Questionário vinculado ao guia · Médio Nível

Questionário Wav2Vec 2.0

Teste a receita de pré-treinamento autosupervisionado do Wav2Vec 2.0, o objetivo contrastante e os limites de seus resultados LibriSpeech de baixo rótulo.

Caminhos de guia relacionadosWav2vec 2 0
Pergunta 1 de 8

Qual problema central no reconhecimento de fala o Wav2Vec 2.0 foi projetado para resolver?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual problema central no reconhecimento de fala o Wav2Vec 2.0 foi projetado para resolver?
    • A escassez de áudio rotulado (transcrito)
    • Arquivos de áudio muito grandes para serem armazenados
    • Microfones sendo muito caros
    • Texto sendo difícil de tokenizar
  2. Que tipo de objetivo de aprendizagem o Wav2Vec 2.0 usa durante o pré-treinamento?
    • Classificação direta de fonemas com rótulos completos
    • Uma perda contrastiva sobre segmentos latentes mascarados
    • Reconstrução de pixels
    • Aprendizagem por reforço com feedback humano
  3. Qual componente processa primeiro a forma de onda bruta no Wav2Vec 2.0?
    • Um LSTM recorrente
    • Um amostrador de difusão
    • Um codificador de recursos CNN multicamadas
    • Um extrator MFCC artesanal
  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. Qual é a função do livro de códigos aprendido no Wav2Vec 2.0?
    • Ele discretiza o áudio contínuo em unidades de fala finitas
    • Ele armazena senhas de usuários
    • Ele comprime a transcrição final
    • Ele seleciona o ganho do microfone
  6. Qual grande modelo multilíngue é construído com base na abordagem 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