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.

Kapcsolódó útmutató utakHangfeliratozás
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. How many reference captions per audio file does the original Clotho paper report?
    • Öt
    • Egy
    • Fifteen
    • száz
  8. How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
    • 8
    • 20
    • 64
    • 256