Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Usanifu wa DeepSpeech

Gundua vipengele vya sauti vya DeepSpeech, muktadha unaojirudia, matokeo ya wahusika, mipangilio ya CTC na muktadha unaohitajika kwa utambuzi wa nje ya mtandao au moja kwa moja.

Njia za mwongozo zinazohusianaUsanifu wa Deepspeech
Swali 1 ya 8

Ni utendakazi gani wa upotezaji unaoruhusu DeepSpeech kutoa mafunzo bila usawazishaji wa kiwango cha fremu kati ya sauti na maandishi?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Ni utendakazi gani wa upotezaji unaoruhusu DeepSpeech kutoa mafunzo bila usawazishaji wa kiwango cha fremu kati ya sauti na maandishi?
    • Wastani wa hitilafu ya mraba
    • Mvuka-entropy juu ya madirisha ya urefu usiobadilika
    • Uainishaji wa Muda wa Muunganisho (CTC)
    • Kupoteza mara tatu
  2. Ni falsafa gani kuu ya usanifu ambayo DeepSpeech ilieneza umaarufu?
    • Mafunzo ya mwisho hadi mwisho ya mtandao mmoja wa neva kutoka vipengele vya sauti hadi maandishi
    • Kugawanya utambuzi katika vipengele vingi vilivyoundwa kwa mkono, tofauti
    • Kwa kutumia kamusi za kifonetiki zinazotegemea kanuni pekee
    • Kutambua usemi kwa kulinganisha violezo pekee
  3. Kwa nini DeepSpeech hutumia safu inayorudiwa ya pande mbili?
    • Ili kubana saizi ya faili ya sauti
    • Ili kutoa kila muktadha wa utabiri kutoka kwa fremu zilizopita na zijazo
    • Ili kutafsiri kati ya lugha
    • Ili kuondoa hitaji la data yoyote ya mafunzo
  4. Je, DeepSpeech hufanya kazi kwa aina gani ya vipengele vya ingizo?
    • Data ya pikseli ghafi
    • Nakala za maandishi zilizoandikwa mapema
    • Lebo za metadata za MP3 zilizobanwa
    • Vipengele vya Spectrogram au MFCC vilivyokokotwa juu ya fremu fupi za sauti
  5. Ni nini mara nyingi huongezwa wakati wa kusimbua ili kuboresha chaguo la maneno na tahajia ya DeepSpeech?
    • Muundo wa lugha ya nje (k.m., muundo wa n-gram)
    • Maikrofoni ya pili
    • Kiainishi kikubwa cha picha
    • Chip ya usimbaji fiche ya maunzi
  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