Gids-gekoppelde quiz · Middelmatig Niveau

DeepSpeech-architectuurquiz

Ontdek de akoestische functies van DeepSpeech, terugkerende context, karakteruitvoer, CTC-uitlijningen en de context die nodig is voor offline of live herkenning.

Gerelateerde gidspadenDeepspeech-architectuur
Vraag 1 van 8

Met welke verliesfunctie kan DeepSpeech trainen zonder uitlijning op frameniveau tussen audio en tekst?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Met welke verliesfunctie kan DeepSpeech trainen zonder uitlijning op frameniveau tussen audio en tekst?
    • Gemiddelde kwadratische fout
    • Cross-entropie over ramen met een vaste lengte
    • Connectionistische temporele classificatie (CTC)
    • Triplet verlies
  2. Wat was de belangrijkste architectuurfilosofie die DeepSpeech populair maakte?
    • End-to-end training van één enkel neuraal netwerk, van audiofuncties tot tekst
    • Herkenning opsplitsen in vele handgemaakte, afzonderlijke componenten
    • Alleen op regels gebaseerde fonetische woordenboeken gebruiken
    • Spraak herkennen puur met sjabloonmatching
  3. Waarom gebruikt DeepSpeech een bidirectionele terugkerende laag?
    • Om de audiobestandsgrootte te comprimeren
    • Om elke voorspellingscontext te geven vanuit zowel eerdere als toekomstige frames
    • Om te vertalen tussen talen
    • Om de noodzaak voor trainingsgegevens weg te nemen
  4. Met welke invoerfuncties werkt DeepSpeech doorgaans?
    • Ruwe pixelgegevens
    • Vooraf geschreven teksttranscripties
    • Gecomprimeerde MP3-metagegevenstags
    • Spectrogram- of MFCC-functies berekend over korte audioframes
  5. Wat wordt er vaak toegevoegd tijdens het decoderen om de woordkeuze en spelling van DeepSpeech te verbeteren?
    • Een extern taalmodel (bijvoorbeeld een n-grammodel)
    • Een tweede microfoon
    • Een grotere afbeeldingsclassificator
    • Een hardware-encryptiechip
  6. What does the original DeepSpeech output layer predict at each acoustic time step?
    • A fixed speaker-identity vector only
    • A single complete translated document with no time steps
    • A probability distribution over character labels and the CTC blank
    • The recording's filename and compression format
  7. How does CTC relate an acoustic-frame label path to the final DeepSpeech transcript?
    • It sorts all character labels alphabetically
    • It requires exactly one audio frame for each word
    • It keeps every repeated frame label as a separate written character
    • It collapses repetitions and removes blank symbols according to the CTC rule
  8. Why does original DeepSpeech's bidirectional acoustic context matter when designing a live recognizer?
    • Bidirectional recurrence needs no future observations
    • Future-frame context requires lookahead or waiting, so it is not automatically zero-lookahead streaming
    • The network can know later audio before it is recorded
    • A character language model removes all buffering requirements