QuarkAudio HCodec 1.0 / 1.5 · 可审计模型档案

当前结论：D0–D3 passed；下一步是 D4 · after this protocol commit, execute the frozen source/checkpoint identity checks and full public speech cross-check on RunPod only, export per-item evidence and keep all paper-table comparisons explicitly approximate or blocked。 D0 只证明身份、来源和本地 artifact 一致；不表示算法已深读、官方结果已复现或公共 Benchmark 已完成。 D0 只证明身份、来源和本地 artifact 一致；后续 Gate 的通过不会反向扩大 D0 的证据边界。

Gate 状态

Gate	状态
D0	passed
D1	passed
D2	passed
D3	passed
D4	not_started
D5	not_started
D6	not_started
D7	not_started

D0 · 身份、标准与本地 artifact

项目	冻结身份
主论文/规范/资料	QuarkAudio Technical Report · arXiv:2512.20151v1
规范更新	UniTok-Audio foundational paper, HCodec 2.0 code-only model card
官方实现	https://github.com/alibaba/unified-audio · fixed main commit / c4004e217ddf
本地环境	Darwin 26.5 · arm64 · arm
学习参数/模型状态	1225351684 / 4976398928 bytes（official hugging face checkpoints）
已冻结运行 artifact	18 个，共 5,004,843,516 bytes
当前公共点	2.0 kbps · application=planned public English/Mandarin speech; not executed at D0 · signal hint=16 kHz mono speech for both runnable endpoints · D3-frozen HCodec 1.0 fixed 2.0-kbps anchor plus HCodec 1.5 manual thresholds 0.4, 0.6 and 0.8; paper-native D4 uses only the author setting 0.6 · 40 ms

冻结范围与明确排除

• 论文/规范家族：HCodec 1.0 fixed 25-Hz dual stream, HCodec 1.5 semantic-boundary adaptive grouping, and the code-only HCodec 2.0/Spatial extensions described by current official sources；
• 本地选择端点：HCodec 1.0 and HCodec 1.5 are the only executable released endpoints in D0; they remain separate model points with separate semantic encoders and rate contracts；

• 不纳入当前身份：

  • treating HCodec 2.0 as runnable: its frozen Hugging Face revision contains a model card but no weight file
  • treating HCodec-Spatial source as a runnable checkpoint: no selected official weight artifact is frozen
  • the QuarkAudio decoder-only language model and its generation/editing results; this bundle studies the codec only
  • quality or paper-table conclusions from the earlier eight-utterance Transport Qualified runs
  • an upstream file/network bitstream; official code emits tensors and the QHCODEC payloads are EvoSpeech-owned transports
  • comparing HCodec 1.5 at threshold 0.6 with HCodec 1.0 as a quality-controlled bitrate experiment before D3/D4

Primary-source manifest

ID	作用	bytes	SHA-256
QUARKAUDIO_REPORT_V1_PDF	current author architecture, HCodec 1.0/1.5/2.0 training and evaluation source	980,715	5a8d88c07c93160f3b91123dff2abdba810c0cf5c4a50876a98f8d18507e24fd
UNITOK_AUDIO_V1_PDF	foundational HCodec 1.0 architecture, losses and evaluation source	845,860	03ddc4be14dcbe5d47a018252dcc2c0ce33305f0216a627511e36a1510057d18
QUARK_SOURCE_ARCHIVE	release-exact implementation and variant-boundary source	25,781,034	78071b93e633d73a603250bff0952bc25a5d39f531630edd1fac1fd1def5e865
QUARK_FIXED_README	official checkpoint links, usage and family release status	4,303	af86c5c18ea00876cf8b5f8e200c6b95a5e15760f435f513937a5f88f98e314e
QUARK_FIXED_LICENSE	source license evidence	11,357	c71d239df91726fc519c6eb72d318ec65820627232b2f796219e87dcf35d0ab4
HCODEC_V1_MODEL_CARD	released 1.0 checkpoint identity and use instructions	4,310	d5cb1e3663991e025c74bf3637481fc52018cdb22761be540636ade4661c34b3
HCODEC_V15_MODEL_CARD	released adaptive checkpoint and legal grouping configuration source	2,782	179897e7cf92a44cdaa8dc69e94feb0283021b47a8ea1ae8534fd137e36af541
HCODEC_V2_MODEL_CARD	evidence that the frozen 2.0 repository exposes documentation but no weight file	4,290	d1718c3ec8f9ba92154ac49bb2aa3156be0d0fe9beea5ac76ca6f6da07635b99

Source releases and licenses

Artifact	revision	bytes	SHA-256	license
unified-audio-c4004e2.tar.gz	c4004e217ddf7c514f72ea22f2d0fbf43f02ae90	25,781,034	78071b93e633d73a603250bff0952bc25a5d39f531630edd1fac1fd1def5e865	Apache-2.0
hcodec-1.0-weights	71541fdcf2bce1e7ade1568d93476a76eda3c495	582,195,700	623ee7afbd1a97c91266c9678cb248f600dd9f75d40d7cce3dd5c977d7dce5ce	Apache-2.0 model card
hcodec-1.0-hubert	d7a7039bd0d93005f6532853db1934722d9a5e02	377,510,632	37a33094dbd080a2b5dcfcb0a9f98db5434fd78aa597d89fb972fbd19de196cc	Apache-2.0 model card
hcodec-1.5-weights	d055b37ea36a25f1094c9848e67c3462759727f4	2,747,714,452	5f228e52ef5ca133fee75521de5a0407c78577e9e3f0a7e78dabdcd312344b0c	Apache-2.0 model card
hcodec-1.5-wav2vec2	c3f9d884181a224a6ac87bf8885c84d1cff3384f	1,269,737,156	314340227371a608f71adcd5f0de5933824fe77e55822aa4b24dba9c1c364dcb	Apache-2.0 model card

