Questionário de reconhecimento de fala por sussurro

As respostas e explicações aparecem conforme você responde ao teste.

1. Aproximadamente em quantas horas de áudio o Whisper foi treinado?
   • 680.000 horas
   • 6.800 horas
   • 68.000 horas
   • 6,8 milhões de horas
2. Que representação intermediária o Whisper calcula a partir do áudio bruto antes do codificador?
   • Um tensor de forma de onda bruta
   • Um espectrograma log-Mel
   • Somente recursos delta do MFCC
   • Um vetor de fonema único
3. Como um único modelo Whisper executa múltiplas tarefas, como transcrição e tradução?
   • Carrega um modelo diferente por tarefa
   • Ele executa cabeçotes separados e ajustados em paralelo
   • Tokens de prompt especiais especificam a tarefa durante a decodificação
   • Os usuários editam o espectrograma manualmente
4. Qual arquitetura neural geral o Whisper usa?
   • Uma rede apenas convolucional
   • Uma pilha LSTM recorrente
   • Um modelo de difusão
   • Um codificador-decodificador Transformer
5. Por que o Whisper é considerado especialmente robusto em comparação com os sistemas ASR anteriores?
   • Ele foi treinado em áudio da web diversificado e barulhento do mundo real
   • Funciona apenas em áudio limpo de estúdio
   • Não usa aprendizado de máquina
   • Requer um microfone personalizado
6. Sob que licença os pesos dos modelos do Whisper foram lançados?
   • Proprietário, somente API
   • MIT (código aberto)
   • GPL sem uso comercial
   • Creative Commons não derivado
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