Bài kiểm tra học tập về nhúng và biểu diễn âm thanh

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Nhúng âm thanh là gì?
   • Một vectơ số có độ dài cố định biểu thị các đặc điểm có ý nghĩa của âm thanh
   • Phiên bản MP3 nén của tệp âm thanh
   • Một bản ghi chép bằng văn bản của lời nói
   • Mức âm lượng được đo bằng decibel
2. Tại sao việc học tự giám sát lại quan trọng đối với việc nhúng âm thanh?
   • Nó yêu cầu âm thanh phải được ghi trong phòng thu
   • Nó học các cách trình bày hữu ích từ âm thanh không được gắn nhãn, giảm nhu cầu về nhãn của con người
   • Nó chỉ hoạt động trên âm nhạc, không phải lời nói
   • Nó đảm bảo độ chính xác phiên mã hoàn hảo
3. Wav2Vec 2.0 học như thế nào trong quá trình đào tạo trước?
   • Bằng cách dịch âm thanh sang tiếng Pháp
   • Bằng cách ghi nhớ chính xác từng file huấn luyện
   • Bằng cách che giấu các khoảng âm thanh và dự đoán đơn vị lượng tử hóa chính xác giữa các yếu tố gây phân tâm
   • Bằng cách đo kích thước tập tin của mỗi clip
4. Một mô hình như CLAP phù hợp với không gian nhúng chung như thế nào?
   • Hai khung hình video khác nhau
   • Điểm ảnh và biểu đồ màu
   • Mức pin và mức sử dụng CPU
   • Mô tả âm thanh và văn bản phù hợp
5. Trước khi đưa âm thanh vào mạng nơ-ron, phép biến đổi phổ biến nào thường được áp dụng?
   • Chuyển đổi nó thành biểu đồ phổ hoặc biểu diễn bộ lọc đã học
   • In nó dưới dạng bản nhạc
   • Xóa vĩnh viễn tất cả các tần số vượt quá khả năng nghe của con người
   • Chuyển đổi nó thành hình ảnh JPEG của bìa album
6. Nhiệm vụ trong thế giới thực nào trực tiếp phụ thuộc vào việc so sánh các phần nhúng âm thanh?
   • Tính giá mua một bài hát
   • Nhật ký diễn giả, tìm ra ai nói khi nào
   • Lựa chọn ảnh bìa album
   • Cài đặt độ sáng màn hình
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