Détection de début dans le quiz audio

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

1. Qu'est-ce qu'un « début » exactement dans l'audio ?
   • Au moment où commence un événement acoustique, comme l'attaque d'une note
   • Le fondu d'un son
   • Le volume moyen d'une piste
   • La fin d'une chanson
2. What does spectral flux measure for onset detection?
   • A rule that marks every beat as a note onset
   • Positive increases in spectral energy between successive frames
   • A decay detector that selects only falling energy
   • A pitch estimator that finds the nearest MIDI note
3. Pourquoi la rectification demi-onde est-elle appliquée dans le flux spectral ?
   • Pour amplifier les désintégrations
   • Pour convertir l'audio en texte
   • Ainsi, seuls les changements d'énergie ascendants (positifs) contribuent, en ignorant les désintégrations.
   • Pour ralentir le son
4. Quel type d’apparition est le plus difficile à détecter ?
   • Un coup de tambour sec
   • Un fort crash de cymbale
   • Un backbeat de caisse claire
   • Une houle de violon douce et progressive
5. Qu’empêche l’étape de sélection des pics avec un seuil adaptatif ?
   • Double déclenchement et faux déclenchements
   • Compression audio
   • Changement de hauteur
   • Élargissement stéréo
6. What can a neural onset detector learn from labeled audio examples?
   • A guarantee that every onset will be detected
   • Patterns in the audio features that signal event beginnings
   • A fixed tempo that applies to every recording
   • The identity of every instrument without evaluation
7. What does onset backtracking do when detected times are used to create audio slices?
   • Moves each onset to the end of the entire recording
   • Replaces each onset with the nearest musical beat
   • Moves an onset to the nearest preceding local minimum of an energy signal
   • Adds a fixed one-second delay after every peak
8. What can happen when an onset model is transferred to a different instrument or dataset?
   • Its predictions are guaranteed to remain identical
   • The audio automatically becomes monophonic
   • The model no longer needs a time-frequency input
   • Its performance may change and should be evaluated in the new domain