Kuis Wav2Vec 2.0

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Masalah inti apa dalam pengenalan suara yang dirancang untuk diatasi oleh Wav2Vec 2.0?
   • Kelangkaan audio berlabel (transkrip).
   • File audio terlalu besar untuk disimpan
   • Mikrofon terlalu mahal
   • Teks sulit untuk diberi token
2. Tujuan pembelajaran seperti apa yang digunakan Wav2Vec 2.0 selama pra-pelatihan?
   • Klasifikasi fonem langsung dengan label lengkap
   • Kerugian kontras atas segmen laten yang terselubung
   • Rekonstruksi piksel
   • Pembelajaran penguatan dari umpan balik manusia
3. Komponen apa yang pertama kali memproses bentuk gelombang mentah di Wav2Vec 2.0?
   • LSTM berulang
   • Sebuah sampler difusi
   • Encoder fitur CNN multi-lapis
   • Ekstraktor MFCC buatan tangan
4. 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
5. Apa peran buku kode yang dipelajari di Wav2Vec 2.0?
   • Ini mendiskritisasi audio berkelanjutan menjadi unit ucapan terbatas
   • Ini menyimpan kata sandi pengguna
   • Ini memampatkan transkrip akhir
   • Ini memilih penguatan mikrofon
6. Model multibahasa besar manakah yang dibangun berdasarkan pendekatan Wav2Vec 2.0?
   • GPT-2
   • XLS-R
   • Stable Diffusion
   • ResNet-50
7. 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
8. 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