Quiz collegato alla guida · Medio Livello
Quiz sul codec audio in streaming Mimi
Esamina i token a 12,5 Hz di Mimi, i codici semantici e acustici, RVQ, lo streaming causale e il modo in cui il suo codec supporta il dialogo Moshi.
Domanda 1 di 8
Quale laboratorio ha rilasciato Mimi e il modello vocale di Moshi?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale laboratorio ha rilasciato Mimi e il modello vocale di Moshi?
- Kyutai
- OpenAI
- DeepMind
- IA Meta
- Approssimativamente quanti gettoni al secondo emette Mimi per parlare?
- Circa 200
- Circa 12.5
- Circa 1.000
- Circa 16.000
- 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
- Perché Mimi viene descritto come "streaming" o "causale"?
- Funziona solo su file musicali in streaming
- Richiede un flusso cloud per funzionare
- Trasmette i sottotitoli di testo
- Emette token all'arrivo dell'audio invece di attendere la clip completa
- Quale tecnica di quantizzazione utilizza Mimi per codificare l'audio?
- Quantizzazione vettoriale residua (RVQ)
- Compressione dei blocchi JPEG
- Codifica della lunghezza di esecuzione
- Analisi delle componenti principali
- 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 minuti
- 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