Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Moshi Full-Duplex beszéd kvíz
Checks Moshi’s full-duplex audio streams, Mimi codec, direct speech-to-speech design, latency target and inner-monologue method.
kérdés 1 -ból 8
Mit jelent a „full-duplex” a Moshi kontextusában?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit jelent a „full-duplex” a Moshi kontextusában?
- Egyszerre képes hallgatni és beszélni
- Csak két nyelven működik
- Két mikrofon kell hozzá
- Megduplázza a hangerőt
- Melyik szervezet adta ki a Moshit?
- OpenAI
- Kyutai
- Google DeepMind
- Meta
- Mi a Mimi a Moshi rendszerben?
- Egy kereső
- Grafikus renderer
- Neurális audiokodek, amely a beszédet diszkrét tokenekké alakítja
- Szövegfordító API
- Miben különbözik a Moshi a hagyományos hangasszisztens-csővezetéktől?
- Csak szöveget ad ki
- Egyáltalán nem igényel modellt
- Csak offline módban működik AI nélkül
- Közvetlenül feldolgozza a hangot az STT, az LLM és a TTS láncolása helyett
- Körülbelül milyen beszélgetési késleltetést céloz meg a Moshi?
- Körülbelül 160-200 milliszekundum
- Körülbelül 2-3 másodperc
- Körülbelül 10 másodperc
- Pontosan 1 perc
- Mi a célja Moshi „belső monológ” módszerének?
- A beszélgetés elrejtése a felhasználók elől
- Szöveg előrejelzése a hang előtt, javítva a nyelvi minőséget
- Mindent lefordítani franciára
- Videó tömörítéséhez
- Mimi encodes audio at 12.5 discrete frames per second. About how far apart are consecutive frames?
- About 8 milliseconds
- About 800 milliseconds
- About 80 milliseconds
- About 1 second
- Which two synchronized streams does Moshi model in parallel?
- Two unrelated text transcripts
- The user’s video and the system’s screen
- Two copies of the same language-model weights
- The user’s incoming audio and the system’s own outgoing audio