แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการจัดตำแหน่งคำ Whisper Timestamped

ดูว่าวิธีการจัดเรียงคำของ Whisper ประมาณการประทับเวลาอย่างไร และเหตุใดการบังคับการจัดตำแหน่งและความสนใจข้ามจึงมีขีดจำกัดที่แตกต่างกัน

เส้นทางแนะนำที่เกี่ยวข้องการจัดตำแหน่งคำที่ประทับเวลากระซิบ
คำถาม 1 ของ 8

การจัดตำแหน่งระดับคำจะเพิ่มสิ่งใดที่เอาต์พุตดั้งเดิมของ Whisper ขาดไป

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การจัดตำแหน่งระดับคำจะเพิ่มสิ่งใดที่เอาต์พุตดั้งเดิมของ Whisper ขาดไป
    • เวลาเริ่มต้นและสิ้นสุดของทุกคำ
    • ความแม่นยำในการถอดความที่สูงขึ้น
    • ป้ายระบุตัวตนของผู้พูด
    • การกำจัดเสียงรบกวนพื้นหลัง
  2. สัญญาณภายในใดที่การประทับเวลากระซิบใช้เพื่อค้นหาคำที่ทันเวลา
    • แอมพลิจูดของรูปคลื่นเสียง
    • น้ำหนักความสนใจข้ามของตัวถอดรหัสเหนือเฟรมเสียง
    • การไล่ระดับสีของเครื่องมือเพิ่มประสิทธิภาพ
    • ขนาดคำศัพท์โทเค็น
  3. Why does whisper-timestamped use Dynamic Time Warping during alignment?
    • To translate the transcript into another language
    • To identify the speaker without using audio
    • To find an ordered, monotonic path between token and audio-frame scores
    • To guarantee exact boundaries for every word
  4. WhisperX ทำให้ขอบเขตคำคมชัดขึ้นเมื่อเปรียบเทียบกับความสนใจแบบดิบได้อย่างไร
    • มันเพิ่มอัตราการสุ่มตัวอย่าง
    • มันใช้จุดตรวจ Whisper ที่ใหญ่กว่าเท่านั้น
    • มันจะลบเครื่องหมายวรรคตอน
    • โดยจะเรียกใช้โมเดลการจัดตำแหน่งแบบบังคับตามหน่วยเสียงแยกต่างหากบนข้อความ
  5. ตัวเข้ารหัสของ Whisper สร้างเฟรมเสียงในอัตราเท่าใด
    • ประมาณ 50 เฟรมต่อวินาที (หนึ่งเฟรมทุกๆ 20 มิลลิวินาที)
    • 1 เฟรมต่อวินาทีพอดี
    • 1,000 เฟรมต่อวินาที
    • หนึ่งเฟรมต่อคำ
  6. Whisper ประมวลผลเสียงในความยาวเท่าใด
    • ชิ้นละ 5 วินาที
    • ชิ้นละ 30 วินาที
    • ชิ้นละ 2 นาที
    • ตัวอย่างเดี่ยว
  7. What does forced alignment assume is already available?
    • A speaker identity for every sound
    • A translation in every language
    • A transcript to align with the audio
    • A list of subtitle colors
  8. What limitation should users keep in mind when interpreting word timestamps?
    • They prove the transcript is error-free
    • They always identify the speaker correctly
    • They are guaranteed to have millisecond accuracy
    • They are estimates and can be wrong when speech or alignment is difficult