Upachikaji wa Sauti na Maswali ya Kujifunza ya Uwakilishi

Majibu na maelezo huonekana unapojibu maswali.

1. Upachikaji wa sauti ni nini?
   • Vekta ya urefu usiobadilika ya nambari inayowakilisha vipengele muhimu vya sauti
   • Toleo la MP3 lililobanwa la faili ya sauti
   • Nakala iliyoandikwa ya maneno yaliyosemwa
   • Kiwango cha sauti kinachopimwa kwa desibeli
2. Kwa nini kujifunza kwa kujisimamia ni muhimu sana kwa upachikaji wa sauti?
   • Inahitaji sauti ili kurekodiwa katika studio
   • Hujifunza uwasilishaji muhimu kutoka kwa sauti isiyo na lebo, na hivyo kupunguza hitaji la lebo za kibinadamu
   • Inafanya kazi tu kwenye muziki, sio hotuba
   • Inahakikisha usahihi kamili wa unukuzi
3. Je, Wav2Vec 2.0 hujifunza vipi wakati wa mafunzo ya awali?
   • Kwa kutafsiri sauti katika Kifaransa
   • Kwa kukariri kila faili ya mafunzo haswa
   • Kwa kuficha vipindi vya sauti na kutabiri kitengo sahihi cha kadiri kati ya vipotoshi
   • Kwa kupima saizi ya faili ya kila klipu
4. Je, muundo kama vile CLAP unapanga nini katika nafasi iliyoshirikiwa ya kupachika?
   • Muafaka mbili tofauti za video
   • Pixels na histograms za rangi
   • Kiwango cha betri na matumizi ya CPU
   • Maelezo ya sauti na maandishi yanayolingana
5. Kabla ya kulisha sauti kwa mtandao wa neva, ni mabadiliko gani ya kawaida ambayo hutumiwa mara nyingi?
   • Kuibadilisha kuwa spectrogram au uwakilishi wa kichujio uliojifunza
   • Kuichapisha kama muziki wa karatasi
   • Inafuta masafa yote juu ya usikivu wa binadamu kabisa
   • Kuibadilisha kuwa picha ya JPEG ya jalada la albamu
6. Ni kazi gani ya ulimwengu halisi ambayo inategemea moja kwa moja kulinganisha upachikaji wa sauti?
   • Kuhesabu bei ya ununuzi wa wimbo
   • Spika diarization, kuhesabia nani alizungumza wakati
   • Kuchagua mchoro wa jalada la albamu
   • Kuweka mwangaza wa skrini
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