Installed encoder/decoder identity

Artifact	bytes	SHA-256	resolved path
release:weights_small_data_20wh.pt	582,195,700	623ee7afbd1a97c91266c9678cb248f600dd9f75d40d7cce3dd5c977d7dce5ce	.model-envs/quark_hcodec/checkpoint-v1/weights_small_data_20wh.pt
release:config.json	1,375	dfbbabe04cc00ce28acd7c878961eb25af88301c5e3f14a61c168479236f365f	.model-envs/quark_hcodec/hubert-base/config.json
release:model.safetensors	377,510,632	37a33094dbd080a2b5dcfcb0a9f98db5434fd78aa597d89fb972fbd19de196cc	.model-envs/quark_hcodec/hubert-base/model.safetensors
release:hcode_1.5_adaptive_4+4.pt	2,747,714,452	5f228e52ef5ca133fee75521de5a0407c78577e9e3f0a7e78dabdcd312344b0c	.model-envs/quark_hcodec/checkpoint-v1.5/hcode_1.5_adaptive_4+4.pt
release:config.json	1,768	48576e4a1b0f02c7770f57e236747169459db9a8b9a529bbd7a58bbbf52c45b5	.model-envs/quark_hcodec/wav2vec2-large-xlsr-53/config.json
release:pytorch_model.bin	1,269,737,156	314340227371a608f71adcd5f0de5933824fe77e55822aa4b24dba9c1c364dcb	.model-envs/quark_hcodec/wav2vec2-large-xlsr-53/pytorch_model.bin
project:quark-hcodec-1.0-native-v1.txt	774	07dfc5772bc25d101bcbad5ac33ccb2ba954b35a9091998b83d52f04b55ff6b8	environments/quark-hcodec-1.0-native-v1.txt
project:quark-hcodec-1.5-native-v1.txt	2,382	352c278ad1d5954e22d77f689b28b63a19abb111803f271fa4c0045934824e83	environments/quark-hcodec-1.5-native-v1.txt
project:quark_hcodec_payload.py	18,069	5ac5b3df8e847c1eb436255d737d3e26fda0ee89088b5e8097985e8a47252ac4	codecs_/quark_hcodec_payload.py
project:quark_hcodec_v1_5_payload.py	26,557	d66317f7f84ef6da2b491ff9afae4d6c06ff010697e25b2533d521231f0781f4	codecs_/quark_hcodec_v1_5_payload.py
QUARKAUDIO_REPORT_V1_PDF	980,715	5a8d88c07c93160f3b91123dff2abdba810c0cf5c4a50876a98f8d18507e24fd	.model-envs/quark_hcodec/primary-sources/quarkaudio-2512.20151v1.pdf
UNITOK_AUDIO_V1_PDF	845,860	03ddc4be14dcbe5d47a018252dcc2c0ce33305f0216a627511e36a1510057d18	.model-envs/quark_hcodec/primary-sources/unitok-audio-2510.26372v1.pdf
QUARK_SOURCE_ARCHIVE	25,781,034	78071b93e633d73a603250bff0952bc25a5d39f531630edd1fac1fd1def5e865	.model-envs/quark_hcodec/primary-sources/unified-audio-c4004e2.tar.gz
QUARK_FIXED_README	4,303	af86c5c18ea00876cf8b5f8e200c6b95a5e15760f435f513937a5f88f98e314e	.model-envs/quark_hcodec/source/QuarkAudio-HCodec/README.md
QUARK_FIXED_LICENSE	11,357	c71d239df91726fc519c6eb72d318ec65820627232b2f796219e87dcf35d0ab4	.model-envs/quark_hcodec/source/LICENSE
HCODEC_V1_MODEL_CARD	4,310	d5cb1e3663991e025c74bf3637481fc52018cdb22761be540636ade4661c34b3	.model-envs/quark_hcodec/primary-sources/hcodec-v1-model-card-71541fd.md
HCODEC_V15_MODEL_CARD	2,782	179897e7cf92a44cdaa8dc69e94feb0283021b47a8ea1ae8534fd137e36af541	.model-envs/quark_hcodec/primary-sources/hcodec-v1.5-model-card-d055b37.md
HCODEC_V2_MODEL_CARD	4,290	d1718c3ec8f9ba92154ac49bb2aa3156be0d0fe9beea5ac76ca6f6da07635b99	.model-envs/quark_hcodec/primary-sources/hcodec-v2-model-card-5184a76.md

表示与计账边界

• codec 表示：HCodec 1.0 emits 25 frames/s × (4 acoustic + 4 semantic) × 10-bit indices = nominal 2,000 bps. HCodec 1.5 emits the same eight code indices once per adaptive group plus one shared 3-bit duration in the EvoSpeech-normalized representation.；
• 当前存储/传输 artifact：EvoSpeech QHCODEC wrappers pack the two streams, exact lengths, adaptive duration where applicable, variant identity and original sample count; this is not an author-standardized transport；
• 分账规则：raw representation bits, project payload bytes, external semantic-encoder state, decoder state, runtime memory and compute are reported separately；
• source-blind decoder：true；
• 不能由 D0 推出的结论：deep algorithmic understanding beyond identity and rate fields；reproduction of any QuarkAudio or UniTok-Audio quality table；quality equivalence or superiority between HCodec 1.0, 1.5 and 2.0；a fair HCodec 1.5 threshold/bitrate/quality Pareto curve；English, Mandarin, speaker, expression, latency, streaming or robustness performance；an official author-defined compressed file or network bitstream；a runnable HCodec 2.0 or HCodec-Spatial checkpoint。

D1 · 论文深读与证据边界

D1 结论：passed。 本章完整阅读、提取并逐页视觉检查了 21 页的 UniTok-Audio 与 21 页的 QuarkAudio Technical Report，重点复核两篇论文的 HCodec 结构图、动态分组公式、训练流程、Tables 2–5 和附录指标定义；同时审计固定 commit 的家族 README 与 HCodec 1.0、1.5、2.0 三个固定 revision 的模型卡。D1 证明我们已经知道作者提出了 什么、不同版本为什么不同、作者怎样评测以及公开 release 与论文哪里不一致。它不表示任何 论文数字已被本项目复现。

