Quiz collegato alla guida · Medio Livello
Quiz sulla compressione audio EnCodec
Esamina la pipeline di compressione neurale di EnCodec, i codici latenti, la modellazione entropica, i formati audio supportati e il bilanciamento delle perdite di addestramento.
Domanda 1 di 8
Quale organizzazione ha rilasciato EnCodec?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale organizzazione ha rilasciato EnCodec?
- IA Meta
- OpenAI
- Microsoft Ricerca
- NVIDIA
- Quale componente extra aggiunge EnCodec per spremere senza perdite una maggiore compressione dai suoi token?
- Un invertitore di spettrogramma
- Un modello entropico (linguaggio) basato su Transformer
- Un cancello antirumore
- Un secondo decodificatore
- A circa 6 kbps, la qualità di EnCodec è stata segnalata come paragonabile a MP3 a quale bitrate?
- 320 kbps
- 16 kbps
- 64 kbps
- 8 kbps
- Quale problema risolve il "bilanciatore" di EnCodec durante l'allenamento?
- Rimuove il silenzio dalle registrazioni
- Converte l'audio mono in stereo
- Seleziona la frequenza di campionamento
- Ridimensiona automaticamente i termini di perdita concorrenti in modo che la formazione rimanga stabile
- Quale metodo di quantizzazione principale condivide EnCodec con SoundStream?
- Quantizzazione vettoriale residua (RVQ)
- k-significa solo clustering
- Codifica di Huffman
- Analisi delle componenti principali
- Quali modelli generativi utilizzano i token EnCodec come rappresentazione audio?
- DALL-E e Midjourney
- MusicGen e AudioGen
- Whisper e Wav2Vec
- Diffusione stabile e immagine
- 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
- 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