Вікторина з кодеком потокового аудіо Mimi

Відповіді та пояснення з’являються під час виконання тесту.

1. Яка лабораторія випустила голосову модель Мімі та Моші?
   • Кютай
   • OpenAI
   • DeepMind
   • Meta ШІ
2. Приблизно скільки жетонів за секунду видає Мімі для мовлення?
   • Близько 200
   • Близько 12.5
   • Близько 1000
   • Близько 16 тисяч
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. Чому Мімі називають «потоковим» або «причинним»?
   • Він працює лише з потоковими музичними файлами
   • Для роботи потрібен хмарний потік
   • Він транслює текстові субтитри
   • Він видає маркери, коли надходить звук, замість того, щоб чекати повного кліпу
5. Яку техніку квантування використовує Мімі для кодування звуку?
   • Залишкове векторне квантування (RVQ)
   • Блокове стиснення JPEG
   • Кодування довжини серії
   • Аналіз головних компонент
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 хвилин
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