Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Wav2Vec 2.0 kvíz

Test Wav2Vec 2.0’s self-supervised pretraining recipe, contrastive objective, and the limits of its low-label LibriSpeech results.

Kapcsolódó útmutató utakWav2vec 20
kérdés 1 -ból 8

A beszédfelismerés mely fő problémájára tervezték a Wav2Vec 2.0-t?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A beszédfelismerés mely fő problémájára tervezték a Wav2Vec 2.0-t?
    • A címkézett (átírt) hanganyag szűkössége
    • Az audiofájlok túl nagyok a tároláshoz
    • A mikrofonok túl drágák
    • A szöveget nehéz tokenizálni
  2. Milyen tanulási célt használ a Wav2Vec 2.0 az előképzés során?
    • Közvetlen fonémaosztályozás teljes címkékkel
    • Kontrasztív veszteség a maszkolt látens szegmensek felett
    • Pixel rekonstrukció
    • Az emberi visszajelzésekből való tanulás megerősítése
  3. Melyik komponens dolgozza fel először a nyers hullámformát a Wav2Vec 2.0-ban?
    • Egy visszatérő LSTM
    • Egy diffúziós mintavevő
    • Többrétegű CNN funkciókódoló
    • Kézzel készített MFCC elszívó
  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. Mi a tanult kódkönyv szerepe a Wav2Vec 2.0-ban?
    • A folyamatos hangot véges beszédegységekké diszkretizálja
    • A felhasználói jelszavakat tárolja
    • Tömöríti a végső átiratot
    • Kiválasztja a mikrofon erősítését
  6. Melyik nagy többnyelvű modell épül a Wav2Vec 2.0 megközelítésre?
    • 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