Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Codec Audio Penstriman Mimi

Semak token 12.5 Hz, buku kod semantik dan akustik Mimi, RVQ, penstriman kausal dan cara codecnya menyokong dialog Moshi.

Laluan panduan yang berkaitanCodec Audio Penstriman Mimi
soalan 1 daripada 8

Makmal apa yang mengeluarkan Mimi dan model suara Moshi?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Makmal apa yang mengeluarkan Mimi dan model suara Moshi?
    • Kyutai
    • OpenAI
    • DeepMind
    • AI Meta
  2. Secara kasar berapa banyak token sesaat yang Mimi keluarkan untuk pertuturan?
    • Kira-kira 200
    • Lebih kurang 12.5
    • Kira-kira 1,000
    • Kira-kira 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. Mengapakah Mimi disifatkan sebagai 'streaming' atau 'causal'?
    • Ia hanya berfungsi pada fail muzik yang distrim
    • Ia memerlukan aliran awan untuk berfungsi
    • Ia menstrim sari kata teks
    • Ia mengeluarkan token apabila audio tiba dan bukannya menunggu klip penuh
  5. Teknik pengkuantitian yang manakah Mimi gunakan untuk mengekod audio?
    • Kuantiti vektor sisa (RVQ)
    • Pemampatan blok JPEG
    • Pengekodan panjang larian
    • Analisis komponen utama
  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 minit
  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