Questionário vinculado ao guia · Médio Nível

Teste de compressão de áudio EnCodec

Revise o pipeline de compressão neural do EnCodec, códigos latentes, modelagem de entropia, formatos de áudio suportados e balanceamento de perda de treinamento.

Caminhos de guia relacionadosCompressão de áudio Encodec
Pergunta 1 de 8

Qual organização lançou o EnCodec?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual organização lançou o EnCodec?
    • Meta IA
    • OpenAI
    • Microsoft Pesquisa
    • NVIDIA
  2. Que componente extra o EnCodec adiciona para extrair mais compactação de seus tokens sem perdas?
    • Um inversor de espectrograma
    • Um modelo de entropia (linguagem) baseado em Transformer
    • Um portão de ruído
    • Um segundo decodificador
  3. Com aproximadamente 6 kbps, a qualidade do EnCodec foi relatada como comparável à do MP3, com aproximadamente qual taxa de bits?
    • 320kbps
    • 16kbps
    • 64kbps
    • 8kbps
  4. Que problema o 'balanceador' do EnCodec resolve durante o treinamento?
    • Remove o silêncio das gravações
    • Ele converte áudio mono em estéreo
    • Ele seleciona a taxa de amostragem
    • Ele dimensiona automaticamente os termos de perda concorrentes para que o treinamento permaneça estável
  5. Qual método de quantização principal o EnCodec compartilha com o SoundStream?
    • Quantização vetorial residual (RVQ)
    • k-significa apenas agrupamento
    • Codificação de Huffman
    • Análise de componentes principais
  6. Quais modelos generativos usam tokens EnCodec como representação de áudio?
    • DALL-E e Midjourney
    • MusicGen e AudioGen
    • Sussurro e Wav2Vec
    • Difusão e imagem estáveis
  7. 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
  8. 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