四本密碼本要怎麼排隊？這集小皮深入拆解MusicGen的延遲排列（Delay Pattern）。EnCodec每秒50格、每格用RVQ翻四本密碼本，一秒就有200個token要猜。排法一「攤平」一個一個猜，最準但最慢，10秒要2000步；排法二「平行」同一格四本一起猜，10秒只要500步，但各層彼此不知道，像草稿還沒畫好就先上色；排法三「延遲排列」讓每一本晚一步出發，像輪唱卡農，後面的密碼本可以照著前面的草稿補細節，10秒只要503步。2023年MusicGen論文比較這幾種排法，延遲排列品質接近攤平、速度快將近四倍，所以MusicGen選了它。
參考資料：
Simple and Controllable Music Generation (MusicGen) － arXiv：https://arxiv.org/abs/2306.05284
AudioCraft / MusicGen － GitHub：https://github.com/facebookresearch/audiocraft
High Fidelity Neural Audio Compression (EnCodec) － arXiv：https://arxiv.org/abs/2210.13438
