Questionário vinculado ao guia · Médio Nível
Questionário de alinhamento de palavras com registro de data e hora do Whisper
Veja como os métodos de alinhamento de palavras do Whisper estimam os carimbos de data/hora e por que o alinhamento forçado e a atenção cruzada têm limites diferentes.
Pergunta 1 de 8
O que o alinhamento em nível de palavra acrescenta que falta na saída nativa do Whisper?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- O que o alinhamento em nível de palavra acrescenta que falta na saída nativa do Whisper?
- Um horário de início e término para cada palavra individual
- Maior precisão de transcrição
- Etiquetas de identidade do palestrante
- Remoção de ruído de fundo
- Qual sinal interno o carimbo de data / hora do sussurro usa para localizar palavras no tempo?
- A amplitude da forma de onda de áudio
- A atenção cruzada do decodificador pesa sobre os quadros de áudio
- Os gradientes do otimizador
- O tamanho do vocabulário do tokenizer
- Why does whisper-timestamped use Dynamic Time Warping during alignment?
- To translate the transcript into another language
- To identify the speaker without using audio
- To find an ordered, monotonic path between token and audio-frame scores
- To guarantee exact boundaries for every word
- Como o WhisperX aprimora os limites das palavras em comparação com a atenção bruta?
- Aumenta a taxa de amostragem
- Ele usa apenas um ponto de verificação Whisper maior
- Remove a pontuação
- Ele executa um modelo separado de alinhamento forçado baseado em fonemas no texto
- A que taxa o codificador do Whisper produz quadros de áudio?
- Cerca de 50 quadros por segundo (um a cada 20 ms)
- Exatamente 1 quadro por segundo
- 1000 quadros por segundo
- Um quadro por palavra
- Em que comprimento o Whisper processa o áudio?
- Pedaços de 5 segundos
- Pedaços de 30 segundos
- Pedaços de 2 minutos
- Amostras únicas
- What does forced alignment assume is already available?
- A speaker identity for every sound
- A translation in every language
- A transcript to align with the audio
- A list of subtitle colors
- What limitation should users keep in mind when interpreting word timestamps?
- They prove the transcript is error-free
- They always identify the speaker correctly
- They are guaranteed to have millisecond accuracy
- They are estimates and can be wrong when speech or alignment is difficult