Quiz collegato alla guida · Medio Livello
Wav2Vec 2.0Quiz
Metti alla prova la ricetta di pre-addestramento auto-supervisionato di Wav2Vec 2.0, l'obiettivo contrastivo e i limiti dei suoi risultati LibriSpeech a bassa etichetta.
Domanda 1 di 8
Quale problema fondamentale nel riconoscimento vocale è stato progettato per risolvere Wav2Vec 2.0?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema fondamentale nel riconoscimento vocale è stato progettato per risolvere Wav2Vec 2.0?
- La scarsità di audio etichettato (trascritto).
- I file audio sono troppo grandi per essere archiviati
- I microfoni sono troppo costosi
- Il testo è difficile da tokenizzare
- Che tipo di obiettivo di apprendimento utilizza Wav2Vec 2.0 durante il pre-allenamento?
- Classificazione diretta dei fonemi con etichette complete
- Una perdita di contrasto sui segmenti latenti mascherati
- Ricostruzione dei pixel
- Apprendimento per rinforzo dal feedback umano
- Quale componente elabora per primo la forma d'onda grezza in Wav2Vec 2.0?
- Un LSTM ricorrente
- Un campionatore di diffusione
- Un codificatore di funzionalità CNN multistrato
- Un estrattore MFCC artigianale
- 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
- Qual è il ruolo del libro di codici appreso in Wav2Vec 2.0?
- Discretizza l'audio continuo in unità vocali finite
- Memorizza le password degli utenti
- Comprime la trascrizione finale
- Seleziona il guadagno del microfono
- Quale grande modello multilingue è costruito sull'approccio Wav2Vec 2.0?
- GPT-2
- XLS-R
- Stable Diffusion
- ResNet-50
- 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
- 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