Quiz dotyczący kodeka audio Mimi do przesyłania strumieniowego

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Które laboratorium wypuściło model głosu Mimi i Moshi?
   • Kyutai
   • OpenAI
   • DeepMind
   • Meta AI
2. Mniej więcej, ile tokenów na sekundę Mimi emituje podczas mowy?
   • Około 200
   • Około 12,5
   • Około 1000
   • Około 16 tys
3. Jakie informacje ma reprezentować pierwszy semantyczny słownik Mimi?
   • 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. Dlaczego Mimi jest opisywana jako „streamingowa” lub „przyczynowa”?
   • Działa tylko w przypadku przesyłanych strumieniowo plików muzycznych
   • Do działania wymaga strumienia w chmurze
   • Przesyła strumieniowo napisy tekstowe
   • Emituje tokeny po nadejściu dźwięku, zamiast czekać na pełny klip
5. Jakiej techniki kwantyzacji używa Mimi do kodowania dźwięku?
   • Kwantyzacja wektora resztkowego (RVQ)
   • Kompresja bloku JPEG
   • Kodowanie ciągłe
   • Analiza głównych składników
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 minut
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