引导式测验 · 中等 等级
Wav2Vec 2.0 测验
测试 Wav2Vec 2.0 的自监督预训练方案、对比目标及其低标签 LibriSpeech 结果的局限性。
问题 1 的 8
Wav2Vec 2.0 旨在解决语音识别的哪些核心问题？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- Wav2Vec 2.0 旨在解决语音识别的哪些核心问题？
- 标记（转录）音频的稀缺
- 音频文件太大而无法存储
- 麦克风太贵了
- 文本难以标记化
- Wav2Vec 2.0在预训练时使用什么样的学习目标？
- 带有完整标签的直接音素分类
- 掩蔽潜在片段的对比损失
- 像素重建
- 从人类反馈中强化学习
- Wav2Vec 2.0 中哪个组件首先处理原始波形？
- 循环 LSTM
- 扩散采样器
- 多层CNN特征编码器
- 手工制作的 MFCC 提取器
- 在一项据报的 LibriSpeech 实验中，哪种小规模标注数据设置展示了低标签潜力？
- 10 分钟无标注数据，无预训练
- 53,000 小时标注数据，无预训练
- 1 小时标注数据，无无标注数据
- 在 53,000 小时无标注语音上预训练后，使用 10 分钟标注数据
- 学习到的码本在 Wav2Vec 2.0 中的作用是什么？
- 它将连续音频离散成有限的语音单元
- 它存储用户密码
- 它压缩最终的转录本
- 它选择麦克风增益
- 哪种大型多语言模型是基于 Wav2Vec 2.0 方法构建的？
- GPT-2
- XLS-R
- Stable Diffusion
- ResNet-50
- 在 Wav2Vec 2.0 预训练期间，Transformer 贡献了什么？
- 将转录文本转换为音频
- 将最终文本聚类为语言标签
- 围绕掩码跨度对潜在语音特征进行上下文建模
- 移除特征编码器
- 在自监督预训练之后，通常做什么来创建 ASR 模型？
- 用图像分类器替换音频编码器
- 仅在无标注文本上进行训练
- 丢弃模型并单独使用 k-means
- 使用转录语音进行微调