وِسپر ٹائم اسٹیمپڈ ورڈ الائنمنٹ کوئز

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

1. لفظ کی سطح کی سیدھ میں کیا اضافہ ہوتا ہے کہ Whisper کے مقامی آؤٹ پٹ میں کمی ہے؟
   • ہر ایک لفظ کے لیے آغاز اور اختتام کا وقت
   • نقل کی اعلی درستگی
   • اسپیکر کے شناختی لیبلز
   • پس منظر کے شور کو ہٹانا
2. وقت کے ساتھ الفاظ کو تلاش کرنے کے لیے کس اندرونی سگنل کا استعمال کیا جاتا ہے؟
   • آڈیو ویوفارم کا طول و عرض
   • ڈیکوڈر کا کراس اٹینشن آڈیو فریموں پر وزن رکھتا ہے۔
   • اصلاح کنندہ کے میلان
   • ٹوکنائزر الفاظ کا سائز
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 خام توجہ کے مقابلے الفاظ کی حدود کو کیسے تیز کرتا ہے؟
   • یہ نمونے لینے کی شرح کو بڑھاتا ہے۔
   • یہ صرف ایک بڑی وسپر چیک پوائنٹ کا استعمال کرتا ہے۔
   • یہ اوقاف کو ہٹاتا ہے۔
   • یہ متن پر ایک علیحدہ فونیم پر مبنی جبری الائنمنٹ ماڈل چلاتا ہے۔
5. کس شرح پر Whisper's encoder آڈیو فریم تیار کرتا ہے؟
   • تقریباً 50 فریم فی سیکنڈ (ایک ہر 20 ایم ایس)
   • بالکل 1 فریم فی سیکنڈ
   • 1000 فریم فی سیکنڈ
   • فی لفظ ایک فریم
6. وسپر آڈیو کو کس لمبائی کے ٹکڑوں میں پروسیس کرتا ہے؟
   • 5 سیکنڈ کے ٹکڑے
   • 30 سیکنڈ کے ٹکڑے
   • 2 منٹ کے ٹکڑے
   • سنگل نمونے۔
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