Quiz d'apprentissage sur les intégrations audio et les représentations

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Qu'est-ce qu'une intégration audio ?
   • Un vecteur de nombres de longueur fixe représentant les caractéristiques significatives d'un son
   • Une version MP3 compressée du fichier audio
   • Une transcription écrite des paroles prononcées
   • Un niveau de volume mesuré en décibels
2. Pourquoi l’apprentissage auto-supervisé est-il si important pour les intégrations audio ?
   • Il faut que l'audio soit enregistré dans un studio
   • Il apprend des représentations utiles à partir d'audio non étiqueté, réduisant ainsi le besoin d'étiquettes humaines.
   • Cela ne fonctionne que sur la musique, pas sur la parole
   • Il garantit une parfaite précision de la transcription
3. Comment Wav2Vec 2.0 apprend-il pendant le pré-entraînement ?
   • En traduisant l'audio en français
   • En mémorisant exactement chaque fichier de formation
   • En masquant des plages audio et en prédisant l'unité quantifiée correcte parmi les distractions
   • En mesurant la taille du fichier de chaque clip
4. Qu'est-ce qu'un modèle comme CLAP s'aligne dans un espace d'intégration partagé ?
   • Deux images vidéo différentes
   • Pixels et histogrammes de couleurs
   • Niveau de batterie et utilisation du processeur
   • Descriptions audio et texte correspondant
5. Avant de transmettre l'audio à un réseau neuronal, quelle transformation courante est souvent appliquée ?
   • Le convertir en spectrogramme ou en représentation de filtre appris
   • L'imprimer sous forme de partition
   • Suppression définitive de toutes les fréquences au-dessus de l'audition humaine
   • Le convertir en une image JPEG de la couverture de l'album
6. Quelle tâche du monde réel repose directement sur la comparaison des intégrations audio ?
   • Calculer le prix d'achat d'une chanson
   • Diarisation des locuteurs, déterminer qui a parlé quand
   • Choisir la pochette de l'album
   • Régler la luminosité de l'écran
7. During contrastive audio-text training, what happens to a matching audio clip and its text description?
   • They are converted into the same raw waveform
   • The text embedding is discarded
   • Their embeddings are pulled closer while mismatched pairs are pushed apart
   • The audio is assigned a speaker name as a class label
8. Why can one self-supervised audio embedding be reused across several downstream tasks?
   • It stores the original waveform without compression
   • It contains a manually written label for every possible sound
   • It works only for one speaker and one recording
   • It captures general acoustic structure that can support tasks with little extra labeled data