میوزک ایل ایم ہائرارکیکل میوزک جنریشن کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. How does MusicLM formulate conditional music generation?
   • As hierarchical sequence-to-sequence modeling over audio tokens
   • As painting pixels with a diffusion model
   • As concatenating fixed prerecorded loops
   • As simulating instrument mechanics
2. MusicLM میں سیمنٹک ٹوکنز کا کیا کردار ہے؟
   • وہ گانے کی فائل میٹا ڈیٹا کو محفوظ کرتے ہیں۔
   • وہ راگ اور تال جیسے اعلیٰ درجے کی ساخت پر قبضہ کرتے ہیں۔
   • وہ دھن کا دوسری زبانوں میں ترجمہ کرتے ہیں۔
   • وہ آؤٹ پٹ والیوم کو کنٹرول کرتے ہیں۔
3. کون سا جزو ٹھیک صوتی تفصیلات فراہم کرتا ہے جیسے ٹمبر اور ساخت؟
   • متن کا اشارہ براہ راست
   • Griffin-Lim کی تعمیر نو کا ایک مرحلہ
   • ساؤنڈ اسٹریم نیورل کوڈیک کے صوتی ٹوکنز
   • ایک ہاتھ سے لکھی ہوئی میوزک تھیوری رول بک
4. میوزک ایل ایم ٹیکسٹ پرامپٹ کو میوزیکل آڈیو سے کیسے جوڑتا ہے؟
   • گانے کے عنوانات کے خلاف مطلوبہ الفاظ کے ملاپ کے ذریعے
   • انسان کو ہر کلپ پر لیبل لگانے کے لیے کہہ کر
   • ایک علیحدہ ترجمہ API کے ذریعے
   • MuLan کے ذریعے، ایک مشترکہ میوزک ٹیکسٹ ایمبیڈنگ اسپیس
5. درجہ بندی، مرحلہ وار ڈیزائن طویل فاصلے کے ڈھانچے میں کیوں مدد کرتا ہے؟
   • یہ موٹے، سست ٹوکنز کو طویل مدتی شکل کے بغیر بڑی ترتیب کی لمبائی کے ماڈل بنانے دیتا ہے۔
   • یہ کسی بھی تربیتی ڈیٹا کی ضرورت کو دور کرتا ہے۔
   • یہ زیادہ فٹ ہونے کے لیے گانا تیزی سے چلاتا ہے۔
   • یہ ایک وقت میں صرف تین سیکنڈ پیدا کرتا ہے۔
6. What does the MusicLM paper report about its generated music duration and sample rate?
   • Every output is exactly 30 seconds at 8 kHz
   • Its experiments report 24 kHz music that can remain consistent over several minutes
   • Only one-second clips at 48 kHz
   • Uncompressed MIDI of unlimited duration
7. What additional input can MusicLM use alongside text to guide generation?
   • A spectrogram-only image caption
   • A microphone-array steering vector
   • A hummed or whistled melody
   • A source-code repository
8. What did the MusicLM paper release as MusicCaps?
   • A collection of 5,500 synthesizer presets
   • A speech transcription benchmark
   • A set of SoundStream model weights only
   • 5,500 music-text pairs with human-written descriptions