Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Diarisasi Penceramah

Semak diarisasi pembesar suara, label pembesar suara tanpa nama, pengendalian pertindihan dan komponen kadar ralat diarisasi. merentasi konvensyen pemarkahan biasa.

Laluan panduan yang berkaitanDiarisasi pembesar suara
soalan 1 daripada 8

Diarisasi pembesar suara selalunya diringkaskan dengan soalan yang manakah?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Diarisasi pembesar suara selalunya diringkaskan dengan soalan yang manakah?
    • Apakah perkataan yang diucapkan?
    • Apakah bahasa yang digunakan?
    • Siapa yang bercakap bila?
    • Apakah emosi dalam suara itu?
  2. Apakah pembenaman pembesar suara?
    • Transkrip ucapan
    • Cap masa menandakan senyap
    • Format mampatan untuk audio
    • Vektor panjang tetap yang mewakili ciri suara
  3. Metrik manakah yang biasa digunakan untuk menilai sistem diarisasi?
    • Kadar Ralat Diarisasi (DER)
    • Kadar Ralat Perkataan (WER)
    • Nisbah Isyarat-kepada-Bunyi (SNR)
    • Kadar Bingkai
  4. Adakah diarisasi standard perlu mengetahui nama sebenar pembesar suara terlebih dahulu?
    • Ya, nama diperlukan sebagai input
    • Tidak, ia memberikan label tanpa nama seperti Speaker 1 dan Speaker 2
    • Ya, tetapi hanya penceramah pertama
    • Tidak, ia sentiasa mengeluarkan identiti penuh
  5. What problem does permutation-invariant training solve in end-to-end neural diarization?
    • It removes the need for an audio signal
    • It evaluates speaker outputs over permutations so arbitrary output-label order does not affect training
    • It identifies a person’s legal name from their voice
    • It forces the model to use exactly one speaker channel
  6. Langkah manakah yang biasanya didahulukan dalam saluran paip diarisasi klasik?
    • Mengelompokkan benam ke dalam pembesar suara
    • Memberi nama sebenar
    • Menterjemah audio
    • Pengesanan aktiviti suara untuk mencari kawasan pertuturan
  7. Which error categories commonly make up Diarization Error Rate?
    • Missed speech, false alarm speech and speaker confusion
    • Word error, punctuation and translation error
    • Only missed speech
    • Pitch, loudness and speaking rate
  8. How can an end-to-end diarization model represent simultaneous speakers?
    • By forcing every frame to contain exactly one speaker
    • By predicting multiple active speaker labels for the same time region
    • By assigning real names to all voices
    • By deleting overlap before analysis