Cuestionario vinculado a una guía · Medio Nivel

Prueba de alineación de palabras con marca de tiempo de Whisper

Vea cómo los métodos de alineación de palabras de Whisper estiman las marcas de tiempo y por qué la alineación forzada y la atención cruzada tienen límites diferentes.

Rutas de guía relacionadasAlineación de palabras con marca de tiempo de Whisper
Pregunta 1 de 8

¿Qué agrega la alineación a nivel de palabra que le falta a la producción nativa de Whisper?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué agrega la alineación a nivel de palabra que le falta a la producción nativa de Whisper?
    • Una hora de inicio y finalización para cada palabra individual.
    • Mayor precisión de transcripción
    • Etiquetas de identidad del hablante
    • Eliminación de ruido de fondo
  2. ¿Qué señal interna utiliza la marca de tiempo susurrada para localizar palabras en el tiempo?
    • La amplitud de la forma de onda de audio.
    • Los pesos de atención cruzada del decodificador sobre los fotogramas de audio
    • Los gradientes del optimizador
    • El tamaño del vocabulario del tokenizador.
  3. Why does whisper-timestamped use Dynamic Time Warping during alignment?
    • To translate the transcript into another language
    • To identify the speaker without using audio
    • To find an ordered, monotonic path between token and audio-frame scores
    • To guarantee exact boundaries for every word
  4. ¿Cómo WhisperX afina los límites de las palabras en comparación con la atención pura?
    • Aumenta la frecuencia de muestreo.
    • Utiliza solo un punto de control Whisper más grande.
    • Elimina la puntuación
    • Ejecuta un modelo de alineación forzada basado en fonemas separado en el texto.
  5. ¿A qué velocidad el codificador de Whisper produce fotogramas de audio?
    • Unos 50 fotogramas por segundo (uno cada 20 ms)
    • Exactamente 1 fotograma por segundo
    • 1000 fotogramas por segundo
    • Un cuadro por palabra
  6. ¿En qué fragmentos de longitud procesa Whisper el audio?
    • fragmentos de 5 segundos
    • fragmentos de 30 segundos
    • trozos de 2 minutos
    • Muestras individuales
  7. What does forced alignment assume is already available?
    • A speaker identity for every sound
    • A translation in every language
    • A transcript to align with the audio
    • A list of subtitle colors
  8. What limitation should users keep in mind when interpreting word timestamps?
    • They prove the transcript is error-free
    • They always identify the speaker correctly
    • They are guaranteed to have millisecond accuracy
    • They are estimates and can be wrong when speech or alignment is difficult