο βασικό πρόβλημα στην αναγνώριση ομιλίας σχεδιάστηκε να αντιμετωπίσει το Wav2Vec 2.0;
    • Η έλλειψη επισημασμένου (μεταγραφής) ήχου
    • Τα αρχεία ήχου είναι πολύ μεγάλα για αποθήκευση
    • Τα μικρόφωνα είναι πολύ ακριβά
    • Το κείμενο είναι δύσκολο να γίνει συμβολικό
  2. Τι είδους μαθησιακός στόχος χρησιμοποιεί το Wav2Vec 2.0 κατά την προεκπαίδευση;
    • Άμεση φωνητική ταξινόμηση με πλήρεις ετικέτες
    • Μια απώλεια αντίθεσης σε καλυμμένα λανθάνοντα τμήματα
    • Ανακατασκευή pixel
    • Ενίσχυση της μάθησης από την ανθρώπινη ανατροφοδότηση
  3. Ποιο στοιχείο επεξεργάζεται πρώτα την ακατέργαστη κυματομορφή στο Wav2Vec 2.0;
    • Ένα επαναλαμβανόμενο LSTM
    • Ένας δειγματολήπτης διάχυσης
    • Ένας πολυεπίπεδος κωδικοποιητής χαρακτηριστικών CNN
    • Χειροποίητος εξαγωγέας MFCC
  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. Ποιος είναι ο ρόλος του βιβλίου κωδίκων που έχει μάθει στο Wav2Vec 2.0;
    • Διαχωρίζει τον συνεχή ήχο σε πεπερασμένες μονάδες ομιλίας
    • Αποθηκεύει τους κωδικούς πρόσβασης των χρηστών
    • Συμπιέζει την τελική μεταγραφή
    • Επιλέγει το κέρδος μικροφώνου
  6. Ποιο μεγάλο πολύγλωσσο μοντέλο βασίζεται στην προσέγγιση 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