Prueba de aprendizaje sobre incrustaciones y representaciones de audio

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué es una incrustación de audio?
   • Un vector de números de longitud fija que representa las características significativas de un sonido.
   • Una versión MP3 comprimida del archivo de audio.
   • Una transcripción escrita de palabras habladas.
   • Un nivel de volumen medido en decibeles.
2. ¿Por qué es tan importante el aprendizaje autosupervisado para las incrustaciones de audio?
   • Requiere que el audio sea grabado en un estudio.
   • Aprende representaciones útiles a partir de audio sin etiquetar, lo que reduce la necesidad de etiquetas humanas.
   • Sólo funciona con música, no con voz.
   • Garantiza una precisión de transcripción perfecta.
3. ¿Cómo aprende Wav2Vec 2.0 durante el preentrenamiento?
   • Traduciendo audio al francés
   • Memorizando cada archivo de entrenamiento exactamente
   • Enmascarando intervalos de audio y prediciendo la unidad cuantificada correcta entre los distractores.
   • Midiendo el tamaño del archivo de cada clip
4. ¿Qué alinea un modelo como CLAP en un espacio de inserción compartido?
   • Dos cuadros de video diferentes
   • Píxeles e histogramas de color.
   • Nivel de batería y uso de CPU
   • Descripciones de audio y texto coincidente
5. Antes de alimentar audio a una red neuronal, ¿qué transformación común se suele aplicar?
   • Convirtiéndolo en un espectrograma o representación de filtro aprendido
   • Imprimirlo como partitura
   • Eliminar permanentemente todas las frecuencias por encima del oído humano
   • Convirtiéndolo a una imagen JPEG de la portada del álbum
6. ¿Qué tarea del mundo real depende directamente de comparar incrustaciones de audio?
   • Calcular el precio de compra de una canción
   • Diario del orador, averiguar quién habló y cuándo
   • Elegir la portada del álbum
   • Configurar el brillo de la pantalla
7. During contrastive audio-text training, what happens to a matching audio clip and its text description?
   • They are converted into the same raw waveform
   • The text embedding is discarded
   • Their embeddings are pulled closer while mismatched pairs are pushed apart
   • The audio is assigned a speaker name as a class label
8. Why can one self-supervised audio embedding be reused across several downstream tasks?
   • It stores the original waveform without compression
   • It contains a manually written label for every possible sound
   • It works only for one speaker and one recording
   • It captures general acoustic structure that can support tasks with little extra labeled data