Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Mély zajelnyomási kihívás kvíz
Review DNS challenge goals, real-time constraints, personalized suppression, and the 2022 edition’s combined listening and word-accuracy evaluation.
kérdés 1 -ból 8
Who organized the Deep Noise Suppression (DNS) Challenge?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Who organized the Deep Noise Suppression (DNS) Challenge?
- Microsoft
- Apple
- Meta
- Mi a fő célja a DNS-kihíváshoz épített rendszereknek?
- Beszéd fordítása nyelvek között
- Valós időben távolítsa el a háttérzajt a beszédből
- Szintetikus énekhangok létrehozása
- Az audiofájlok tömörítése tároláshoz
- Why do live speech-enhancement systems constrain algorithmic lookahead?
- To prevent the model from using any learned context
- To make the audio mono
- To keep end-to-end delay within a usable latency budget
- To eliminate the need for a noise estimate
- A DNS-bejegyzésekben elterjedt technika a „maszk” előrejelzése. Mit csinál a maszk?
- Egyformán elmosja a teljes spektrumot
- Reverberációt ad a jelhez
- A hangot szöveggé alakítja
- A zaj csillapítása és a beszéd megtartása érdekében minden idő-frekvencia tálcát skáláz
- What data and test conditions did the 2022 DNS Challenge add?
- Fullband 48-kHz data and mobile-device scenarios
- Only telephone-band audio at 8 kHz
- Video captions and image labels
- A test set with no speech or background noise
- Mi az a „személyre szabott” DNS-forgatókönyv?
- Minden hang elnyomása, beleértve a célhangszórót is
- Csak egy regisztrált célhangszóró megtartása, és a többi hang és zaj eltávolítása
- A felhasználó nevének hozzáadása a hang metaadataihoz
- A beszélő akcentusának lefordítása
- In the 2022 ICASSP DNS Challenge, what did the combined ranking score average?
- Only PESQ and file size
- Speaker identity accuracy and sample rate
- WAcc and subjective P.835 SIG, BAK, and OVRL scores
- MOS from a single listener only
- What does WAcc measure in the 2022 DNS Challenge?
- The loudness of background noise
- The number of audio channels
- The model’s parameter count
- Word accuracy from automatic speech recognition