一句话心智模型

HCodec 的核心不是“给声学 codec 加一个语义 loss”，而是把语音/音频拆成两个并行的离散合同：

• acoustic stream 负责时间细节、音色、相位和高保真波形重建；
• semantic stream 由冻结 SSL 模型提供目标，负责更稳定地保存内容与高层结构；
• 两路分别量化，decoder 再拼接两路量化特征重建波形；
• 1.5 让语义边界决定两路共同的时间压缩；
• 2.0 则把 48 kHz 全带宽输入压到 6.25 个时间步/秒，并用更大的表示与 decoder 恢复细节。

这条路线的第一性原理是：“最小充分语音表示”不一定是一条 token 流。 内容与声学细节对 时间分辨率、码本容量和训练目标的要求不同；先解耦再协同，可能比把所有信息硬塞进一个码本更 容易优化。[QH-P-002–QH-P-006, QH-P-016]

但它也带来一个我们必须正视的代价：双流 4+4 虽然在语言模型里可并行预测，却仍然是每帧八个 10-bit code；外部 SSL encoder 也是真实编码成本。只报“25 FPS”或只报 codec 自身 146M 参数， 都会低估完整系统。[QH-I-001, QH-I-004]

两篇论文到底解决什么

UniTok-Audio 先提出 HCodec 1.0，并把它作为统一音频生成系统的 tokenizer。论文同时研究语音 恢复、目标说话人提取、语音分离、声音分离和声音转换，但我们当前研究单元只取 codec，不把 481M decoder-only LM 的生成结果混进 reconstruction 结论。[QH-P-001]

QuarkAudio Technical Report 是后续扩展：保留 1.0，加入动态帧率 1.5、48 kHz 的 2.0，以及 更广的生成/编辑任务。对 codec 而言，真正新增的是三件事：[QH-P-016]

1. 用相邻 semantic feature 的相似度发现可合并片段；
2. 把片段持续长度写入离散索引，使 decoder 能恢复原始时间网格；
3. 用 48 kHz STFT magnitude+phase、ConvNeXt、Transformer、16+16 RVQ 和两阶段训练构造 2.0。

两篇论文并不是同一个结果表的两个版本。早期论文的 codec 训练数据约为 100k 小时 speech、8k 小时 music、13k 小时 general audio；后续报告又引入约 2.5M 小时内部 speech、150k 小时 music 和 100k 小时 audio。HCodec 1.0 的 Table 2 也从 PESQ 2.99 / SPK-SIM 0.84 / WER 3.18 变成 3.05 / 0.89 / 2.85。因此“架构名相同”不等于“checkpoint 或训练分布相同”。[QH-P-009, QH-P-024, QH-A-001, QH-A-003, QH-I-003]

HCodec 1.0：双流不是融合

HCodec 1.0 的 acoustic encoder 继承 EnCodec 风格，16 kHz 输入经过总 hop 640 后得到 25 Hz 声学特征；acoustic branch 用四层 RVQ，每层 1024 项、codebook dimension 512。并行的 frozen HuBERT 对所有 Transformer 层输出取平均，semantic encoder 再把它映射、以另一个四层 RVQ 量化。[QH-P-003, QH-P-004, QH-P-010]

它与 X-Codec 的关键差异是：X-Codec 先融合 acoustic/semantic feature 再用单一码本量化；HCodec 保留两个独立 codebook stacks。这不是语义上的小区别。独立量化意味着：

• semantic 分支不会直接抢占 acoustic codebook 的容量；
• 两个分支可以有不同 reconstruction target；
• downstream LM 可以在同一时间步并行预测多层，但必须保留 stream identity；
• decoder 端仍需两路 code，不能把 semantic token 当“训练时辅助、推理时可删”。

波形 decoder 把两路量化 feature 沿 hidden dimension 拼接，经 acoustic decoder 与 Vocos 风格 ISTFT head 重建；semantic decoder 同时重建 SSL feature，使 semantic token 不能只靠 waveform loss 漂移。[QH-P-005, QH-P-006]

训练目标包含 commitment、mel reconstruction、adversarial、feature matching、SSL auxiliary MSE； 判别器使用 MPD、MRD 与 sub-band complex STFT discriminator。最后 100k steps 再打开 perceptual loss。这里的启发是：语义保存不是由一个 WER evaluator 事后“测出来”，而是在训练时通过 SSL reconstruction target 进入表示学习。[QH-P-007, QH-P-008, QH-P-011]

25 Hz × 8 codebooks × 10 bits = 2,000 bps。早期 Table 2 把 FPS 写成 25+25、Nq 写成 4，后续 Table 2 明确写成 FPS 25、Nq 4+4；二者的 2,000 BPS 都只有在八个 code 被同时计入时才成立。 因此 25 FPS 是 LM 时间步率，不是 token 率；原始 token symbol rate 是 200 symbols/s。 [QH-A-001, QH-A-003, QH-I-001]

HCodec 1.5：动态帧率到底如何发生

1.5 不是根据能量做 VAD，也不是简单丢帧。semantic aggregation module 先计算每对相邻 semantic feature 的 cosine similarity；连续相似度均高于阈值的 frames 形成 segment，再由 local attention 聚合成一个 feature。acoustic aggregation module 不独立分段，而是继承同一语义边界，所以两路 保持时间一致。[QH-P-019, QH-P-020]

