Kuis terkait panduan · Sedang Tingkat

Kuis Model Transduser RNN

Pahami bagaimana model RNN-Transduser menggabungkan bingkai akustik dan riwayat keluaran untuk tugas transkripsi urutan streaming.

Jalur panduan terkaitModel Transduser Rnn
Pertanyaan 1 dari 8

Batasan CTC manakah yang secara khusus ditangani oleh RNN-Transduser?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Batasan CTC manakah yang secara khusus ditangani oleh RNN-Transduser?
    • Asumsi independensi bersyarat CTC, yang mencegah pemodelan ketergantungan token keluaran
    • CTC tidak dapat memproses audio sama sekali
    • CTC membutuhkan GPU untuk dijalankan
    • CTC hanya berfungsi untuk gambar
  2. Apa tiga komponen utama Transduser RNN?
    • Encoder, decoder, dan diskriminator
    • Encoder (jaringan transkripsi), jaringan prediksi, dan jaringan gabungan
    • Tokenizer, embedder, dan softmax saja
    • Dua kepala perhatian dan router
  3. Apa peran jaringan prediksi dalam RNN-T?
    • Ini memampatkan bentuk gelombang audio
    • Ini mengukur volume mikrofon
    • Ini bertindak seperti model bahasa, mengkondisikan token yang dipancarkan sebelumnya
    • Ini memilih tingkat pengambilan sampel
  4. Mengapa RNN-T mendukung streaming latensi rendah secara alami?
    • Ini memproses seluruh ucapan sekaligus sebelum mengeluarkan apa pun
    • Itu mengabaikan urutan waktu sepenuhnya
    • Ini hanya berfungsi pada file yang direkam sebelumnya
    • Penjajarannya monoton dan dari kiri ke kanan, maju melalui audio dengan kekosongan
  5. Dalam decoding RNN-T, apa gunanya memancarkan token kosong?
    • Maju ke langkah waktu audio berikutnya
    • Mengakhiri seluruh transkripsi
    • Menghapus kata sebelumnya
    • Beralih ke bahasa lain
  6. Jenis encoder manakah yang semakin menggantikan LSTM dalam sistem RNN-T produksi modern?
    • Pohon keputusan
    • Encoder konformer
    • Sekantong kata-kata biasa
    • Model Markov Tersembunyi
  7. What two histories condition the RNN-T joint network’s output distribution?
    • Only the future transcript and a speaker photo
    • Only the last acoustic frame, without output context
    • The encoder representation of acoustic input and the prediction-network representation of prior output labels
    • The optimizer state and learning rate
  8. What alignment behavior does an RNN-T allow before advancing to the next audio frame?
    • It must emit exactly one label for every frame
    • It advances time only after a word-final token
    • It generates all output before reading any audio
    • It can emit zero or more nonblank labels at the current frame, then a blank advances time