Quiz dotyczący rozpoznawania mowy szeptanej

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Mniej więcej, na ilu godzinach dźwięku Whisper był szkolony?
   • 680 000 godzin
   • 6800 godzin
   • 68 000 godzin
   • 6,8 miliona godzin
2. Jaką pośrednią reprezentację oblicza Whisper z surowego dźwięku przed koderem?
   • Surowy tensor przebiegu
   • Spektrogram log-Mel
   • Tylko funkcje delta MFCC
   • Wektor jednego gorącego fonemu
3. W jaki sposób pojedynczy model Whisper wykonuje wiele zadań, takich jak transkrypcja i tłumaczenie?
   • Ładuje inny model dla każdego zadania
   • Obsługuje równolegle oddzielne, precyzyjnie dostrojone głowice
   • Specjalne żetony podpowiedzi określają zadanie podczas dekodowania
   • Użytkownicy edytują spektrogram ręcznie
4. Z jakiej ogólnej architektury neuronowej korzysta Whisper?
   • Sieć splotowa
   • Powtarzający się stos LSTM
   • Model dyfuzyjny
   • Koder-dekoder transformatora
5. Dlaczego Whisper jest uważany za szczególnie wytrzymały w porównaniu do wcześniejszych systemów ASR?
   • Został przeszkolony w zakresie zróżnicowanego, hałaśliwego, rzeczywistego dźwięku internetowego
   • Działa tylko w przypadku studyjnie czystego dźwięku
   • Nie wykorzystuje uczenia maszynowego
   • Wymaga niestandardowego mikrofonu
6. Na jakiej licencji zostały wypuszczone obciążniki modeli Whisper?
   • Zastrzeżone, tylko API
   • MIT (otwarte oprogramowanie)
   • GPL bez użytku komercyjnego
   • Creative Commons nie jest pochodną
7. Approximately how long is each audio segment Whisper converts to a log-Mel spectrogram?
   • 3 seconds
   • 3 minutes
   • 30 seconds
   • 30 minutes
8. What does Whisper’s English-translation task produce from non-English speech?
   • A translated recording in the speaker’s voice
   • Only a transcript in the original language
   • A list of detected speakers
   • An English text translation