Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Suttogó beszédfelismerési kvíz
Review Whisper’s multilingual audio-to-text design, its token-selected tasks, and what broad training coverage does and does not guarantee.
kérdés 1 -ból 8
Körülbelül hány órányi hanganyagra képezték ki a Whispert?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Körülbelül hány órányi hanganyagra képezték ki a Whispert?
- 680.000 óra
- 6800 óra
- 68.000 óra
- 6,8 millió óra
- Milyen köztes reprezentációt számít ki a Whisper a kódoló előtti nyers hangból?
- Nyers hullámforma tenzor
- Log-Mel spektrogram
- Csak MFCC delta funkciók
- Egy forró fonéma vektor
- Hogyan hajt végre egyetlen Whisper-modell több feladatot, például átírást és fordítást?
- Feladatonként más-más modellt tölt be
- Különálló finomhangolt fejeket futtat párhuzamosan
- Speciális prompt tokenek határozzák meg a feladatot a dekódolás során
- A felhasználók manuálisan szerkesztik a spektrogramot
- Milyen általános neurális architektúrát használ a Whisper?
- Csak konvolúciós hálózat
- Egy visszatérő LSTM verem
- Egy diffúziós modell
- Transzformátor kódoló-dekódoló
- Miért tartják a Whispert különösen robusztusnak a korábbi ASR rendszerekhez képest?
- Változatos, zajos, valós internetes hangra képezték ki
- Csak stúdiótiszta hangon működik
- Nem használ gépi tanulást
- Egyedi mikrofon kell hozzá
- Milyen licenc alatt adták ki a Whisper modellsúlyait?
- Saját tulajdonú, csak API
- MIT (nyílt forráskódú)
- GPL kereskedelmi felhasználás nélkül
- A Creative Commons nem származékos
- Approximately how long is each audio segment Whisper converts to a log-Mel spectrogram?
- 3 seconds
- 3 minutes
- 30 seconds
- 30 minutes
- What does Whisper’s English-translation task produce from non-English speech?
- A translated recording in the speaker’s voice
- Only a transcript in the original language
- A list of detected speakers
- An English text translation