Тест Wav2Vec 2.0

Відповіді та пояснення з’являються під час виконання тесту.

1. Для вирішення якої основної проблеми розпізнавання мовлення розроблено Wav2Vec 2.0?
   • Дефіцит міченого (транскрибованого) аудіо
   • Аудіофайли завеликі для зберігання
   • Мікрофони занадто дорогі
   • Текст важко розпізнати
2. Яку мету навчання використовує Wav2Vec 2.0 під час попереднього навчання?
   • Пряма класифікація фонем із повними мітками
   • Втрата контрасту над маскованими латентними сегментами
   • Піксельна реконструкція
   • Навчання з підкріпленням на основі відгуків людини
3. Який компонент спочатку обробляє необроблений сигнал у Wav2Vec 2.0?
   • Повторний LSTM
   • Дифузійний пробовідбірник
   • Багатошаровий кодер функцій CNN
   • Екстрактор MFCC ручної роботи
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. Яка роль вивченої кодової книги у Wav2Vec 2.0?
   • Він дискретизує безперервний звук на кінцеві мовні одиниці
   • Він зберігає паролі користувачів
   • Він стискає остаточну транскрипцію
   • Вибирає посилення мікрофона
6. Яка велика багатомовна модель побудована на підході Wav2Vec 2.0?
   • ГПТ-2
   • XLS-R
   • Stable Diffusion
   • ResNet-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