Cuestionario vinculado a una guía · Medio Nivel

Prueba de reconocimiento de emociones del habla

Comprueba las señales acústicas, los límites de los conjuntos de datos, la generalización entre corpus, la ambigüedad de las etiquetas y la estricta prohibición educativa y laboral de la UE.

Rutas de guía relacionadasReconocimiento de emociones del habla
Pregunta 1 de 8

¿Qué analiza principalmente el reconocimiento de emociones del habla?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué analiza principalmente el reconocimiento de emociones del habla?
    • Características acústicas de la voz como el tono y la energía.
    • Las palabras literales en una transcripción.
    • La gramática de la oración.
    • Las expresiones faciales del hablante.
  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. ¿Por qué es especialmente difícil etiquetar datos emocionales?
    • Los archivos de audio son demasiado grandes para almacenarlos
    • Los micrófonos no pueden grabar emociones
    • La emoción es subjetiva y los anotadores humanos a menudo no están de acuerdo
    • Las emociones nunca aparecen en el habla.
  4. ¿Cuál de estos es un conjunto de datos de discurso emocional conocido?
    • ImagenNet
    • coco
    • escuadrón
    • IEMOCAP
  5. ¿Cómo aprovechan a menudo los sistemas SER modernos los datos etiquetados limitados?
    • Afinando modelos autosupervisados como wav2vec 2.0
    • Evitando por completo las redes neuronales
    • Utilizando únicamente reglas escritas a mano
    • Grabando primero millones de nuevos clips emocionales
  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