Викторина, связанная с руководством · Средний Уровень
Викторина на выравнивание слов с временной меткой
Узнайте, как методы выравнивания слов Whisper оценивают временные метки и почему принудительное выравнивание и перекрестное внимание имеют разные ограничения.
Вопрос 1 из 8
Что добавляет выравнивание на уровне слов, чего нет в родном выводе Whisper?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Что добавляет выравнивание на уровне слов, чего нет в родном выводе Whisper?
- Время начала и окончания для каждого отдельного слова
- Более высокая точность транскрипции
- Этикетки с идентификацией динамиков
- Удаление фонового шума
- Какой внутренний сигнал используется для определения местоположения слов во времени?
- Амплитуда звукового сигнала
- Перекрестное внимание декодера влияет на аудиокадры
- Градиенты оптимизатора
- Размер словаря токенизатора
- 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
- Как WhisperX обостряет границы слов по сравнению с необработанным вниманием?
- Это увеличивает частоту дискретизации
- Он использует только контрольную точку Whisper большего размера.
- Он удаляет пунктуацию
- Он запускает в тексте отдельную модель принудительного выравнивания на основе фонем.
- С какой скоростью кодер Whisper создает аудиокадры?
- Около 50 кадров в секунду (по одному каждые 20 мс)
- Ровно 1 кадр в секунду
- 1000 кадров в секунду
- Один кадр на слово
- Фрагментами какой длины Whisper обрабатывает звук?
- 5-секундные фрагменты
- 30-секундные фрагменты
- 2-минутные фрагменты
- Отдельные образцы
- 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