Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Beszélő naplózó kvíz
Review speaker diarization, anonymous speaker labels, overlap handling and the components of diarization error rate. across common scoring conventions.
kérdés 1 -ból 8
A beszélő naplózását gyakran melyik kérdés foglalja össze?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- A beszélő naplózását gyakran melyik kérdés foglalja össze?
- Milyen szavak hangzottak el?
- Milyen nyelvet használnak?
- Ki mikor beszélt?
- Milyen érzelem van a hangban?
- Mi az a hangszóró beágyazás?
- A beszéd átirata
- A csendet jelző időbélyeg
- A hang tömörítési formátuma
- Egy hang jellemzőit reprezentáló fix hosszúságú vektor
- Milyen mérőszámot használnak általában a diarizáló rendszerek értékelésére?
- Diarizációs hibaarány (DER)
- Word Error Rate (WER)
- Jel-zaj arány (SNR)
- Képkockasebesség
- A normál naplózásnak tudnia kell előre a beszélők valódi nevét?
- Igen, a nevek megadása kötelező
- Nem, névtelen címkéket rendel hozzá, például az 1. hangszórót és a 2. hangszórót
- Igen, de csak az első hangszóró
- Nem, mindig teljes identitást ad ki
- What problem does permutation-invariant training solve in end-to-end neural diarization?
- It removes the need for an audio signal
- It evaluates speaker outputs over permutations so arbitrary output-label order does not affect training
- It identifies a person’s legal name from their voice
- It forces the model to use exactly one speaker channel
- Általában melyik lépés következik először a klasszikus naplózási folyamatban?
- Hangszórókba ágyazás klaszterezése
- Valódi nevek hozzárendelése
- A hanganyag fordítása
- Hangtevékenység-érzékelés a beszédrégiók megtalálásához
- Which error categories commonly make up Diarization Error Rate?
- Missed speech, false alarm speech and speaker confusion
- Word error, punctuation and translation error
- Only missed speech
- Pitch, loudness and speaking rate
- How can an end-to-end diarization model represent simultaneous speakers?
- By forcing every frame to contain exactly one speaker
- By predicting multiple active speaker labels for the same time region
- By assigning real names to all voices
- By deleting overlap before analysis