แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบ Wav2Vec 2.0

ทดสอบสูตรการฝึกล่วงหน้าแบบมีผู้ดูแลด้วยตนเองของ Wav2Vec 2.0 วัตถุประสงค์เชิงเปรียบเทียบ และขีดจำกัดของผลลัพธ์ LibriSpeech ที่มีป้ายกำกับต่ำ

เส้นทางแนะนำที่เกี่ยวข้องWav2vec 2 0
คำถาม 1 ของ 8

ปัญหาหลักในการรู้จำเสียงคือ Wav2Vec 2.0 ที่ได้รับการออกแบบมาเพื่อแก้ไขอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ปัญหาหลักในการรู้จำเสียงคือ Wav2Vec 2.0 ที่ได้รับการออกแบบมาเพื่อแก้ไขอย่างไร
    • ความขาดแคลนของเสียงที่มีป้ายกำกับ (ถอดเสียง)
    • ไฟล์เสียงมีขนาดใหญ่เกินกว่าจะจัดเก็บได้
    • ไมโครโฟนมีราคาแพงเกินไป
    • ข้อความยากที่จะโทเค็น
  2. Wav2Vec 2.0 ใช้วัตถุประสงค์การเรียนรู้แบบใดระหว่างการฝึกล่วงหน้า?
    • การจำแนกหน่วยเสียงโดยตรงพร้อมป้ายกำกับแบบเต็ม
    • การสูญเสียที่ตรงกันข้ามกับส่วนแฝงที่ถูกปกปิด
    • การสร้างพิกเซลใหม่
    • การเรียนรู้การเสริมกำลังจากผลตอบรับของมนุษย์
  3. องค์ประกอบใดที่ประมวลผลรูปคลื่นดิบใน Wav2Vec 2.0 ก่อน
    • LSTM ที่เกิดซ้ำ
    • ตัวอย่างการแพร่กระจาย
    • ตัวเข้ารหัสคุณลักษณะ CNN หลายชั้น
    • เครื่องสกัด MFCC ที่ทำด้วยมือ
  4. In a reported LibriSpeech experiment, what small labeled-data setup demonstrated low-label potential?
    • 10 minutes unlabeled with no pretraining
    • 53,000 hours labeled with no pretraining
    • One hour labeled with no unlabeled data
    • 10 minutes labeled after pretraining on 53,000 hours of unlabeled speech
  5. บทบาทของ codebook ที่เรียนรู้ใน Wav2Vec 2.0 คืออะไร?
    • โดยแยกเสียงที่ต่อเนื่องออกเป็นหน่วยเสียงพูดจำกัด
    • มันเก็บรหัสผ่านของผู้ใช้
    • มันบีบอัดการถอดเสียงขั้นสุดท้าย
    • มันเลือกเกนไมโครโฟน
  6. โมเดลหลายภาษาขนาดใหญ่ใดที่สร้างขึ้นบนแนวทาง Wav2Vec 2.0
    • GPT-2
    • XLS-R
    • Stable Diffusion
    • เรสเน็ต-50
  7. What does the Transformer contribute during Wav2Vec 2.0 pretraining?
    • Converts transcripts into audio
    • Clusters final text into language labels
    • Contextualizes latent speech features around masked spans
    • Removes the feature encoder
  8. What is typically done after self-supervised pretraining to create an ASR model?
    • Replace the audio encoder with an image classifier
    • Train only on unlabeled text
    • Discard the model and use k-means alone
    • Fine-tune with transcribed speech