音声キャプションクイズ

クイズに答えると、答えと解説が表示されます。

1. 音声キャプションは自動音声認識とどう違うのですか?
   • 沈黙時にのみ機能します
   • 遅いですが出力は同じです
   • 話された言葉を書き写すのではなく、音響シーン全体を説明します。
   • テキストを音声に変換します
2. このガイドのキャプションに一般的な音声説明を提供する公開データセットはどれですか?
   • MNIST と CIFAR のみ
   • クロトとAudioCaps
   • 必須の銀行取引テーブル
   • 生のネットワークパスワードリストのみ
3. 引用されたオリジナルのClothoベースラインは、音声特徴からキャプションワードを生成するためにどのようなアーキテクチャを使用していますか?
   • 固定ファイル名のルックアップのみ
   • テキスト出力のない音量メーターのみ
   • 変更されていない文法規則リストのみ
   • 注目のエンコーダ/デコーダ方式
4. 音声キャプションがアクセシビリティにとって重要なのはなぜですか?
   • 聴覚障害者や聴覚障害のあるユーザー向けに、音声以外の音声について説明します。
   • オーディオの音量が上がります
   • バックグラウンドノイズを削除します
   • 音声を暗号化します
5. Clotho 論文はキャプション評価の中でどの参照比較指標を使用していますか?
   • RGB カラー値
   • サイダー
   • オーディオサンプルレートのみ
   • デシベルの測定値のみ
6. 音声キャプションにおける現在進行中の主要な課題は何ですか?
   • 音声ファイルが小さすぎるため処理できません
   • 利用可能なデータセットがありません
   • キャプションの長さは 1 単語のみです
   • 正確かつ幻覚的な詳細を避ける説明を作成する
7. Clotho の元の論文では、音声ファイルごとに参照キャプションがいくつ報告されていますか?
   • 5
   • 1 つ
   • Fifteen
   • 百
8. How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
   • 8
   • 20
   • 64
   • 256