引導式測驗 · 硬 等級

ASR 中使用語言模型的淺層融合測驗

測試音訊與外部語言模型分數、束搜索加權、開發調校、罕見詞彙以及流暢的轉錄錯誤。

問題 1 的 8

在什麼階段淺層融合會加入外部語言模型分數?

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. 在什麼階段淺層融合會加入外部語言模型分數?
    • 僅在一段轉錄完成後
    • 僅在麥克風捕捉時
    • 在解碼候選轉錄時
    • 僅在音訊被標註用於訓練時
  2. 為什麼領域文本能幫助語音辨識處理罕見技術詞彙?
    • 它在音訊模糊時提供合理序列的語言先驗。
    • 它證明了一個罕見的詞被說了
    • 它取代了聲波波形
    • 它保證每個專有名詞都是正確的
  3. 如果語言模型權重過高,會產生什麼風險?
    • 依照定義,音訊分數會變得更精確
    • 束搜索將無法再產生罕見詞彙
    • 每個不尋常的名字都會變得更容易,與發音無關
    • 一個流暢但缺乏聲學支援的片語可能會獲勝
  4. 融合權重該在哪裡調整?
    • 反覆使用最終測試集來挑選 λ 值
    • 在開發語音資料中,與最終測試集分開使用
    • 僅使用文字而不進行音訊驗證
    • 使用單一精挑細選的錄音
  5. 與單一貪婪路徑相比,光束如何幫助淺層融合?
    • 它保證真實文字稿會保留在束中
    • 它使得聲學處理變得不必要
    • 它保留了幾個部分轉錄假設以進行結合評分
    • 它改變了說話者的發音
  6. 診所看到更好的術語但更多的偽陰性。評估應該得出什麼結論?
    • 表面上的領域增益存在潛在嚴重的錯誤權衡
    • 只應報告整體流暢度
    • 否定錯誤永遠不會影響 WER
    • 語言模型權重無法改變插入
  7. 什麼區別淺層融合與編輯完成的轉錄?
    • 它需要重新訓練所有聲學層
    • 它從不使用外部語言模型
    • 它只對印刷文件進行操作
    • 它會在搜尋過程中改變排名,而不僅僅是修訂最終文字
  8. 為了可重現性,應該報告哪個設定細節?
    • 僅硬體顏色
    • 外部 LM 權重與束搜索設定,與基礎 ASR 模型一起使用
    • 僅論文字數
    • 僅獲勝句子的流暢度