Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Pengecaman Penceramah ECAPA-TDNN

Terokai pembenaman pembesar suara ECAPA-TDNN, perhatian saluran, pengagregatan ciri, pengumpulan penuh perhatian, pemarkahan kosinus dan penanda aras pembesar suara.

Laluan panduan yang berkaitanPengiktirafan Penceramah Ecapa Tdnn
soalan 1 daripada 8

Apakah keluaran utama model ECAPA-TDNN untuk klip pertuturan tertentu?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah keluaran utama model ECAPA-TDNN untuk klip pertuturan tertentu?
    • Benam pembesar suara dengan panjang tetap (cap suara)
    • Transkrip perkataan yang diucapkan
    • Label emosi penceramah
    • Bentuk gelombang audio yang ditakrifkan
  2. Bagaimanakah dua benam ECAPA-TDNN biasanya dibandingkan untuk menentukan sama ada ia tergolong dalam pembesar suara yang sama?
    • Kadar ralat perkataan
    • Persamaan kosinus
    • Min perbezaan piksel kuasa dua
    • Edit jarak
  3. Apakah yang dilakukan oleh lapisan 'pengumpulan statistik penuh perhatian'?
    • Mengalih keluar muzik latar belakang sebelum pengecaman
    • Menterjemah pertuturan ke dalam bahasa lain
    • Mengira min wajaran yang dipelajari dan sisihan piawai ke atas bingkai
    • Meningkatkan kadar sampel audio
  4. Set data manakah yang paling biasa digunakan untuk melatih dan menanda aras model pembesar suara ECAPA-TDNN?
    • ImageNet
    • Kapsyen LibriSpeech sahaja
    • MNIST
    • VoxCeleb
  5. Apakah sumbangan blok 'SE' (Squeeze-Excitation) kepada seni bina?
    • Ia menimbang semula saluran ciri berdasarkan konteks global
    • Ia memampatkan fail audio untuk penyimpanan
    • Ia melakukan penyahkodan pertuturan ke teks
    • Ia menjana suara latihan sintetik
  6. Fungsi kehilangan yang manakah biasanya digunakan untuk melatih ECAPA-TDNN bagi pembenaman diskriminatif?
    • Min ralat mutlak
    • Softmax margin sudut tambahan (AAM-softmax)
    • Kehilangan piksel kontrastif
    • Pengelasan temporal Connectionist sahaja
  7. Which ECAPA-TDNN component combines information from shallow and deep network layers?
    • A residual vector quantizer
    • A weighted finite-state transducer
    • Multi-layer feature aggregation
    • A text normalization grammar
  8. On which benchmark does the guide report ECAPA-TDNN reaching an equal error rate below roughly one percent?
    • ASVspoof 2021
    • LibriSpeech test-clean
    • Common Voice
    • VoxCeleb1