Kuis Arsitektur DeepSpeech

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Fungsi kerugian apa yang memungkinkan DeepSpeech berlatih tanpa penyelarasan tingkat bingkai antara audio dan teks?
   • Kesalahan kuadrat rata-rata
   • Entropi silang pada jendela dengan panjang tetap
   • Klasifikasi Temporal Koneksionis (CTC)
   • Kerugian tiga kali lipat
2. Apa filosofi arsitektur utama yang dipopulerkan DeepSpeech?
   • Pelatihan menyeluruh jaringan saraf tunggal mulai dari fitur audio hingga teks
   • Membagi pengenalan menjadi banyak komponen yang direkayasa secara manual dan terpisah
   • Hanya menggunakan kamus fonetik berbasis aturan
   • Mengenali ucapan murni dengan pencocokan template
3. Mengapa DeepSpeech menggunakan lapisan berulang dua arah?
   • Untuk mengompres ukuran file audio
   • Untuk memberikan setiap konteks prediksi dari kerangka masa lalu dan masa depan
   • Untuk menerjemahkan antar bahasa
   • Untuk menghilangkan kebutuhan akan data pelatihan apa pun
4. Fitur masukan seperti apa yang biasanya dioperasikan oleh DeepSpeech?
   • Data piksel mentah
   • Transkrip teks pra-tertulis
   • Tag metadata MP3 terkompresi
   • Fitur spektogram atau MFCC dihitung melalui bingkai audio pendek
5. Apa yang sering ditambahkan pada waktu dekode untuk meningkatkan pilihan kata dan ejaan DeepSpeech?
   • Model bahasa eksternal (misalnya model n-gram)
   • Mikrofon kedua
   • Pengklasifikasi gambar yang lebih besar
   • Chip enkripsi perangkat keras
6. What does the original DeepSpeech output layer predict at each acoustic time step?
   • A fixed speaker-identity vector only
   • A single complete translated document with no time steps
   • A probability distribution over character labels and the CTC blank
   • The recording's filename and compression format
7. How does CTC relate an acoustic-frame label path to the final DeepSpeech transcript?
   • It sorts all character labels alphabetically
   • It requires exactly one audio frame for each word
   • It keeps every repeated frame label as a separate written character
   • It collapses repetitions and removes blank symbols according to the CTC rule
8. Why does original DeepSpeech's bidirectional acoustic context matter when designing a live recognizer?
   • Bidirectional recurrence needs no future observations
   • Future-frame context requires lookahead or waiting, so it is not automatically zero-lookahead streaming
   • The network can know later audio before it is recorded
   • A character language model removes all buffering requirements