Prueba de arquitectura DeepSpeech

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

1. ¿Qué función de pérdida permite que DeepSpeech se entrene sin alineación a nivel de fotograma entre audio y texto?
   • Error cuadrático medio
   • Entropía cruzada sobre ventanas de longitud fija
   • Clasificación Temporal Conexionista (CTC)
   • Pérdida de triplete
2. ¿Cuál fue la principal filosofía arquitectónica que popularizó DeepSpeech?
   • Entrenamiento de un extremo a otro de una única red neuronal desde funciones de audio hasta texto
   • Dividir el reconocimiento en muchos componentes separados diseñados manualmente
   • Usar únicamente diccionarios fonéticos basados en reglas
   • Reconocer el habla únicamente con la coincidencia de plantillas
3. ¿Por qué DeepSpeech utiliza una capa recurrente bidireccional?
   • Para comprimir el tamaño del archivo de audio
   • Para dar a cada predicción un contexto tanto del marco pasado como del futuro.
   • Para traducir entre idiomas
   • Para eliminar la necesidad de datos de entrenamiento
4. ¿Con qué tipo de funciones de entrada suele operar DeepSpeech?
   • Datos de píxeles sin procesar
   • Transcripciones de texto escritas previamente
   • Etiquetas de metadatos MP3 comprimidos
   • Funciones de espectrograma o MFCC calculadas en cuadros de audio cortos
5. ¿Qué se agrega frecuentemente en el momento de la decodificación para mejorar la elección de palabras y la ortografía de DeepSpeech?
   • Un modelo de lenguaje externo (por ejemplo, un modelo de n-gramas)
   • Un segundo micrófono
   • Un clasificador de imágenes más grande
   • Un chip de cifrado de hardware
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