Quiz lié à un guide · Moyen Niveau

Quiz Wav2Vec 2.0

Testez la recette de pré-entraînement auto-supervisé de Wav2Vec 2.0, son objectif contrastif et les limites de ses résultats LibriSpeech à faible étiquette.

Chemins de guidage associésWav2vec 2 0
Question 1 de 8

Pour quel problème central de la reconnaissance vocale Wav2Vec 2.0 a-t-il été conçu ?

Prévisualisez chaque question8 des questions

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

  1. Pour quel problème central de la reconnaissance vocale Wav2Vec 2.0 a-t-il été conçu ?
    • La rareté de l’audio étiqueté (transcrit)
    • Les fichiers audio sont trop volumineux pour être stockés
    • Les microphones sont trop chers
    • Le texte est difficile à symboliser
  2. Quel type d'objectif d'apprentissage Wav2Vec 2.0 utilise-t-il pendant la pré-formation ?
    • Classification directe des phonèmes avec étiquettes complètes
    • Une perte contrastive sur les segments latents masqués
    • Reconstruction de pixels
    • Apprentissage par renforcement à partir des commentaires humains
  3. Quel composant traite en premier la forme d'onde brute dans Wav2Vec 2.0 ?
    • Un LSTM récurrent
    • Un échantillonneur de diffusion
    • Un encodeur de fonctionnalités CNN multicouche
    • Un extracteur MFCC fabriqué à la main
  4. In a reported LibriSpeech experiment, what small labeled-data setup demonstrated low-label potential?
    • 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. Quel est le rôle du livre de codes appris dans Wav2Vec 2.0 ?
    • Il discrétise l'audio continu en unités vocales finies
    • Il stocke les mots de passe des utilisateurs
    • Il compresse la transcription finale
    • Il sélectionne le gain du microphone
  6. Quel grand modèle multilingue est construit sur l'approche 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