Kuis Pembelajaran Audio Embeddings dan Representasi

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa itu penyematan audio?
   • Vektor angka dengan panjang tetap yang mewakili fitur suara yang bermakna
   • Versi file audio MP3 terkompresi
   • Transkrip tertulis dari kata-kata yang diucapkan
   • Tingkat volume diukur dalam desibel
2. Mengapa pembelajaran dengan pengawasan mandiri sangat penting untuk penyematan audio?
   • Dibutuhkan audio untuk direkam di studio
   • Ia mempelajari representasi berguna dari audio tanpa label, sehingga mengurangi kebutuhan akan label manusia
   • Ini hanya berfungsi pada musik, bukan ucapan
   • Ini menjamin akurasi transkripsi yang sempurna
3. Bagaimana cara Wav2Vec 2.0 belajar selama pra-pelatihan?
   • Dengan menerjemahkan audio ke dalam bahasa Prancis
   • Dengan menghafal setiap file latihan dengan tepat
   • Dengan menutupi rentang audio dan memprediksi unit terkuantisasi yang benar di antara pengalih perhatian
   • Dengan mengukur ukuran file setiap klip
4. Apa yang diselaraskan oleh model seperti CLAP dalam ruang penyematan bersama?
   • Dua bingkai video berbeda
   • Piksel dan histogram warna
   • Tingkat baterai dan penggunaan CPU
   • Deskripsi audio dan teks yang cocok
5. Sebelum memasukkan audio ke jaringan saraf, transformasi umum apa yang sering diterapkan?
   • Mengonversinya menjadi spektogram atau representasi filter yang dipelajari
   • Mencetaknya sebagai lembaran musik
   • Menghapus semua frekuensi di atas pendengaran manusia secara permanen
   • Mengonversinya menjadi gambar JPEG dari sampul album
6. Tugas dunia nyata manakah yang secara langsung bergantung pada perbandingan penyematan audio?
   • Menghitung harga pembelian lagu
   • Diarisasi pembicara, mencari tahu siapa yang berbicara dan kapan
   • Memilih karya seni sampul album
   • Mengatur kecerahan layar
7. During contrastive audio-text training, what happens to a matching audio clip and its text description?
   • They are converted into the same raw waveform
   • The text embedding is discarded
   • Their embeddings are pulled closer while mismatched pairs are pushed apart
   • The audio is assigned a speaker name as a class label
8. Why can one self-supervised audio embedding be reused across several downstream tasks?
   • It stores the original waveform without compression
   • It contains a manually written label for every possible sound
   • It works only for one speaker and one recording
   • It captures general acoustic structure that can support tasks with little extra labeled data