Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Hangfeliratozási kvíz
Review audio descriptions and speech transcription, with Clotho and AudioCaps, encoder-decoder captions, CIDEr evaluation, and original Clotho references.
kérdés 1 -ból 8
Miben különbözik a hangfelirat az automatikus beszédfelismeréstől?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Miben különbözik a hangfelirat az automatikus beszédfelismeréstől?
- Csak csendben működik
- Lassabb, de a kimenete azonos
- A kimondott szavak átírása helyett az általános akusztikus jelenetet írja le
- A szöveget hanggá alakítja
- Which published datasets supply general-audio descriptions for captioning in this guide?
- MNIST and CIFAR only
- Clotho és AudioCaps
- A mandatory bank-transaction table
- Only a raw network-password list
- What architecture does the cited original Clotho baseline use to produce caption words from audio features?
- Only a fixed filename lookup
- Only a volume meter with no text output
- Only an unchanged grammar rule list
- An encoder-decoder scheme with attention
- Miért értékes a hangfelirat a kisegítő lehetőségek szempontjából?
- A nem beszédhangokat írja le a siket és nagyothalló felhasználók számára
- Növeli a hangerőt
- Törli a háttérzajt
- Titkosítja a hangot
- Which reference-comparison metric does the Clotho paper use among its caption evaluations?
- RGB color values
- CIDER
- Audio sample rate alone
- Only a decibel reading
- Mi jelenti a legnagyobb kihívást a hangfeliratozás terén?
- Az audiofájlok túl kicsik a feldolgozáshoz
- Nincsenek elérhető adatkészletek
- A feliratok csak egy szóból állhatnak
- Olyan leírások készítése, amelyek pontosak és elkerülik a hallucinált részleteket
- How many reference captions per audio file does the original Clotho paper report?
- Öt
- Egy
- Fifteen
- száz
- How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
- 8
- 20
- 64
- 256