Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Mimi Streaming Audio Codec

Εξετάστε τα διακριτικά 12,5 Hz της Mimi, τα σημασιολογικά και ακουστικά βιβλία κωδικών, το RVQ, την αιτιακή ροή και τον τρόπο με τον οποίο ο κωδικοποιητής του υποστηρίζει τον διάλογο Moshi.

Σχετικές διαδρομές οδηγώνΚωδικοποιητής ήχου Mimi Streaming
Ερώτηση 1 του 8

Ποιο εργαστήριο κυκλοφόρησε τη Mimi and the Moshi voice model;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο εργαστήριο κυκλοφόρησε τη Mimi and the Moshi voice model;
    • Κιουτάι
    • OpenAI
    • DeepMind
    • Meta AI
  2. Πόσα κουπόνια περίπου το δευτερόλεπτο εκπέμπει η Mimi για την ομιλία;
    • Περίπου 200
    • Περίπου 12,5
    • Περίπου 1.000
    • Περίπου 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. Γιατί η Mimi περιγράφεται ως «streaming» ή «causal»;
    • Λειτουργεί μόνο σε αρχεία μουσικής με ροή
    • Απαιτεί μια ροή cloud για να λειτουργήσει
    • Μεταδίδει υπότιτλους κειμένου
    • Εκπέμπει διακριτικά καθώς φθάνει ο ήχος αντί να περιμένει το πλήρες κλιπ
  5. Ποια τεχνική κβαντισμού χρησιμοποιεί το Mimi για την κωδικοποίηση του ήχου;
    • Κβαντισμός υπολειπόμενου διανύσματος (RVQ)
    • Συμπίεση μπλοκ JPEG
    • Κωδικοποίηση μήκους εκτέλεσης
    • Ανάλυση κύριας συνιστώσας
  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 λεπτά
  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