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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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