若原码本大小为 K、原 code 为 c_i、segment duration 为 d_i，论文定义：

c'_i = (d_i - 1) × K + c_i
d_i  = floor(c'_i / K) + 1

因此 duration 不是“免费信息”。在作者的索引语义里，每个复合索引从 1024 项扩到最多 8×1024 项；本项目 transport 则把八路 code 的共同 duration 验证后只传一次，以 8×10 + 3 = 83 bits/group 计 representation。两个表示在可恢复信息上等价，但字节布局不是作者标准。[QH-P-021, QH-P-022, QH-I-004]

论文固定 threshold 0.6、maximum aggregation length 8、local window 前后各 8 token、8 heads、 32 layers。LibriSpeech test-clean 上报告平均 19.54 FPS / 1,622 BPS；SEED-ZH 与 SEED-EN 的平均 FPS 分别为 18.80 与 20.18。这直接证明 bitrate 是内容/语言/阈值条件化的分布，而不是模型常数。 [QH-P-026, QH-A-003, QH-A-004]

作者明确承认，1.5 相比 1.0 以轻微质量衰减换取时间步减少：LibriSpeech PESQ 3.05→2.60、STOI 0.94→0.92、SPK-SIM 0.89→0.83、WER 2.85→3.02。它是很有价值的 rate-quality mechanism， 但不能把“动态帧率更低”直接写成“压缩更好”；必须在多个合法阈值上同时测 representation rate、 payload rate、质量和语言条件。[QH-A-003, QH-A-005]

HCodec 2.0：48kHz 与低帧率

2.0 不只是把 16 kHz 网络重采样到 48 kHz。论文先做 frame length 1920、hop 960 的 STFT，拼接 magnitude 与 phase，送入 ConvNeXt blocks 与 Transformer；50 Hz 特征再 8× downsample 到 6.25 Hz。acoustic 与 semantic 两路各用 16 层 RVQ，所以若每层仍是 1024 项， 6.25×32×10 = 2,000 bps，与表中 BPS 对上。[QH-P-018, QH-P-027, QH-I-002]

训练分两阶段：stage 1 联合训练 encoder、quantizer、decoder；stage 2 冻结 encoder 与 quantizer， 只适配 acoustic decoder。Table 5 报告 large 2.0 在 SEED-ZH 的 PESQ 2.69→2.88、STOI 0.92→0.93、Mel loss 0.464→0.422；SEED-EN 也同步改善。它说明在固定 token identity 后继续提升 decoder reconstruction 是可行研究方向，也正适合未来 Agent 做“表示不变、decoder 搜索”的受控 实验。[QH-P-023, QH-A-007]

2.0 small/large 分别约 236M/1.2B codec 参数，Table 2 的 large 在 6.25 FPS、2 kbps 下报告 PESQ 3.10、SPK-SIM 0.92、WER 2.70；Table 3 在中英文也最强。可是固定 Hugging Face revision 只有 README，没有任何权重。因此这些数字现在只能保留为 author result，不能拿本地 1.0/1.5 替代复现。[QH-A-003, QH-A-004, QH-B-003, QH-I-006]

训练目标、数据与规模

早期 UniTok codec 训练覆盖 speech、music、general audio：VoxBox 约 100k 小时，FMA-full 与 MUSDB18-HQ 约 8k 小时，AudioSet/WavCaps 约 13k 小时。所有 evaluation audio 重采样到 16 kHz， 训练随机裁 5 秒、AdamW 初始学习率 2e-4、cosine decay、600k steps。[QH-P-009–QH-P-011]

后续 Quark 报告将训练规模大幅放大，并含无法公开复原的 internal data：speech 还包括约 2.5M 小时内部录音，music 约 150k 小时，audio 约 100k 小时。论文没有发布精确 sample manifest、去重 规则、内部数据、随机种子、stage checkpoints 或训练日志。[QH-P-024, QH-I-008]

参数量也必须解释分母。Table 2 的 HCodec 1.0 146M 接近 codec checkpoint 的 145.52M state elements，HCodec 1.5 678M 接近加载后 codec 自身 678.42M nn.Parameter；两者都没有把编码时 必需的 frozen SSL encoder 计入。按当前 release，完整 1.0 encoder bundle 是 137.12M codec parameters + 94.37M HuBERT，完整 1.5 是 678.42M codec + 315.44M Wav2Vec2。论文的参数列适合 比较 codec 主体，但不代表完整 encoder 成本。[QH-I-005]

官方怎样评测 codec

数据集

早期论文在 LibriSpeech test-clean、MUSDB18-HQ test、AudioSet eval 上分别评测 speech、music、 general audio。后续报告保留这些集合，并增加 Seed-TTS-Eval 的 SEED-ZH 与 SEED-EN；LibriSpeech 是 16 kHz、Seed-TTS-Eval 标为 24 kHz、music 44.1 kHz、AudioSet 48 kHz，再按模型或 metric 要求重采样。[QH-P-012, QH-P-025]

指标与具体实现声明

附录把 codec metrics 定义为：[QH-P-029–QH-P-031]

维度	作者指标	冻结描述
intrusive speech quality	wideband PESQ	1–4.5，比较 reconstruction 与 reference
intelligibility	STOI	0–1
naturalness	UTMOS	neural MOS predictor
content	WER	facebook/hubert-large-ls960-ft HuBERT ASR
speaker	SPK-SIM	Microsoft UniSpeech/WavLM speaker verification
signal	STFT L1	Hann 1024 / hop 256 magnitude spectrum
spectral	Mel L1	100 mel filters

这回答了“论文是不是用 Whisper/SenseVoice”的问题：codec reconstruction 表里的 WER 不是。 作者明确写的是 HuBERT-based ASR；Whisper-large-v3 只用于论文下游 VC/EDIT-S，中文 EDIT-S 另用 Paraformer-zh。EvoSpeech 若复现 paper-native WER，应在 RunPod 固定并只跑一次作者 HuBERT evaluator； 共同 benchmark 仍使用我们冻结的 Qwen/Fun/Parakeet panel，两个轨道不能混名。[QH-P-030, QH-I-007]

