Викторина, связанная с руководством · Средний Уровень

Викторина по потоковому аудиокодеку Mimi

Ознакомьтесь с токенами Mimi с частотой 12,5 Гц, семантическими и акустическими кодовыми книгами, RVQ, причинной потоковой передачей и тем, как его кодек поддерживает диалог Moshi.

Связанные направляющие путиКодек потокового аудио Mimi
Вопрос 1 из 8

Какая лаборатория выпустила голосовую модель «Мими и Моши»?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какая лаборатория выпустила голосовую модель «Мими и Моши»?
    • Кютай
    • OpenAI
    • DeepMind
    • Meta ИИ
  2. Сколько примерно токенов в секунду испускает Мими для речи?
    • Около 200
    • Около 12,5
    • Около 1000
    • Около 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. Почему Мими называют «потоковой» или «причинной»?
    • Работает только с потоковыми музыкальными файлами.
    • Для работы требуется облачный поток
    • Он транслирует текстовые субтитры
    • Он генерирует токены при поступлении звука, вместо того, чтобы ждать полного клипа.
  5. Какой метод квантования использует Мими для кодирования звука?
    • Остаточное векторное квантование (RVQ)
    • Сжатие блоков JPEG
    • Кодирование длины серии
    • Анализ главных компонентов
  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 минут
  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