Quiz dotyczący napisów dźwiękowych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Czym napisy dźwiękowe różnią się od automatycznego rozpoznawania mowy?
   • Działa tylko przy ciszy
   • Jest wolniejszy, ale ma identyczną moc wyjściową
   • Opisuje ogólną scenę akustyczną, a nie transkrypcję wypowiadanych słów
   • Konwertuje tekst na dźwięk
2. Które opublikowane zbiory danych zawierają ogólne opisy audio dla napisów w tym przewodniku?
   • MNIST and CIFAR only
   • Clotho i AudioCaps
   • A mandatory bank-transaction table
   • Only a raw network-password list
3. Jakiej architektury używa cytowana oryginalna wersja bazowa Clotho do tworzenia napisów z funkcji audio?
   • Only a fixed filename lookup
   • Only a volume meter with no text output
   • Only an unchanged grammar rule list
   • An encoder-decoder scheme with attention
4. Dlaczego napisy dźwiękowe są cenne dla dostępności?
   • Opisuje dźwięki inne niż mowa dla użytkowników niesłyszących i niedosłyszących
   • Zwiększa głośność dźwięku
   • Usuwa szum tła
   • Szyfruje dźwięk
5. Jakiego miernika porównania referencji używa artykuł Clotho przy ocenie podpisów?
   • RGB color values
   • CIDEr
   • Audio sample rate alone
   • Only a decibel reading
6. Jakie jest główne ciągłe wyzwanie w zakresie napisów dźwiękowych?
   • Pliki audio są zbyt małe, aby je przetworzyć
   • Brak dostępnych zbiorów danych
   • Podpisy mogą mieć długość tylko jednego słowa
   • Tworzenie opisów, które są zarówno dokładne, jak i unikają halucynacyjnych szczegółów
7. How many reference captions per audio file does the original Clotho paper report?
   • Pięć
   • Jeden
   • Fifteen
   • Sto
8. How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
   • 8
   • 20
   • 64
   • 256