Kvíz spojený s průvodcem · Střední úroveň

EnCodec kvíz komprese zvuku

Prohlédněte si potrubí neurální komprese EnCodec, latentní kódy, modelování entropie, podporované zvukové formáty a vyrovnávání ztrát při tréninku.

Související vodicí cestyKomprese zvuku Encodec
Otázka 1 z 8

Která organizace vydala EnCodec?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Která organizace vydala EnCodec?
    • Meta umělá inteligence
    • OpenAI
    • Microsoft Výzkum
    • NVIDIA
  2. Jakou další komponentu přidává EnCodec, aby bezeztrátově vytlačil více komprese ze svých tokenů?
    • Spektrogramový invertor
    • Model entropie (jazyka) založený na transformátoru
    • Protihluková brána
    • Druhý dekodér
  3. Při zhruba 6 kbps byla kvalita EnCodecu hlášena jako srovnatelná s MP3 při přibližně jakém datovém toku?
    • 320 kbps
    • 16 kbps
    • 64 kbps
    • 8 kbps
  4. Jaký problém řeší „balancer“ EnCodec během tréninku?
    • Odstraňuje ticho z nahrávek
    • Převádí mono zvuk na stereo
    • Vybírá vzorkovací frekvenci
    • Automaticky škáluje konkurenční ztráty, takže trénink zůstává stabilní
  5. Jakou základní kvantizační metodu sdílí EnCodec se SoundStreamem?
    • Kvantování zbytkového vektoru (RVQ)
    • k-znamená pouze shlukování
    • Huffmanovo kódování
    • Analýza hlavních komponent
  6. Které generativní modely používají tokeny EnCodec jako svou zvukovou reprezentaci?
    • DALL-E a Midjourney
    • MusicGen a AudioGen
    • Whisper a Wav2Vec
    • Stabilní difúze a Imagen
  7. Which audio formats are described for EnCodec in its paper?
    • 8 kHz mono only
    • 44.1 kHz stereo only
    • 24 kHz monophonic audio and 48 kHz stereophonic audio
    • 96 kHz multichannel audio only
  8. Which losses help EnCodec balance waveform reconstruction and perceptual sound quality?
    • Only a text-token cross-entropy loss
    • Only a speaker-classification loss
    • A reward-model loss without reconstruction
    • Time-domain and multi-scale spectrogram reconstruction losses with adversarial discriminators