Cuestionario vinculado a una guía · Medio Nivel

Prueba de códec de audio en streaming Mimi

Revise los tokens de 12,5 Hz de Mimi, los libros de códigos semánticos y acústicos, RVQ, la transmisión causal y cómo su códec admite el diálogo Moshi.

Rutas de guía relacionadasCódec de audio de transmisión Mimi
Pregunta 1 de 8

¿Qué laboratorio lanzó Mimi y el modelo de voz de Moshi?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué laboratorio lanzó Mimi y el modelo de voz de Moshi?
    • kyutai
    • OpenAI
    • DeepMind
    • Meta IA
  2. ¿Aproximadamente cuántos tokens por segundo emite Mimi para hablar?
    • Alrededor de 200
    • Alrededor de 12,5
    • Alrededor de 1.000
    • Alrededor de 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. ¿Por qué se describe a Mimi como 'streaming' o 'causal'?
    • Sólo funciona con archivos de música transmitidos
    • Requiere una transmisión en la nube para funcionar
    • Transmite subtítulos de texto.
    • Emite tokens cuando llega el audio en lugar de esperar el clip completo.
  5. ¿Qué técnica de cuantización utiliza Mimi para codificar audio?
    • Cuantización del vector residual (RVQ)
    • Compresión de bloques JPEG
    • Codificación de longitud de ejecución
    • Análisis de componentes principales
  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 minutos
  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