Chestionar de învățare privind încorporarea audio și reprezentarea

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce este o încorporare audio?
   • Un vector cu lungime fixă de numere care reprezintă caracteristicile semnificative ale unui sunet
   • O versiune comprimată MP3 a fișierului audio
   • O transcriere scrisă a cuvintelor rostite
   • Un nivel de volum măsurat în decibeli
2. De ce este atât de importantă învățarea autosupravegheată pentru încorporarea audio?
   • Necesită înregistrarea audio într-un studio
   • Învață reprezentări utile din sunetul neetichetat, reducând nevoia de etichete umane
   • Funcționează doar pe muzică, nu pe vorbire
   • Acesta garantează acuratețea perfectă a transcripției
3. Cum învață Wav2Vec 2.0 în timpul antrenamentului?
   • Prin traducerea audio în franceză
   • Prin memorarea exactă a fiecărui fișier de antrenament
   • Prin mascarea intervalelor de audio și prezicerea unității cuantificate corecte printre distractori
   • Măsurând dimensiunea fișierului fiecărui clip
4. Ce se aliniază un model precum CLAP într-un spațiu de încorporare comun?
   • Două cadre video diferite
   • Pixeli și histograme de culoare
   • Nivelul bateriei și utilizarea procesorului
   • Descrieri audio și text potrivite
5. Înainte de a furniza audio la o rețea neuronală, ce transformare comună se aplică adesea?
   • Conversia acestuia într-o spectrogramă sau o reprezentare a filtrului învățat
   • Se imprimă ca partitură
   • Ștergerea permanentă a tuturor frecvențelor deasupra auzului uman
   • Convertirea acesteia într-o imagine JPEG a copertei albumului
6. Ce sarcină din lumea reală se bazează direct pe compararea înglobărilor audio?
   • Calcularea prețului de achiziție al unei melodii
   • Diarizarea vorbitorului, a afla cine a vorbit când
   • Alegerea ilustrației pentru coperta albumului
   • Setarea luminozității ecranului
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