Cuestionario vinculado a una guía · Medio Nivel

Prueba Wav2Vec 2.0

Pruebe la receta de preentrenamiento autosupervisado de Wav2Vec 2.0, el objetivo contrastivo y los límites de sus resultados LibriSpeech de bajo etiquetado.

Rutas de guía relacionadaswav2vec 2 0
Pregunta 1 de 8

¿Para qué problema central en el reconocimiento de voz se diseñó Wav2Vec 2.0?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Para qué problema central en el reconocimiento de voz se diseñó Wav2Vec 2.0?
    • La escasez de audio etiquetado (transcrito)
    • Los archivos de audio son demasiado grandes para almacenarlos
    • Los micrófonos son demasiado caros
    • El texto es difícil de tokenizar
  2. ¿Qué tipo de objetivo de aprendizaje utiliza Wav2Vec 2.0 durante el preentrenamiento?
    • Clasificación directa de fonemas con etiquetas completas.
    • Una pérdida de contraste sobre segmentos latentes enmascarados.
    • Reconstrucción de píxeles
    • Aprendizaje reforzado a partir de la retroalimentación humana
  3. ¿Qué componente procesa primero la forma de onda sin procesar en Wav2Vec 2.0?
    • Un LSTM recurrente
    • Un muestreador de difusión
    • Un codificador de funciones CNN multicapa
    • Un extractor MFCC artesanal
  4. En un experimento informado de LibriSpeech, ¿qué configuración de datos con pocas etiquetas demostró potencial con pocas etiquetas?
    • 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. ¿Cuál es el papel del libro de códigos aprendido en Wav2Vec 2.0?
    • Discretiza el audio continuo en unidades de voz finitas.
    • Almacena contraseñas de usuario.
    • Comprime la transcripción final.
    • Selecciona la ganancia del micrófono.
  6. ¿Qué gran modelo multilingüe se basa en el enfoque 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