Викторина Wav2Vec 2.0

Ответы и пояснения появляются по мере прохождения теста.

1. Для решения какой основной проблемы распознавания речи был разработан Wav2Vec 2.0?
   • Нехватка размеченного (расшифрованного) аудио
   • Аудиофайлы слишком велики для хранения
   • Микрофоны слишком дорогие
   • Текст сложно токенизировать
2. Какую цель обучения использует Wav2Vec 2.0 во время предварительного обучения?
   • Прямая классификация фонем с полными метками
   • Контрастная потеря замаскированных скрытых сегментов.
   • Пиксельная реконструкция
   • Обучение с подкреплением на основе отзывов людей
3. Какой компонент первым обрабатывает необработанный сигнал в Wav2Vec 2.0?
   • Рекуррентный LSTM
   • Диффузионный пробоотборник
   • Многоуровневый кодировщик функций CNN
   • Экстрактор MFCC ручной работы.
4. In a reported LibriSpeech experiment, what small labeled-data setup demonstrated low-label potential?
   • 10 minutes unlabeled with no pretraining
   • 53,000 hours labeled with no pretraining
   • One hour labeled with no unlabeled data
   • 10 minutes labeled after pretraining on 53,000 hours of unlabeled speech
5. Какова роль изученной кодовой книги в Wav2Vec 2.0?
   • Он дискретизирует непрерывный звук на конечные речевые единицы.
   • Он хранит пароли пользователей
   • Он сжимает окончательную расшифровку
   • Он выбирает усиление микрофона
6. Какая крупная многоязычная модель построена на основе подхода Wav2Vec 2.0?
   • ГПТ-2
   • XLS-R
   • Stable Diffusion
   • РесНет-50
7. What does the Transformer contribute during Wav2Vec 2.0 pretraining?
   • Converts transcripts into audio
   • Clusters final text into language labels
   • Contextualizes latent speech features around masked spans
   • Removes the feature encoder
8. What is typically done after self-supervised pretraining to create an ASR model?
   • Replace the audio encoder with an image classifier
   • Train only on unlabeled text
   • Discard the model and use k-means alone
   • Fine-tune with transcribed speech