引言：从LLM到深度语义

在大型语言模型（LLM）驱动的语音交互时代，神经语音编解码器 (Neural Speech Codec) 扮演着至关重要的角色。它如同 LLM 的“耳朵”和“嘴巴”，负责将连续的语音波形转换为离散的、可供模型处理的 token，并将模型生成的 token 还原为自然的人声。

一个理想的语音编解码器，需要同时实现两个看似矛盾的目标：

1. 高保真重建 (High-fidelity Reconstruction)：生成的语音要清晰、自然，尽可能保留原始语音的音质。
2. 语义解耦 (Semantic Disentanglement)：编码出的 token 需要能够清晰地分离语义信息（说了什么）和副语言信息（怎么说的，如音色、情感、韵律等）。

传统的声学编解码器（如 Encodec, SoundStream），通过多码本的残差向量量化 (RVQ) 实现了极高的重建质量，但其生成的声学 token 耦合了所有信息，直接用于 LLM 建模会非常复杂。

而语义解耦编解码器（如 FACodec, SpeechTokenizer, MimiCodec）虽然尝试分离语义，但大多存在以下问题：

• 解耦不彻底：依赖于从自监督模型（如 HuBERT, WavLM）蒸馏的表示，这些表示本