Faster-Whisper y Whisper.cpp para el cuestionario de transcripción local

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué motor de inferencia utiliza Faster-Whisper según la descripción de su proyecto?
   • PyTorch
   • whisper.cpp
   • CTranslate2
   • ONNX Runtime
2. ¿Cómo describen los mantenedores del proyecto a whisper.cpp?
   • Una implementación de Python que utiliza CTranslate2
   • Un puerto en C y C++ de Whisper
   • Un cliente de Python que requiere un servicio de transcripción alojado
   • Un punto de control de modelo sin tiempo de ejecución de inferencia
3. ¿Qué se puede sacrificar mediante la cuantización a cambio de reducir la memoria o acelerar la inferencia?
   • Solo espacio en disco, sin afectar la calidad de la salida
   • La tasa de error de palabras es independiente de la precisión del modelo
   • La cuantización garantiza la misma transcripción que la precisión completa
   • Algo de calidad de transcripción
4. ¿Por qué las comparaciones de velocidad bruta entre tiempos de ejecución suelen ser engañosas?
   • El modelo, el dispositivo, la configuración de decodificación y la carga de trabajo pueden diferir
   • El tamaño y la precisión del modelo coinciden
   • Se utilizan la misma duración de entrada y el mismo dispositivo
   • La configuración de decodificación y procesamiento por lotes es equivalente
5. ¿Qué requiere la tasa de error de palabras para una evaluación significativa?
   • Transcripciones de referencia sin normalización de texto declarada
   • Solo el tiempo de inferencia transcurrido
   • Transcripciones de referencia y convenciones de normalización declaradas
   • El número de parámetros del modelo sin ninguna transcripción
6. ¿La inferencia local garantiza automáticamente el cumplimiento de la privacidad?
   • Sí; la ejecución local elimina toda obligación de consentimiento
   • No; el almacenamiento, los registros, el acceso y el consentimiento siguen importando
   • Sí; los pesos del modelo local garantizan que todas las grabaciones almacenadas estén protegidas
   • Sí; descargar un modelo una vez evita todo registro de contenido posterior
7. Una implementación transcribe reuniones largas y ruidosas en un idioma en particular. ¿Qué banco de pruebas respalda mejor las decisiones sobre esa implementación?
   • Clips cortos y limpios en un idioma diferente
   • Clips de solo silencio utilizados para aislar la sobrecarga de tiempo de ejecución
   • Voz de estudio sin las superposiciones o el ruido esperados en el uso
   • Grabaciones representativas de las condiciones previstas
8. ƿCuándo debe un humano revisar una transcripción generada localmente?
   • Cuando los errores puedan afectar registros, decisiones o citas
   • Solo cuando también se haya subido audio a un servicio alojado
   • Solo cuando el tiempo de ejecución informe un fallo de ejecución
   • Solo cuando se haya seleccionado un punto de control que no sea el predeterminado