引導式測驗 · 硬 等級
排列不變訓練測驗
測試排列不變訓練如何處理無序的說話者輸出,以及為什麼話語層級分配在多說話者分離期間很重要。
問題 1 的 8
排列不變訓練(PIT)解決什麼核心問題?
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。
- 排列不變訓練(PIT)解決什麼核心問題?
- 在訓練期間決定哪個輸出通道應對應於哪個揚聲器
- 壓縮音訊以進行存儲
- 降低麥克風硬體成本
- 將分離的語音翻譯成文本
- PIT 如何決定更新模型時使用哪個錯誤?
- 它平均所有輸出的誤差
- 它會嘗試每一種輸出到來源的配對,並保留誤差最低的配對
- 它總是將最大聲的聲音分配給輸出 1
- 它完全忽略了引用
- 如果沒有像 PIT 這樣的解決方案,分離模型輸出會發生什麼情況?
- 他們立即變得非常乾淨
- 他們跑得更快
- 由於標籤分配衝突,他們產生了模糊的平均輸出
- 他們不需要訓練數據
- 為了分離 N 個發言者,PIT 每一步必須考慮多少種排列?
- N(揚聲器中呈線性)
- N 平方
- 總是剛好兩個
- N 階乘
- 與幀級分配相比,話語級 PIT (uPIT) 有何優點?
- 它使說話者在整個說話過程中保持穩定的輸出通道
- 它消除了對任何參考的需要
- 它只適用於音樂,不適用於語音
- 揚聲器數量增加了一倍
- 哪一種方法可以完全迴避排列問題?
- 提高音訊比特率
- 以參考語音提示為條件的目標說話者提取
- 僅使用單聲道錄音
- 禁用反向傳播
- 相較於框架層級的 PIT,語句層級的 PIT 避免了哪個額外的推論步驟?
- 在聲源分離之前執行語音辨識
- 估計錄音中的麥克風數量
- 在推論過程中解決額外的輸出說話者排列問題
- 在每個生成的詞之後重新計算訓練損失
- 指南將哪個基準作為評估語音分離模型的範例?
- LibriSpeech 用於單說話者轉錄
- ImageNet 用於視覺辨識
- GLUE 用於語言理解
- WSJ0-2mix 用於重疊說話者分離