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.
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.
- 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
- 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
- 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
- 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
- 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
- Melyik nagy többnyelvű modell épül a Wav2Vec 2.0 megközelítésre?
- GPT-2
- XLS-R
- Stable Diffusion
- ResNet-50
- 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
- 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