Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący tłumaczenia mowy na mowę

Sprawdza kaskadowe i bezpośrednie tłumaczenie mowy, dyskretne jednostki akustyczne, opóźnienia w przesyłaniu strumieniowym, zachowanie głosu i kwestie związane ze zgodą.

Powiązane ścieżki prowadząceTłumaczenie mowy na mowę
Pytanie 1 z 8

Do czego służy tłumaczenie mowy na mowę (S2ST)?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Do czego służy tłumaczenie mowy na mowę (S2ST)?
    • Konwertuje mowę w jednym języku na dźwięk mówiony w innym języku
    • Tylko transkrybuje dźwięk na tekst
    • Tłumaczy dokumenty pisemne na pliki PDF
    • Generuje muzykę w tle
  2. Jakie są trzy etapy klasycznego kaskadowego systemu S2ST?
    • Nagrywaj, przechowuj, usuwaj
    • Rozpoznawanie mowy, tłumaczenie maszynowe, zamiana tekstu na mowę
    • Szyfruj, kompresuj, wysyłaj
    • Słuchaj, ignoruj, powtarzaj
  3. Jaka jest kluczowa zaleta bezpośredniego (kompleksowego) S2ST w porównaniu z systemami kaskadowymi?
    • Zawsze potrzeba więcej kroków tekstowych
    • W ogóle nie da się tego przetłumaczyć
    • Może zmniejszyć opóźnienia i lepiej zachować głos i prozodię
    • Działa tylko dla jednej pary językowej
  4. Który system Meta jest znany z tłumaczenia na około 100 języków?
    • ChatGPT
    • Midjourney
    • Stable Diffusion
    • BezszwoweM4T
  5. Dlaczego tłumaczenie strumieniowe w czasie rzeczywistym jest szczególnie trudne?
    • System musi zdecydować, kiedy wykonać tłumaczenie, zanim zdanie się skończy
    • Nie można przesyłać strumieniowo dźwięku
    • Wszystkie języki mają identyczną kolejność słów
    • Nie wymaga żadnych modeli
  6. Jakie pojawiające się obawy wynikają z zachowania głosu mówiącego w tłumaczeniu?
    • Pliki stają się za małe
    • Zgoda i niewłaściwe wykorzystanie deepfake/klonowania głosu
    • Tłumaczenie staje się niemożliwe
    • Dźwięk traci cały dźwięk
  7. What representation may a direct speech-to-speech system use to connect source audio to target audio?
    • A Slurm job identifier
    • A table of image pixels
    • Discrete acoustic units that serve as intermediate speech tokens
    • A hand-written class label for every word
  8. Why can errors accumulate in a cascaded ASR → translation → TTS pipeline?
    • Each stage uses the same model weights
    • TTS always corrects the transcript
    • The stages run in parallel on the same audio
    • An upstream transcription or translation error becomes input to later stages