Questionário sobre incorporações de alto-falantes X-Vector

As respostas e explicações aparecem conforme você responde ao teste.

1. What information is a speaker-recognition x-vector designed to emphasize?
   • Only the exact words spoken as text
   • Only the recording's file format
   • A guaranteed identity proof unaffected by recording conditions
   • Speaker-related characteristics rather than a transcript of the utterance
2. Qual camada transforma uma expressão de comprimento variável em um único vetor de comprimento fixo na rede de vetores x?
   • Um filtro de imagem convolucional
   • Uma camada de agrupamento de estatísticas que calcula a média e o desvio padrão ao longo do tempo
   • Uma camada de eliminação
   • Um softmax final usado como a própria incorporação
3. Que tipo de rede neural é tradicionalmente usada para extrair vetores x?
   • Uma rede adversária generativa
   • Um conjunto de árvore de decisão
   • Uma rede neural com atraso de tempo (TDNN)
   • Uma regressão linear simples
4. Como dois vetores x são normalmente comparados para decidir se eles vêm do mesmo alto-falante?
   • Por similaridade de cosseno ou backend PLDA
   • Contando palavras correspondentes
   • Comparando tamanhos de arquivo
   • Verificando a taxa de amostragem de áudio
5. Which established representation supplied comparison baselines in the 2018 x-vector speaker-recognition study?
   • A visual image-token embedding
   • A text-only word-count vector
   • vetores i
   • An audio file-size histogram
6. Qual arquitetura mais recente melhora o vetor x clássico com atenção de canal e agrupamento atento de estatísticas?
   • ResNet-50 para imagens
   • GPT-2
   • YOLO
   • ECAPA-TDNN
7. Why is the classic x-vector extracted from a hidden segment-level layer rather than used as the final training-speaker softmax output?
   • The hidden representation can be compared as an embedding instead of being limited to probabilities for the training speaker labels
   • The hidden layer contains the recording's text transcript
   • Softmax probabilities are the only place where acoustic information exists
   • Hidden layers cannot process an unseen recording
8. What does a time-delay layer contribute before statistics pooling in an x-vector extractor?
   • It stores only a single final filename
   • It combines information from neighboring acoustic frames, building temporal context
   • It assigns a new random speaker label to every frame
   • It removes all time information before any acoustic processing