引導式測驗 · 中等 等級

音訊嵌入和表示學習測驗

回顧音訊嵌入如何編碼聲音、對比訓練如何連結音訊和文本,以及學習到的向量如何跨任務傳輸。

相關引導路徑音訊嵌入和表示學習
問題 1 的 8

什麼是音訊嵌入?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 什麼是音訊嵌入?
    • 代表聲音有意義特徵的固定長度數字向量
    • 音訊檔案的壓縮 MP3 版本
    • 口語的書面記錄
    • 以分貝為單位測量的音量水平
  2. 為什麼自監督學習對於音訊嵌入如此重要?
    • 它需要在錄音室錄製音頻
    • 它從未標記的音訊中學習有用的表示,減少對人類標籤的需求
    • 它只適用於音樂,不適用於語音
    • 它保證了完美的轉錄準確性
  3. Wav2Vec 2.0 在預訓練過程中如何學習?
    • 透過將音訊翻譯成法語
    • 透過準確記住每個訓練文件
    • 透過屏蔽音訊跨度並預測幹擾項中正確的量化單位
    • 透過測量每個剪輯的檔案大小
  4. 像 CLAP 這樣的模型在共享嵌入空間中對齊什麼?
    • 兩個不同的視訊幀
    • 像素和顏色直方圖
    • 電池電量和 CPU 使用率
    • 音訊和匹配的文字描述
  5. 在將音訊輸入神經網路之前,通常會應用什麼常見的變換?
    • 將其轉換為頻譜圖或學習濾波器表示
    • 將其列印為樂譜
    • 永久刪除人類聽覺以上的所有頻率
    • 將其轉換為專輯封面的 JPEG 影像
  6. 哪個現實世界的任務直接依賴比較音訊嵌入?
    • 計算歌曲的購買價格
    • 說話者分類,找出誰在何時說話
    • 選擇專輯封面藝術作品
    • 設定螢幕亮度
  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