论文没有提供 codec 主观听测。UTMOS 是代理模型，不是人类 MOS；Tables 2–5 也没有 confidence interval、逐样本 ledger 或多 seed 方差。因此我们可以复算公开样本的 objective metrics，却不能 声称复现了听感结论。[QH-I-009, QH-I-010]

作者结果：能读出什么

LibriSpeech test-clean

后续 Table 2 的四个 HCodec 点如下：[QH-A-003]

Model	FS	FPS	codes	BPS	codec params	PESQ	STOI	UTMOS	SPK-SIM	WER
1.0	16k	25	4+4	2000	146M	3.05	0.94	4.08	0.89	2.85
1.5	16k	19.54 avg	4+4	1622 avg	678M	2.60	0.92	3.99	0.83	3.02
2.0 Small	48k	6.25	16+16	2000	236M	2.67	0.93	3.75	0.89	3.05
2.0 Large	48k	6.25	16+16	2000	1.2B	3.10	0.94	3.89	0.92	2.70

最重要的不是“large 最大”，而是 Pareto 结构：1.5 用约 22% 更少的时间步、约 19% 更低的平均 representation BPS 换来可见质量损失；2.0 large 用极低时间步与极大 decoder/codec capacity 恢复 质量。未来 baseline 应把 time steps/s 与 bits/s 分成两个目标，而不是用一个 bitrate 淹没。

SEED-ZH / SEED-EN

Table 3 是项目特别需要的中英文证据。1.5 在 ZH 的 PESQ/SPK/STOI 为 2.40/0.85/0.90，EN 为 2.30/0.82/0.90；1.0 则是 ZH 2.35/0.80/0.90、EN 2.22/0.73/0.90。也就是说 1.5 在这个表上 虽然更低帧率，却比 1.0 的 speaker/PESQ 更高，与 LibriSpeech 的“轻微衰减”不完全同向。 [QH-A-004]

这不是矛盾，而是很有价值的提醒：模型排序取决于数据集、语言、speaker distribution、重采样和 metric。我们不能只用英文 test-clean 决定中文实验方向；D3 必须同时冻结公开英文与中文轨。

多域 signal loss

Table 4 报告 HCodec 1.0 在 speech/music/audio 的 Mel loss 为 0.3315/0.5157/1.2312，STFT loss 0.1017/0.1667/0.4023；2.0 large 除 speech STFT 外在多数格最优。可是这些是 L1 spectral loss， 不能替代内容、speaker 或主观自然度。[QH-A-006]

发布物与论文并不完全相同

这是 D1 最重要的审计结果。

1. HCodec 1.5 SSL 模型不一致。 Quark 论文 Section 2.1.1 明确写 speech-specialized microsoft/wavlm-base-plus；当前固定 release adapter 与已下载 checkpoint 则实际依赖 facebook/wav2vec2-large-xlsr-53 的特定 hidden layers。模型卡只给运行配置，没有解释替换。 所以当前 1.5 可做 release-faithful benchmark，但不能称 strict paper reproduction。 [QH-P-017, QH-B-002, QH-I-002]
2. 同名 1.0 的训练身份不唯一。 早期论文和后续报告的数据规模、Table 2 数字不同，而 v1 权重文件名是 weights_small_data_20wh.pt。没有 author manifest 把它唯一对应到某张表。 [QH-I-003]
3. 2.0 有 README 和源码，没有权重。 模型卡写了 quick start，但固定 HF tree 无模型文件； 不能因为代码可 import 就伪造 checkpoint identity。[QH-B-003, QH-I-006]
4. Spatial 是家族 release，不是当前论文表的 model point。 README 宣布 stereo 与 mono-to-stereo spatialization，但当前没有冻结可执行权重，也不属于 Tables 2–5。[QH-B-004]
5. 上游没有 bitstream。 作者输出 code tensors；EvoSpeech 的 duration-normalized payload 是 公平测量工具，不是官方格式。[QH-I-004]

可复现性与明确 blocker

Claim family	D1 分类	原因 / D3 需要什么
1.0/1.5 source-blind encode/decode	runnable	已有固定权重与 payload；D2 还需逐行确认机制
UniTok 1.0 Table 2/3	partial / identity uncertain	公开数据可取，但 checkpoint 与 table 缺唯一绑定
Quark 1.0 Table 2/3	partial / identity uncertain	后续大规模 internal training 与 release 身份不明
Quark 1.5 Table 2/3	release-faithful only	paper WavLM 与 release Wav2Vec2 不一致
HCodec 2.0 Tables 2–5	blocked	固定 HF revision 无权重
exact training replay	blocked	internal data、manifest、seed、logs、stage checkpoints 缺失
codec WER paper track	reproducible candidate	固定 HuBERT evaluator revision、normalization 与 text manifest 后放 RunPod
SPK-SIM	reproducible candidate	需确定 Microsoft checkpoint、layer/pooling 与 preprocessing
UTMOS/PESQ/STOI/spectral	reproducible candidate	需冻结实现、版本、resampling、per-item ledger
subjective listening	not reported	codec section没有 author human-listening contract

D4 不应该设置“必须接近全部论文数字才算通过”的伪门槛。正确做法是：对可执行 release 跑完整 公开数据与作者指标，报告与 author values 的差；对身份不唯一和权重缺失的行判定 blocked， 并把 blocker 本身作为可审计结果。

