Mimi Streaming Audio Codec Тест

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Коя лаборатория пусна Мими и гласовия модел на Моши?
   • Кютай
   • OpenAI
   • DeepMind
   • Meta AI
2. Приблизително колко жетона в секунда излъчва Мими за реч?
   • Около 200
   • Около 12.5
   • Около 1000
   • Около 16 000
3. What information does Mimi’s first semantic codebook aim to represent?
   • Only the waveform’s stereo channel count
   • A transcript copied verbatim from a separate recognizer
   • Semantic speech information distilled from WavLM representations
   • The exact speaker identity with no acoustic tokens
4. Защо Мими е описана като „стрийминг“ или „каузална“?
   • Работи само с поточно предавани музикални файлове
   • Изисква облачен поток, за да функционира
   • Предава текстови субтитри
   • Той излъчва жетони, докато аудиото пристига, вместо да чака пълния клип
5. Коя техника за квантуване използва Мими за кодиране на аудио?
   • Остатъчно векторно квантуване (RVQ)
   • JPEG блокова компресия
   • Кодиране на дължина на изпълнение
   • Анализ на главните компоненти
6. What does Mimi’s discrete audio-token representation let Moshi do?
   • Treat audio tokens as ordinary words with identical meanings
   • Model audio continuations as token sequences and decode them back into speech
   • Avoid using an audio decoder
   • Recover the original recording session stems
7. What is a reported frame size for Mimi’s streaming codec in the Moshi paper?
   • 8 seconds
   • 1 millisecond
   • 80 milliseconds
   • 10 минути
8. Which encoder/decoder design does the Moshi report describe for Mimi?
   • A text-only BERT encoder with no audio decoder
   • A fixed lookup table with no learned encoder
   • A bidirectional non-causal decoder that waits for the entire conversation
   • Neural encoder and decoder Transformers with causal masking for streaming