Mimi Streaming Audio Codec-Quiz

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Welches Labor hat Mimi und das Moshi-Sprachmodell veröffentlicht?
   • Kyutai
   • OpenAI
   • DeepMind
   • Meta KI
2. Wie viele Token pro Sekunde gibt Mimi ungefähr zum Sprechen aus?
   • Ungefähr 200
   • Ungefähr 12.5
   • Ungefähr 1.000
   • Ungefähr 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. Warum wird Mimi als „strömend“ oder „kausal“ beschrieben?
   • Es funktioniert nur bei gestreamten Musikdateien
   • Um zu funktionieren, ist ein Cloud-Stream erforderlich
   • Es streamt Textuntertitel
   • Es gibt Token aus, wenn Audio eintrifft, anstatt auf den vollständigen Clip zu warten
5. Welche Quantisierungstechnik verwendet Mimi zum Kodieren von Audio?
   • Restvektorquantisierung (RVQ)
   • JPEG-Blockkomprimierung
   • Lauflängenkodierung
   • Hauptkomponentenanalyse
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 Minuten
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