对 EvoSpeech 原创 baseline 的核心启发

1. 把时间步率和表示码率分开优化。 1.5 证明语言模型计算更关心 frame/group rate，而传输 更关心 bits/s；二者相关但不等价。Agent fitness 至少要同时保留 groups/s、representation bps、payload bps 与质量。
2. 让语义决定时间压缩，让声学决定重建。 语音中长元音、稳定谐波或静音可以共享时间段， 爆破音、辅音边界、数字和实体附近需要更密。比固定 hop 更接近“最小充分表示”。
3. duration 是必须付费的 side information。 动态 tokenization 若不计分段长度，会制造虚假 低码率。我们的 83 bits/group 规则应进入 CandidateContract。
4. 大 decoder 可以作为能力教师。 2.0 的 stage-2 表明固定 representation 后，单独改善 decoder 仍可提升质量。先研究强 decoder 学会了什么，再蒸馏到小 decoder，比只搜 low-bit vocoder 更可能 产生第一性原理发现。
5. 语义辅助模型必须计成本并审计 domain。 frozen SSL encoder 可能让 token 更有内容，但 WavLM/Wav2Vec2/HuBERT 的选择本身会改变语言、speaker 与 general-audio bias。
6. 多语言排序不是英文排序的复制。 LibriSpeech 与 SEED-ZH/EN 的 1.0/1.5相对表现不同， 因此中文轨不是“英语跑完后随便抽几句”。
7. 自动科研需要机制级对照。 最有价值的实验不是无约束改全模型，而是固定 code 后搜 decoder、 固定 decoder 后搜 grouping、固定平均 bps 后比较 semantic-guided 与 acoustic-only boundaries。

D1 形成的 D3/D4 入口

D1 为后续冻结以下入口，而不是现在提前跑结果：

• HCodec 1.0：16 kHz、25 Hz、q4+q4、2,000 nominal bps；
• HCodec 1.5：16 kHz、q4+q4、max group 8；至少包含 author threshold 0.6，并预注册合法 threshold curve 与 group-length histogram；
• public English：完整 LibriSpeech test-clean 或明确 hash-bound official subset；
• public Chinese/English cross-language：SEED-ZH/SEED-EN，若 author manifest 可取得；
• paper-native metrics：PESQ-WB、STOI、UTMOS、HuBERT WER、WavLM/UniSpeech SPK-SIM、 STFT/Mel L1；所有神经 evaluator 在 RunPod，不在 Mac；
• common benchmark：复用冻结的中英文 60 句、GPU v2 evaluator panel 与 source-blind payload；
• HCodec 2.0：保持 blocked，直到出现 hash-bound official weights，不用相似实现替代。

D1 允许与禁止的结论

D1 允许说：我们理解 HCodec 三代的论文机制、作者 evaluation、主要结果和 release 边界；1.0/1.5 存在可执行端点；1.5 的动态时间压缩值得成为原创 baseline 的核心研究变量。

D1 禁止说：当前 1.5 就是论文 WavLM 版本；本地八句结果复现了 Tables 2–5；2.0 已可测试； UTMOS 等于人耳；更低 FPS 必然意味着更好 codec；或 Quark 在所有语言、码率和数据集上是 SOTA。

QuarkAudio HCodec 1.0 / 1.5 核心代码深读

本文对应 D2，只回答“固定发布物到底怎样从 waveform/SSL feature 产生离散表示，又怎样从表示恢复 waveform”。它不把代码能跑等同于论文指标复现，也不把无语音机制探针当作音质证据。固定源码是 alibaba/unified-audio@c4004e217ddf7c514f72ea22f2d0fbf43f02ae90，实际 RVQ 依赖另行固定为 vector-quantize-pytorch==1.22.15 / commit 9d2594b…。HCodec 1.0、1.5 的 codec、SSL checkpoint 仍沿用 D0 的逐文件 SHA-256 身份。

D2 · 固定源码核心代码深读

一句话机制模型

HCodec 不是“一个 acoustic codec 再加一项 semantic loss”，而是两条并行、同一时间网格的表示链：

1. waveform 经非因果 SEANet 风格 encoder 变成 acoustic feature；
2. 同一 waveform 经冻结 SSL model，再经小型 semantic encoder 变成 semantic feature；
3. 两条 feature 各自进入四层 RVQ，得到四个 acoustic index 与四个 semantic index；
4. decoder 分别查回两个 RVQ embedding sum，拼成 1024 channel，再预测复数谱并 iSTFT；
5. HCodec 1.5 在第 3 步之前，根据 semantic feature 的相邻 cosine similarity 同时压缩两条时间轴， 并把每个 compressed group 覆盖的 1–8 个 base frame 作为必须传给 decoder 的离散 side information。

因此，“语义”不是从 acoustic code 推测出来的隐含性质，而是 encoder 必须另外运行大型 SSL model 后产生的 第二套离散符号；“动态帧率”也不是跳过静音或降低 RVQ 层数，而是把连续 base frames 合成可变长度的 group。 这两个区别决定了参数量、编码成本、payload、decoder contract 和未来可搜索变量都必须分开记账。

固定身份与真正执行路径

源码仓库里同时存在大量注释掉的实验实现、旧配置和本地测试代码。D2 不按文件名猜架构，而是从两个 官方 audio_tokenizer.py 入口沿真实 call path 追踪，并与已严格加载的 checkpoint shape 交叉核对。

• HCodec 1.0：HCodecTokenizer → Codec.encode/decode → SEANetEncoder + semantic Encoder → vector_quantize_pytorch.ResidualVQ × 2 → CodecDecoder；
• HCodec 1.5：HCodecTokenizer → Codec.encode/decode → FlexiCodec similarity alignment → two QueryTokenAggregator → ResidualVQ × 2 → duration injection → repeat_interleave → bottleneck transformer → CodecDecoder；
• HCodec-1.0/vq/core_vq.py 虽然实现了另一套 ResidualVectorQuantization，但实际 Codec 从 vector_quantize_pytorch 导入 ResidualVQ。所以只读仓库内 local RVQ 会读错算法；D2 额外固定 PyPI sdist hash、Git tag commit，并验证安装文件与该 commit 的 residual_vq.py SHA 完全相同。[QH-C-007]

