Wav2Vec 2.0 کوئز

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

1. Wav2Vec 2.0 کو تقریر کی شناخت میں کونسا بنیادی مسئلہ حل کرنے کے لیے ڈیزائن کیا گیا تھا؟
   • لیبل شدہ (نقل شدہ) آڈیو کی کمی
   • آڈیو فائلیں ذخیرہ کرنے کے لیے بہت بڑی ہیں۔
   • مائیکروفون بہت مہنگے ہیں۔
   • متن ٹوکنائز کرنا مشکل ہے۔
2. پہلے سے تربیت کے دوران Wav2Vec 2.0 کس قسم کا سیکھنے کا مقصد استعمال کرتا ہے؟
   • مکمل لیبلز کے ساتھ براہ راست فونیم کی درجہ بندی
   • نقاب پوش حصوں پر ایک متضاد نقصان
   • پکسل کی تعمیر نو
   • انسانی آراء سے کمک سیکھنا
3. Wav2Vec 2.0 میں کون سا جزو پہلے خام ویوفارم پر کارروائی کرتا ہے؟
   • ایک بار بار آنے والا LSTM
   • ایک بازی کا نمونہ لینے والا
   • ایک ملٹی لیئر CNN فیچر انکوڈر
   • ایک دستکاری MFCC ایکسٹریکٹر
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. Wav2Vec 2.0 میں سیکھی ہوئی کوڈ بک کا کیا کردار ہے؟
   • یہ مسلسل آڈیو کو محدود تقریری اکائیوں میں الگ کرتا ہے۔
   • یہ صارف کے پاس ورڈ محفوظ کرتا ہے۔
   • یہ حتمی نقل کو کمپریس کرتا ہے۔
   • یہ مائیکروفون حاصل کرنے کا انتخاب کرتا ہے۔
6. Wav2Vec 2.0 اپروچ پر کون سا بڑا کثیر لسانی ماڈل بنایا گیا ہے؟
   • GPT-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