引言：從LLM到深度語義

在大型語言模型（LLM）驅動的語音交互時代，神經語音編解碼器 (Neural Speech Codec) 扮演著至關重要的角色。它如同 LLM 的“耳朵”和“嘴巴”，負責將連續的語音波形轉換為離散的、可供模型處理的 token，并將模型生成的 token 還原為自然的人聲。

一個理想的語音編解碼器，需要同時實現兩個看似矛盾的目標：

1. 高保真重建 (High-fidelity Reconstruction)：生成的語音要清晰、自然，盡可能保留原始語音的音質。
2. 語義解耦 (Semantic Disentanglement)：編碼出的 token 需要能夠清晰地分離語義信息（說了什么）和副語言信息（怎么說的，如音色、情感、韻律等）。

傳統的聲學編解碼器（如 Encodec, SoundStream），通過多碼本的殘差向量量化 (RVQ) 實現了極高的重建質量，但其生成的聲學 token 耦合了所有信息，直接用于 LLM 建模會非常復雜。

而語義解耦編解碼器（如 FACodec, SpeechTokenizer, MimiCodec）雖然嘗試分離語義，但大多存在以下問題：

• 解耦不徹底：依賴于從自監督模型（如 HuBERT, WavLM）蒸餾的表示，這些表示本