Prueba de reconocimiento de voz en susurros

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

1. ¿Aproximadamente en cuántas horas de audio se entrenó Whisper?
   • 680.000 horas
   • 6.800 horas
   • 68.000 horas
   • 6,8 millones de horas
2. ¿Qué representación intermedia calcula Whisper a partir del audio sin procesar antes del codificador?
   • Un tensor de forma de onda sin procesar
   • Un espectrograma log-Mel
   • Sólo características delta de MFCC
   • Un vector de fonema único
3. ¿Cómo realiza un único modelo de Whisper múltiples tareas como transcripción y traducción?
   • Carga un modelo diferente por tarea.
   • Ejecuta cabezales separados y afinados en paralelo.
   • Los tokens de aviso especiales especifican la tarea durante la decodificación
   • Los usuarios editan el espectrograma manualmente.
4. ¿Qué arquitectura neuronal general utiliza Whisper?
   • Una red sólo convolucional
   • Una pila LSTM recurrente
   • Un modelo de difusión
   • Un codificador-decodificador de transformador
5. ¿Por qué se considera que Whisper es especialmente robusto en comparación con los sistemas ASR anteriores?
   • Fue entrenado con audio web diverso y ruidoso del mundo real.
   • Solo funciona con audio limpio de estudio.
   • No utiliza aprendizaje automático.
   • Requiere un micrófono personalizado.
6. ¿Bajo qué licencia se lanzaron las pesas modelo de Whisper?
   • Propietario, solo API
   • MIT (código abierto)
   • GPL sin uso comercial
   • Creative Commons no derivado
7. Approximately how long is each audio segment Whisper converts to a log-Mel spectrogram?
   • 3 seconds
   • 3 minutes
   • 30 seconds
   • 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