แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบคำพูด Moshi Full-Duplex
ตรวจสอบสตรีมเสียงฟูลดูเพล็กซ์ของ Moshi, ตัวแปลงสัญญาณ Mimi, การออกแบบคำพูดเป็นคำพูดโดยตรง, เป้าหมายเวลาในการตอบสนอง และวิธีการพูดคนเดียวภายใน
คำถาม 1 ของ 8
'ฟูลดูเพล็กซ์' หมายถึงอะไรในบริบทของ Moshi
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- 'ฟูลดูเพล็กซ์' หมายถึงอะไรในบริบทของ Moshi
- สามารถฟังและพูดได้ในเวลาเดียวกัน
- มันใช้งานได้สองภาษาเท่านั้น
- มันต้องมีไมโครโฟนสองตัว
- มันเพิ่มระดับเสียงเป็นสองเท่า
- องค์กรไหนปล่อยโมชิ?
- OpenAI
- คิวไต
- Google ดีพมายด์
- Meta
- มีมี่ในระบบโมชิคืออะไร?
- เครื่องมือค้นหา
- ตัวเรนเดอร์กราฟิก
- ตัวแปลงสัญญาณเสียงแบบนิวรอลที่เปลี่ยนคำพูดเป็นโทเค็นแบบแยก
- API การแปลข้อความ
- Moshi แตกต่างจากไปป์ไลน์ผู้ช่วยเสียงแบบเดิมอย่างไร
- มันแสดงเฉพาะข้อความเท่านั้น
- มันไม่จำเป็นต้องมีโมเดลเลย
- มันทำงานแบบออฟไลน์เท่านั้นโดยไม่มี AI
- โดยจะประมวลผลเสียงโดยตรงแทนการเชื่อมโยง STT, LLM และ TTS
- Moshi ตั้งเป้าเวลาแฝงในการสนทนาไว้ประมาณเท่าใด
- ประมาณ 160-200 มิลลิวินาที
- ประมาณ 2-3 วินาที
- ประมาณ 10 วินาที
- 1 นาทีพอดี
- จุดประสงค์ของวิธี 'Inner Monologue' ของ Moshi คืออะไร?
- เพื่อซ่อนการสนทนาจากผู้ใช้
- เพื่อคาดเดาข้อความก่อนเสียง ปรับปรุงคุณภาพทางภาษา
- เพื่อแปลทุกอย่างเป็นภาษาฝรั่งเศส
- เพื่อบีบอัดวิดีโอ
- 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
- ประมาณ 1 วินาที
- 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