两套完整 encoder bundle 共 1,225,351,684 个 learned parameter：1.0 为 codec 137,124,098 + HuBERT 94,371,712；1.5 为 codec 678,417,154 + Wav2Vec2 315,438,720。这个总数不是“单个 HCodec 模型参数量”，而是当前家族两个 runnable endpoint 的合计。decoder 不需要 SSL encoder，因此文档同时保留 codec body、完整 encoder bundle、decoder-only 三种口径，避免把论文参数列当成本地部署成本。[QH-I-005]

HCodec 1.0：640-sample hop 怎样形成

audio_tokenizer.py 先把输入长度向上补齐到 640 的整数倍，然后在两侧各补 160 sample 给 HuBERT。 SSL 输出的所有 hidden state 被 stack 后沿 layer 维求均值，再做逐元素的 sign-preserving power compression：

compressed(x) = sign(x) · |x|^0.3

压缩后的 feature 转成 B×D×T，与 B×1×samples waveform 一起传进 codec。[QH-C-001, QH-C-002]

acoustic encoder 的前四个 stride 来自 [8, 5, 4, 2]，类内部反转成 [2, 4, 5, 8]，乘积是 320；随后源码又无条件加入 stride=2 的卷积。因此真实总下采样是 320×2=640，16 kHz 输入得到 25 base frames/s。这个额外 stride 很容易在快速浏览时漏掉，因为类先把 self.hop_length 记录为 320， 真正的第二次下采样在后面的 model list 中硬编码。wrapper 的 hop_length=640 与 checkpoint shape 才是完整 合同。[QH-C-003]

这也暴露出一个严重的 release-surface 陷阱：conf/config.yaml 仍写 decoder input 512、hop 320、单个 4096-entry quantizer；但 Codec.__init__ 完全忽略传入的三个 config 参数，硬编码 decoder input 1024， 以及 acoustic/semantic 各四个 1024-entry quantizer。旧 YAML 不是这个 release checkpoint 的可执行规范。 未来任何自动代码阅读器都必须把“配置声明”“构造器实际使用”“checkpoint strict load”做三方校验，不能只 解析 YAML。[QH-C-021]

HCodec 1.0：双 RVQ 到底意味着什么

acoustic branch 和 semantic branch 都把 B×512×T 转成 B×T×512 后送进独立的 ResidualVQ。每个 RVQ 有四层、每层 1024 entry。第 q 层量化当前 residual：

r_0 = x
q_i = VQ_i(r_i)
r_(i+1) = r_i - stop_gradient(q_i)
q_total = Σ q_i

实际依赖在 eval mode 下返回 B×T×4 index，HCodec 再 transpose 成 B×4×T。解码时 get_output_from_indices 根据每层 index 取 code vector，沿 quantizer 维相加，分别恢复 acoustic 与 semantic B×T×512 embedding。[QH-C-004, QH-C-007]

于是 1.0 的表示不是“25 token/s”，而是 25 个 time step/s × 每个 time step 8 个 symbol。若每个 codebook 1024 entry，定长信息量是：

25 frame/s × (4 acoustic + 4 semantic) × log2(1024)
= 25 × 8 × 10
= 2,000 bit/s

论文里的 FPS、离散 symbol rate 和 bit/s 是三种不同单位。把 25 FPS 写成 25 token/s 会低估语言模型每步 要预测的并行 code 数；把 4+4 写成“50 FPS”又会把同一时间网格重复计算。[QH-I-001]

训练 forward 还包含一个常被架构图省略的 semantic reconstruction head：只有 semantic quantized embedding 被送入 SemanticDecoder，预测原始 SSL feature。它让 semantic code 不只是与 waveform decoder 联合训练，也有直接保持 SSL information 的 auxiliary target。audio decode 则不运行这条 head， 只把两路 quantized embedding 在 channel 维拼接。[QH-C-005]

waveform decoder：为什么一个 code frame 对应 640 samples

两路各 512-D embedding 拼成 1024 channel 后，CodecDecoder 先用 kernel 5、stride 2 的 ConvTranspose1d 把 temporal length 翻倍；随后经过两组 ResNet、两层 Transformer、另外两组 ResNet、 12 个 ConvNeXt block。最后 ISTFTHead 从每个 decoder time step 预测 n_fft+2=1282 个数：一半 形成 log magnitude，一半形成 phase，幅度指数化并 clip，再用 cos(p)+j·sin(p) 构造复数谱。

custom ISTFT 使用 1280 点 Hann window、320 sample hop，显式 irfft → window → fold overlap-add → window-envelope normalization → same-padding trim。因为 decoder 在进入 iSTFT 前已把 25 Hz code grid 放大两倍，输出 temporal grid 是 50 Hz；50 × 320 sample = 16,000 sample/s，等价于每个原 code frame 640 samples。[QH-C-006, QH-C-008]

整条路径全是 causal=False，还含双向 Transformer/局部上下文，因此 1.0 不是 streaming codec。 “能按句 encode/decode”不等于能在 40 ms packet cadence 下因果运行，也不能从 RTF 推断 algorithmic latency。[QH-C-022]

HCodec 1.5：发布实现与论文的 SSL 身份不一致

论文把 HCodec 1.5 的 speech-specialized SSL 写成 microsoft/wavlm-base-plus；固定发布 wrapper 却 调用 facebook/wav2vec2-large-xlsr-53，并只平均 hidden layers 11、14、16。两者既不是同一权重， 也不是同一 layer mixing。D0 已固定 release 真正需要的 1.27 GB Wav2Vec2 权重，D2 又从入口源码确认 它位于真实 call path。[QH-C-009]

这不是文案小误差：semantic similarity 正是 1.5 决定 group boundary 的信号，换 SSL representation 可能同时改变帧率、码率和质量。因此后续运行只能叫“release-faithful HCodec 1.5”，不能叫“严格复现论文 HCodec 1.5”。除非作者发布论文 WavLM 对应 checkpoint 或提供等价性证据，我们也不能把 release 的 threshold curve 与论文 Table 2/3 直接做逐点误差验收。[QH-I-002]

