Κουίζ αναγνώρισης ομιλίας Whisper

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Σε πόσες περίπου ώρες ήχου εκπαιδεύτηκε ο Whisper;
   • 680.000 ώρες
   • 6.800 ώρες
   • 68.000 ώρες
   • 6,8 εκατομμύρια ώρες
2. Ποια ενδιάμεση αναπαράσταση υπολογίζει ο Whisper από τον ακατέργαστο ήχο πριν από τον κωδικοποιητή;
   • Ένας ακατέργαστος τανυστής κυματομορφής
   • Φασματόγραμμα log-Mel
   • Μόνο χαρακτηριστικά MFCC delta
   • Ένα καυτό διάνυσμα φωνήματος
3. Πώς εκτελεί ένα μεμονωμένο μοντέλο Whisper πολλαπλές εργασίες, όπως μεταγραφή και μετάφραση;
   • Φορτώνει ένα διαφορετικό μοντέλο ανά εργασία
   • Λειτουργεί παράλληλα ξεχωριστές τελειοποιημένες κεφαλές
   • Τα ειδικά διακριτικά προτροπής καθορίζουν την εργασία κατά την αποκωδικοποίηση
   • Οι χρήστες επεξεργάζονται το φασματόγραμμα χειροκίνητα
4. Ποια συνολική νευρωνική αρχιτεκτονική χρησιμοποιεί το Whisper;
   • Ένα δίκτυο μόνο συνελικτικό
   • Μια επαναλαμβανόμενη στοίβα LSTM
   • Ένα μοντέλο διάχυσης
   • Ένας μετασχηματιστής κωδικοποιητής-αποκωδικοποιητής
5. Γιατί το Whisper θεωρείται ιδιαίτερα ισχυρό σε σύγκριση με παλαιότερα συστήματα ASR;
   • Εκπαιδεύτηκε σε ποικίλο, θορυβώδες ήχο στον πραγματικό κόσμο
   • Λειτουργεί μόνο με ήχο καθαρό στούντιο
   • Δεν χρησιμοποιεί μηχανική μάθηση
   • Απαιτεί προσαρμοσμένο μικρόφωνο
6. Με ποια άδεια κυκλοφόρησαν τα βάρη μοντέλων του Whisper;
   • Ιδιόκτητο, μόνο για API
   • MIT (ανοιχτού κώδικα)
   • GPL χωρίς εμπορική χρήση
   • Creative Commons μη παράγωγο
7. Approximately how long is each audio segment Whisper converts to a log-Mel spectrogram?
   • 3 seconds
   • 3 minutes
   • 30 δευτερόλεπτα
   • 30 minutes
8. What does Whisper’s English-translation task produce from non-English speech?
   • A translated recording in the speaker’s voice
   • Only a transcript in the original language
   • A list of detected speakers
   • An English text translation