Questionário de aprendizagem de representação e incorporação de áudio

As respostas e explicações aparecem conforme você responde ao teste.

1. O que é uma incorporação de áudio?
   • Um vetor de números de comprimento fixo que representa as características significativas de um som
   • Uma versão compactada em MP3 do arquivo de áudio
   • Uma transcrição escrita de palavras faladas
   • Um nível de volume medido em decibéis
2. Por que o aprendizado autossupervisionado é tão importante para incorporações de áudio?
   • Requer que o áudio seja gravado em um estúdio
   • Ele aprende representações úteis de áudio não rotulado, reduzindo a necessidade de rótulos humanos
   • Funciona apenas com música, não com fala
   • Garante precisão de transcrição perfeita
3. Como o Wav2Vec 2.0 aprende durante o pré-treinamento?
   • Traduzindo o áudio para o francês
   • Memorizando exatamente cada arquivo de treinamento
   • Ao mascarar extensões de áudio e prever a unidade quantizada correta entre distratores
   • Medindo o tamanho do arquivo de cada clipe
4. O que um modelo como o CLAP alinha em um espaço de incorporação compartilhado?
   • Dois quadros de vídeo diferentes
   • Pixels e histogramas de cores
   • Nível da bateria e uso da CPU
   • Descrições de áudio e texto correspondente
5. Antes de alimentar uma rede neural com áudio, que transformação comum é frequentemente aplicada?
   • Convertendo-o em um espectrograma ou representação de filtro aprendida
   • Imprimindo como partitura
   • Excluindo todas as frequências acima da audição humana permanentemente
   • Convertendo-o para uma imagem JPEG da capa do álbum
6. Qual tarefa do mundo real depende diretamente da comparação de incorporações de áudio?
   • Calculando o preço de compra de uma música
   • Diarização do palestrante, descobrir quem falou quando
   • Escolhendo a arte da capa do álbum
   • Configurando o brilho da tela
7. During contrastive audio-text training, what happens to a matching audio clip and its text description?
   • They are converted into the same raw waveform
   • The text embedding is discarded
   • Their embeddings are pulled closer while mismatched pairs are pushed apart
   • The audio is assigned a speaker name as a class label
8. Why can one self-supervised audio embedding be reused across several downstream tasks?
   • It stores the original waveform without compression
   • It contains a manually written label for every possible sound
   • It works only for one speaker and one recording
   • It captures general acoustic structure that can support tasks with little extra labeled data