Kuiz Wav2Vec 2.0

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah masalah teras dalam pengecaman pertuturan yang direka bentuk untuk ditangani oleh Wav2Vec 2.0?
   • Kekurangan audio berlabel (transkripsi).
   • Fail audio terlalu besar untuk disimpan
   • Mikrofon terlalu mahal
   • Teks sukar untuk dijadikan token
2. Apakah jenis objektif pembelajaran yang Wav2Vec 2.0 gunakan semasa pralatihan?
   • Klasifikasi fonem langsung dengan label penuh
   • Kehilangan kontras terhadap segmen terpendam bertopeng
   • Pembinaan semula piksel
   • Pembelajaran pengukuhan daripada maklum balas manusia
3. Apakah komponen yang mula-mula memproses bentuk gelombang mentah dalam Wav2Vec 2.0?
   • LSTM berulang
   • Pensampel resapan
   • Pengekod ciri CNN berbilang lapisan
   • Pengekstrak MFCC buatan tangan
4. 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
5. Apakah peranan buku kod yang dipelajari dalam Wav2Vec 2.0?
   • Ia mendiskrisikan audio berterusan kepada unit pertuturan terhingga
   • Ia menyimpan kata laluan pengguna
   • Ia memampatkan transkrip akhir
   • Ia memilih keuntungan mikrofon
6. Model berbilang bahasa besar manakah yang dibina pada pendekatan Wav2Vec 2.0?
   • GPT-2
   • XLS-R
   • Stable Diffusion
   • ResNet-50
7. 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
8. 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