แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเรียนรู้การฝังเสียงและการเป็นตัวแทน

ตรวจสอบว่าการฝังเสียงเข้ารหัสเสียงอย่างไร การฝึกอบรมเชิงเปรียบเทียบเชื่อมโยงเสียงและข้อความอย่างไร และวิธีที่เรียนรู้ถ่ายโอนเวกเตอร์ข้ามงานต่างๆ

คำถาม 1 ของ 8

การฝังเสียงคืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การฝังเสียงคืออะไร?
    • เวกเตอร์ตัวเลขที่มีความยาวคงที่ซึ่งแสดงถึงลักษณะที่มีความหมายของเสียง
    • ไฟล์เสียงเวอร์ชัน MP3 ที่ถูกบีบอัด
    • สำเนาคำพูดที่เป็นลายลักษณ์อักษร
    • ระดับเสียงที่วัดเป็นเดซิเบล
  2. เหตุใดการเรียนรู้ด้วยตนเองจึงมีความสำคัญสำหรับการฝังเสียง
    • จำเป็นต้องมีการบันทึกเสียงในสตูดิโอ
    • เรียนรู้การนำเสนอที่เป็นประโยชน์จากเสียงที่ไม่มีป้ายกำกับ ช่วยลดความจำเป็นในการใช้ป้ายกำกับของมนุษย์
    • ใช้ได้กับดนตรีเท่านั้น ไม่ใช่คำพูด
    • รับประกันความแม่นยำในการถอดเสียงที่สมบูรณ์แบบ
  3. Wav2Vec 2.0 เรียนรู้อย่างไรระหว่างการฝึกล่วงหน้า?
    • โดยการแปลเสียงเป็นภาษาฝรั่งเศส
    • โดยจดจำไฟล์การฝึกทุกไฟล์ได้อย่างแม่นยำ
    • ด้วยการปิดบังช่วงเสียงและทำนายหน่วยปริมาณที่ถูกต้องในหมู่ผู้รบกวน
    • โดยการวัดขนาดไฟล์ของแต่ละคลิป
  4. โมเดลอย่าง CLAP จัดตำแหน่งอย่างไรในพื้นที่ฝังที่ใช้ร่วมกัน
    • สองเฟรมวิดีโอที่แตกต่างกัน
    • พิกเซลและฮิสโตแกรมสี
    • ระดับแบตเตอรี่และการใช้งาน CPU
    • คำอธิบายเสียงและข้อความที่ตรงกัน
  5. ก่อนที่จะส่งเสียงไปยังโครงข่ายประสาทเทียม การแปลงทั่วไปใดบ้างที่มักใช้
    • การแปลงเป็นสเปกโตรแกรมหรือการแสดงตัวกรองที่เรียนรู้
    • พิมพ์เป็นแผ่นเพลง
    • การลบความถี่ทั้งหมดที่อยู่เหนือการได้ยินของมนุษย์อย่างถาวร
    • แปลงเป็นภาพ JPEG ของปกอัลบั้ม
  6. งานใดในโลกแห่งความเป็นจริงที่ต้องอาศัยการเปรียบเทียบการฝังเสียงโดยตรง
    • การคำนวณราคาซื้อเพลง
    • การเสียดสีผู้พูด การหาว่าใครพูดเมื่อใด
    • การเลือกอาร์ตเวิร์กปกอัลบั้ม
    • การตั้งค่าความสว่างหน้าจอ
  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