แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบคำบรรยายเสียง
ตรวจสอบคำอธิบายเสียงและการถอดเสียงคำพูดด้วย Clotho และ AudioCaps คำอธิบายภาพตัวเข้ารหัส-ตัวถอดรหัส การประเมิน CIDEr และการอ้างอิง Clotho ต้นฉบับ
คำถาม 1 ของ 8
คำบรรยายเสียงแตกต่างจากการรู้จำเสียงอัตโนมัติอย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- คำบรรยายเสียงแตกต่างจากการรู้จำเสียงอัตโนมัติอย่างไร
- มันใช้งานได้เฉพาะในความเงียบเท่านั้น
- มันช้ากว่าแต่ก็เหมือนกันในเอาต์พุต
- โดยจะอธิบายฉากอะคูสติกโดยรวมมากกว่าการถอดเสียงคำพูด
- มันแปลงข้อความเป็นเสียง
- ชุดข้อมูลที่เผยแพร่ใดที่มีคำอธิบายเสียงทั่วไปสำหรับคำบรรยายในคู่มือนี้
- MNIST and CIFAR only
- Clotho และ AudioCaps
- A mandatory bank-transaction table
- Only a raw network-password list
- สถาปัตยกรรมใดที่พื้นฐาน Clotho ดั้งเดิมที่อ้างถึงใช้เพื่อสร้างคำบรรยายจากฟีเจอร์เสียง
- Only a fixed filename lookup
- Only a volume meter with no text output
- Only an unchanged grammar rule list
- An encoder-decoder scheme with attention
- เหตุใดคำบรรยายเสียงจึงมีคุณค่าต่อการเข้าถึง
- โดยจะอธิบายเสียงที่ไม่ใช่คำพูดสำหรับผู้ใช้ที่หูหนวกและมีปัญหาในการได้ยิน
- มันเพิ่มระดับเสียง
- มันจะลบเสียงรบกวนพื้นหลัง
- มันเข้ารหัสเสียง
- เอกสาร Clotho ใช้เมตริกการเปรียบเทียบการอ้างอิงใดในการประเมินคำบรรยาย
- RGB color values
- ไซเดอร์
- Audio sample rate alone
- Only a decibel reading
- อะไรคือความท้าทายที่สำคัญอย่างต่อเนื่องในคำบรรยายเสียง?
- ไฟล์เสียงมีขนาดเล็กเกินกว่าจะประมวลผลได้
- ไม่มีชุดข้อมูล
- คำบรรยายต้องมีความยาวได้เพียงคำเดียวเท่านั้น
- การสร้างคำอธิบายที่มีทั้งความถูกต้องและหลีกเลี่ยงรายละเอียดที่ทำให้เกิดภาพหลอน
- How many reference captions per audio file does the original Clotho paper report?
- ห้า
- หนึ่ง
- Fifteen
- หนึ่งร้อย
- How many log-mel-band features form each input frame in the original Clotho baseline described in the paper?
- 8
- 20
- 64
- 256