Quiz collegato alla guida · Medio Livello
Quiz sull'architettura di DeepSpeech
Esplora le funzionalità acustiche di DeepSpeech, il contesto ricorrente, gli output dei caratteri, gli allineamenti CTC e il contesto necessario per il riconoscimento offline o dal vivo.
Domanda 1 di 8
Quale funzione di perdita consente a DeepSpeech di allenarsi senza allineamento a livello di fotogramma tra audio e testo?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale funzione di perdita consente a DeepSpeech di allenarsi senza allineamento a livello di fotogramma tra audio e testo?
- Errore quadratico medio
- Entropia incrociata su finestre di lunghezza fissa
- Classificazione temporale connessionista (CTC)
- Perdita di triplette
- Qual è stata la principale filosofia architettonica resa popolare da DeepSpeech?
- Addestramento end-to-end di una singola rete neurale dalle funzionalità audio al testo
- Suddivisione del riconoscimento in molti componenti separati progettati manualmente
- Utilizzando solo dizionari fonetici basati su regole
- Riconoscimento del parlato esclusivamente con la corrispondenza del modello
- Perché DeepSpeech utilizza un livello ricorrente bidirezionale?
- Per comprimere la dimensione del file audio
- Per fornire a ogni previsione un contesto sia dai fotogrammi passati che da quelli futuri
- Tradurre tra le lingue
- Per eliminare la necessità di dati di addestramento
- Su che tipo di funzionalità di input funziona solitamente DeepSpeech?
- Dati pixel grezzi
- Trascrizioni di testi già scritti
- Tag di metadati MP3 compressi
- Funzionalità dello spettrogramma o MFCC calcolate su brevi fotogrammi audio
- Cosa viene spesso aggiunto in fase di decodifica per migliorare la scelta delle parole e l'ortografia di DeepSpeech?
- Un modello linguistico esterno (ad esempio, un modello n-grammi)
- Un secondo microfono
- Un classificatore di immagini più grande
- Un chip di crittografia hardware
- 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
- 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
- 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