Вікторина, пов’язана з посібником · Середній Рівень

Навчальна вікторина щодо вбудовування аудіо та репрезентації

Перегляньте, як вбудовані аудіо кодують звук, як контрастне навчання зв’язує аудіо та текст і як навчені вектори передаються між завданнями.

Пов'язані напрямні шляхиВбудовування аудіо та навчання репрезентації
Питання 1 з 8

Що таке вбудовування аудіо?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що таке вбудовування аудіо?
    • Вектор чисел фіксованої довжини, що представляє значення звуку
    • Стиснена MP3-версія аудіофайлу
    • Письмова розшифровка вимовлених слів
    • Рівень гучності, виміряний у децибелах
  2. Чому самоконтрольоване навчання таке важливе для вбудовування аудіо?
    • Для цього аудіо потрібно записувати в студії
    • Він вивчає корисні представлення з немаркованого аудіо, зменшуючи потребу в людських мітках
    • Він працює лише на музику, а не на мову
    • Це гарантує ідеальну точність транскрипції
  3. Як Wav2Vec 2.0 навчається під час попереднього навчання?
    • Перекладаючи аудіо на французьку мову
    • Точно запам’ятовуючи кожен навчальний файл
    • Шляхом маскування діапазонів аудіо та прогнозування правильної квантованої одиниці серед відволікаючих засобів
    • Вимірюючи розмір файлу кожного кліпу
  4. Що вирівнює така модель, як CLAP, у спільному просторі вбудовування?
    • Два різних кадри відео
    • Пікселі та кольорові гістограми
    • Рівень заряду батареї та використання ЦП
    • Аудіо та відповідні текстові описи
  5. Яке загальне перетворення часто застосовується перед подачею звуку в нейронну мережу?
    • Перетворення його на спектрограму або вивчений фільтр
    • Друк його як ноти
    • Назавжди видаляє всі частоти вище людського слуху
    • Перетворіть його на зображення обкладинки альбому у форматі JPEG
  6. Яке реальне завдання безпосередньо залежить від порівняння вбудованих аудіо?
    • Розрахунок купівельної ціни пісні
    • Діаризація спікера, визначення того, хто коли говорив
    • Вибір обкладинки альбому
    • Налаштування яскравості екрану
  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