Kvíz spojený s průvodcem · Střední úroveň
Kvíz Mimi Streaming Audio Codec
Prohlédněte si Mimi 12,5 Hz tokeny, sémantické a akustické kódové knihy, RVQ, kauzální streamování a jak její kodek podporuje dialog Moshi.
Otázka 1 z 8
Která laboratoř vydala hlasový model Mimi a Moshi?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Která laboratoř vydala hlasový model Mimi a Moshi?
- Kyutai
- OpenAI
- DeepMind
- Meta umělá inteligence
- Kolik žetonů za sekundu vyšle Mimi pro řeč?
- Asi 200
- Cca 12.5
- Asi 1000
- Asi 16 tisíc
- 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
- Proč je Mimi popisována jako „streaming“ nebo „kauzální“?
- Funguje pouze u streamovaných hudebních souborů
- Ke svému fungování vyžaduje cloudový stream
- Streamuje textové titulky
- Vysílá tokeny při příchodu zvuku namísto čekání na celý klip
- Jakou kvantizační techniku používá Mimi ke kódování zvuku?
- Kvantování zbytkového vektoru (RVQ)
- Komprese bloků JPEG
- Run-length kódování
- Analýza hlavních komponent
- 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
- What is a reported frame size for Mimi’s streaming codec in the Moshi paper?
- 8 seconds
- 1 millisecond
- 80 milliseconds
- 10 minut
- 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