Викторина, связанная с руководством · Средний Уровень

Викторина по встраиванию динамиков X-Vector

Просмотрите особенности идентификации x-вектора, временной контекст TDNN, объединение статистических данных, встраивание скрытых слоев и методы оценки для сравнения говорящих.

Связанные направляющие путиВстраивание векторных динамиков X
Вопрос 1 из 8

What information is a speaker-recognition x-vector designed to emphasize?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  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. Какой уровень превращает высказывание переменной длины в один вектор фиксированной длины в сети x-векторов?
    • Сверточный фильтр изображений
    • Уровень объединения статистики, который вычисляет среднее и стандартное отклонение во времени.
    • Выпадающий слой
    • Окончательный softmax, используемый в качестве самого встраивания.
  3. Какой тип нейронной сети традиционно используется для извлечения x-векторов?
    • Генеративно-состязательная сеть
    • Ансамбль дерева решений
    • Нейронная сеть с задержкой (TDNN)
    • Простая линейная регрессия
  4. Как обычно сравнивают два x-вектора, чтобы определить, исходят ли они от одного и того же говорящего?
    • По косинусному подобию или бэкэнду PLDA
    • Подсчитав совпадающие слова
    • Сравнивая размеры файлов
    • Проверяя частоту дискретизации звука
  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
    • i-векторы
    • An audio file-size histogram
  6. Какая новая архитектура улучшает классический x-вектор с вниманием к каналам и внимательным объединением статистики?
    • ResNet-50 для изображений
    • ГПТ-2
    • ЙОЛО
    • 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