گائیڈ سے منسلک کوئز · درمیانہ سطح
ممی اسٹریمنگ آڈیو کوڈیک کوئز
Mimi کے 12.5 Hz ٹوکنز، سیمنٹک اور ایکوسٹک کوڈ بکس، RVQ، causal streaming، اور اس کا کوڈیک موشی ڈائیلاگ کو کس طرح سپورٹ کرتا ہے اس کا جائزہ لیں۔
سوال 1 کی 8
کس لیب نے ممی اور موشی وائس ماڈل کو جاری کیا؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- کس لیب نے ممی اور موشی وائس ماڈل کو جاری کیا؟
- کیوٹائی
- OpenAI
- DeepMind
- Meta اے آئی
- ممی تقریر کے لیے تقریباً کتنے ٹوکن فی سیکنڈ خارج کرتی ہے؟
- تقریباً 200
- تقریباً 12.5
- تقریباً 1,000
- تقریباً 16,000
- ممی کی پہلی سیمنٹک کوڈ بک کا مقصد کس معلومات کی نمائندگی کرنا ہے؟
- 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
- ممی کو 'سٹریمنگ' یا 'کازل' کیوں کہا جاتا ہے؟
- یہ صرف اسٹریم شدہ میوزک فائلوں پر کام کرتا ہے۔
- اسے کام کرنے کے لیے کلاؤڈ سٹریم کی ضرورت ہے۔
- یہ ٹیکسٹ سب ٹائٹلز کو اسٹریم کرتا ہے۔
- مکمل کلپ کا انتظار کرنے کے بجائے آڈیو آتے ہی یہ ٹوکن خارج کرتا ہے۔
- ممی آڈیو کو انکوڈ کرنے کے لیے کوانٹائزیشن کی کون سی تکنیک استعمال کرتی ہے؟
- بقایا ویکٹر کوانٹائزیشن (RVQ)
- JPEG بلاک کمپریشن
- رن لینتھ انکوڈنگ
- پرنسپل اجزاء کا تجزیہ
- 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
- What is a reported frame size for Mimi’s streaming codec in the Moshi paper?
- 8 seconds
- 1 millisecond
- 80 milliseconds
- 10 منٹ
- 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