کنکشنسٹ عارضی درجہ بندی کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. اسپیچ ریکگنیشن کے لیے CTC کو کونسا بنیادی مسئلہ حل کرنے کے لیے ڈیزائن کیا گیا تھا؟
   • غیر منقطع آڈیو فریموں کو فریم لیول لیبل کے بغیر آؤٹ پٹ ٹیکسٹ میں سیدھ میں کرنا
   • اسٹوریج کے لیے آڈیو فائلوں کو کمپریس کرنا
   • تقریر کا ایک زبان سے دوسری زبان میں ترجمہ کرنا
   • ریکارڈنگ سے پس منظر کے شور کو ہٹانا
2. CTC میں مخصوص 'خالی' ٹوکن کس کے لیے استعمال ہوتا ہے؟
   • صرف پورے جملے کے اختتام کو نشان زد کرنے کے لیے
   • 'یہاں کوئی نیا آؤٹ پٹ نہیں ہے' کی نمائندگی کرنے کے لیے اور حقیقی دہرائے جانے والے حروف کو الگ کرنا
   • زبان کے ماڈل کے امکان کو ذخیرہ کرنے کے لیے
   • اصل آڈیو ویوفارم میں خاموشی کی نشاندہی کرنے کے لیے
3. CTC ٹارگٹ ٹرانسکرپشن کے نقصان کا حساب کیسے لگاتا ہے؟
   • یہ واحد ممکنہ سیدھ کو چنتا ہے اور باقی کو نظر انداز کر دیتا ہے۔
   • یہ فریم کے لحاظ سے پکسل ویلیو فریم کا موازنہ کرتا ہے۔
   • یہ تمام درست فریم راستوں کے امکانات کو جمع کرتا ہے جو ہدف کے متن پر گر جاتے ہیں۔
   • یہ وقت کے ساتھ آڈیو طول و عرض کی اوسط کرتا ہے۔
4. فریم پاتھ کو حتمی متن میں تبدیل کرنے کے لیے CTC کون سے دو ٹوٹنے والے اصول لاگو ہوتے ہیں؟
   • حروف کیپٹلائز کریں، پھر رموز اوقاف شامل کریں۔
   • ترتیب کو ریورس کریں، پھر سر کو ہٹا دیں۔
   • خالی جگہیں شامل کریں، پھر فونیمز میں ترجمہ کریں۔
   • لگاتار بار بار حروف کو ضم کریں، پھر خالی ٹوکن حذف کریں۔
5. معیاری CTC اپنے آؤٹ پٹس کے بارے میں کیا آسان تصور کرتا ہے؟
   • ہر فریم کی پیشین گوئی آڈیو کو دی گئی دوسروں سے مشروط طور پر آزاد ہے۔
   • آؤٹ پٹ پہلے سے خارج ہونے والے حروف پر بہت زیادہ انحصار کرتے ہیں۔
   • آڈیو بالکل ایک سیکنڈ لمبا ہونا چاہیے۔
   • ہر کردار بالکل ایک فریم لیتا ہے۔
6. سی ٹی سی میں لالچی ڈی کوڈنگ پر فیوزڈ لینگویج ماڈل کے ساتھ بیم کی تلاش کو کیوں ترجیح دی جاتی ہے؟
   • یہ ہر ڈیوائس پر تیزی سے چلتا ہے۔
   • یہ CTC کے اندرونی زبان کے ماڈل کی کمی کو پورا کرتا ہے، درستگی کو بہتر بناتا ہے۔
   • یہ خالی ٹوکن کی ضرورت کو دور کرتا ہے۔
   • یہ نیٹ ورک کو تربیت دینے کی ضرورت کو ختم کرتا ہے۔
7. What length constraint does CTC place on an output sequence relative to input frames?
   • The target must always have exactly the same length as the input
   • The target must contain twice as many labels as input frames
   • The target cannot require more output labels than there are input time steps
   • CTC requires a fixed 256-token output
8. How can CTC compute the sum over many valid alignments without explicitly listing every path?
   • By selecting one random path and ignoring all others
   • By running a separate language model for every audio frame
   • By sorting the transcript alphabetically
   • Using a forward-backward dynamic-programming recurrence over an alignment lattice