Test de arhitectură DeepSpeech

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce funcție de pierdere permite DeepSpeech să se antreneze fără alinierea la nivel de cadru între audio și text?
   • Eroare medie pătratică
   • Entropie încrucișată peste ferestre cu lungime fixă
   • Clasificarea temporală conecționistă (CTC)
   • Pierderea tripletului
2. Care a fost principala filozofie arhitecturală pe care DeepSpeech a popularizat-o?
   • Antrenament de la capăt la capăt al unei singure rețele neuronale, de la caracteristici audio la text
   • Împărțirea recunoașterii în multe componente separate, concepute manual
   • Folosind doar dicționare fonetice bazate pe reguli
   • Recunoașterea discursului pur cu potrivirea șablonului
3. De ce folosește DeepSpeech un strat recurent bidirecțional?
   • Pentru a comprima dimensiunea fișierului audio
   • Pentru a oferi fiecărui context de predicție atât din cadrele trecute, cât și din cele viitoare
   • Pentru a traduce între limbi
   • Pentru a elimina necesitatea oricăror date de antrenament
4. Pe ce fel de caracteristici de intrare funcționează de obicei DeepSpeech?
   • Date brute de pixeli
   • Transcrieri de text pre-scrise
   • Etichete de metadate MP3 comprimate
   • Spectrogramă sau caracteristici MFCC calculate pe cadre audio scurte
5. Ce se adaugă adesea la momentul decodării pentru a îmbunătăți alegerea cuvintelor și ortografia DeepSpeech?
   • Un model de limbaj extern (de exemplu, un model n-gram)
   • Un al doilea microfon
   • Un clasificator de imagini mai mare
   • Un cip de criptare hardware
6. What does the original DeepSpeech output layer predict at each acoustic time step?
   • A fixed speaker-identity vector only
   • A single complete translated document with no time steps
   • A probability distribution over character labels and the CTC blank
   • The recording's filename and compression format
7. How does CTC relate an acoustic-frame label path to the final DeepSpeech transcript?
   • It sorts all character labels alphabetically
   • It requires exactly one audio frame for each word
   • It keeps every repeated frame label as a separate written character
   • It collapses repetitions and removes blank symbols according to the CTC rule
8. Why does original DeepSpeech's bidirectional acoustic context matter when designing a live recognizer?
   • Bidirectional recurrence needs no future observations
   • Future-frame context requires lookahead or waiting, so it is not automatically zero-lookahead streaming
   • The network can know later audio before it is recorded
   • A character language model removes all buffering requirements