探究 Mimi 码本首个码本的音素表示

Mimi 首个码本的 token 与音素强相关，但非一一映射

资讯摘要

论文研究 Mimi 神经音频编解码器首个码本（CB0）中的音素表示。作者指出 ABX 评估不适合 Mimi 固定的 80 毫秒分词窗口，因为该窗口常跨越多个音素，因此改用强制对齐、熵分析和 Phone-Normalized Mutual Information（PNMI）。在 TIMIT 语音上，单个 token 与特定音素强相关（PNMI=0.84，高于随机水平），但音素由多个相互竞争的 token 实现，并非一一映射。

要点速读

1. 论文指出 ABX 式评估不适合 Mimi 固定的 80 毫秒分词窗口，该窗口常跨越多个音素
2. 作者改用强制对齐、熵分析和 Phone-Normalized Mutual Information（PNMI）评估
3. 在 TIMIT 语音上，单个 token 与特定音素强相关（PNMI=0.84，高于随机），但音素由多个竞争 token 实现，并非一一映射

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。