SAM cosine boundary：动态帧率是怎样产生的

1.5 仍先生成 25 Hz acoustic 和 semantic base feature，但只用 semantic feature 决定分组。固定函数 _perform_similarity_alignment_vectorized 计算每对相邻 frame 的 cosine similarity：

sim_t = cosine(h_t, h_(t+1))
boundary_(t+1) = (sim_t <= threshold)

注意比较符号是 <=：只有连续相似度严格高于 threshold 的 frame 才会保留在同一 group。然后算法追踪 frame 在当前 semantic segment 内的 offset，每到第 8 个 frame 强制切分，最后 scatter 出 B×G×T alignment matrix。固定 inference config 给出 manual_threshold=0.6、max_tokens_per_group=8。 [QH-C-010, QH-C-011]

_get_current_similarity_threshold 的优先级也很重要：manual threshold 非空时直接返回固定值；否则训练期 dynamic mode 或 infer_using_dynamic_threshold=True 会从 lower/upper interval 用 Python random.uniform 抽样。也就是说合法 rate knob 不只是一个连续 threshold，还包含“固定还是随机”的语义。正式 benchmark 必须 冻结 manual threshold 并禁止 inference 随机采样，否则同一音频的 group count、bitrate 甚至重建都不完全 确定。[QH-C-017]

shared alignment 与 QueryTokenAggregator

SAM 输出只有一张 alignment matrix。semantic 与 acoustic 两条 branch 分别调用自己的 QueryTokenAggregator(features, alignment, num_segments)，所以 acoustic group 不会独立按能量或声学变化 重新切分，而是继承 semantic boundary。这一点维持了两个 code stream 的 group-by-group 对齐，也是 decoder 能共用一组 durations 的必要条件。[QH-C-012]

每个 aggregator 不是简单 mean pooling。源码会为每组建立 query：配置开启 mean-pooling initialization， 再把 query token 插到相应 group 的 frame 后，通过 32-layer projected transformer，读取 query position 作为 group representation。acoustic 与 semantic aggregator 参数独立，但接收相同 group topology。聚合后两条 512-D group sequence 各自进入四层 1024-entry RVQ；quantized features 在训练 forward 中又根据 alignment matrix扩回 base grid，用于 waveform reconstruction。[QH-C-010, QH-C-012, QH-C-013]

这解释了为什么 1.5 的 678M codec body 远大于 1.0：新增的不只是一段 cosine grouping，还包括两套很深的 query aggregator 和一个拼接后的 32-layer bottleneck transformer。创新 baseline 若只复制 threshold grouping 却不复制或替代 aggregation capacity，得到的不是同一机制。

duration composite index 与真正的信息量

上游 encode 得到 token_lengths = alignment.sum(frame_dim)，然后对 acoustic 和 semantic 的四个 codebook 全部应用：

composite = (duration - 1) × 1024 + plain_code

duration ∈ [1,8]，plain code ∈ [0,1023]，所以 composite index 的数值范围是 [0,8191]。 逆变换用整除与取模：

duration = floor(composite / 1024) + 1
plain_code = composite mod 1024

公式与论文一致，D2 直接调用固定源码对 [3,2,4,8,1,7] 六个 group 执行了精确 round-trip。 [QH-C-014]

但 composite 值需要 13 bits 并不代表每个 group 的独立信息量是 8×13=104 bits。八个 index 中的 duration 是同一个约束变量，恢复信息只需一次 3-bit duration 加八个 10-bit code，即 3+8×10=83 bits。 104 bits 是上游 tensor 的冗余定长表达，不是最小无损表示；83 bits 是 EvoSpeech 的 normalized representation contract；真实文件还必须另算 header、padding 和容器 bytes。[QH-I-004]

一个真实的 decoder 安全缺口：duration 没有交叉校验

固定源码的 _extract_length_from_codes_index 计算了所有 codebook 的 length_id，却只返回 length_id[:,0,:]，没有检查其余三个 codebook 是否相同。更危险的是 decode 先从 acoustic stream 提取 token_lengths，下一行又从 semantic stream 提取并覆盖同名变量；最终 acoustic 与 semantic 都按 semantic 第一个 codebook 的 duration 展开。若传输层某个 composite duration 被破坏，上游可能静默接受并在错误时间轴 上查 code，而不是 fail closed。[QH-C-015]

D2 用真实固定方法做了两类 corruption probe：

• 把 semantic 的非首 codebook 某个 duration 加一：上游提取的 duration 完全不变，静默接受；
• 把 semantic 首 codebook某个 duration 加一：它与 acoustic duration 不同，但上游 decode path 会用 semantic duration 覆盖 acoustic duration。

项目 split_injected_codes 则先计算全部 8 个 composite 的 duration，要求四个 acoustic codebook 内一致、 四个 semantic codebook 内一致、两路之间一致、每个 length 在 1–8、总和等于 padding 后 25 Hz frame count； 任一条件失败就拒绝 decode。通过后才去掉冗余 duration，并在 payload 中只保存一份 shared length。 [QH-C-019]

这不是在声称作者模型有可利用的安全漏洞，而是 CandidateContract 的一般原则：neural model tensor API 通常默认输入由自己 encode 产生；一旦把它放入竞技场、文件或网络边界，evaluator 必须补齐 untrusted payload validation。未来原创 codec 的 decoder contract 应从第一天就把 shape、range、cross-stream invariant、duration sum、padding bits 和 artifact identity 写成可测试不变量。

deaggregation 与 source-blind decode

严格解析得到 group code 与 lengths 后，1.5 使用 _deaggregate_features_from_token_lengths(grouped_features, token_lengths)：逐 batch 对每个 group 做 torch.repeat_interleave，再把不同 batch 的展开序列 pad 到相同长度。D2 真实执行 [3,2,4,8,1,7]， 从 B×4×6 精确扩成 B×4×25，每段数值与对应 group 完全一致。[QH-C-016]

随后 acoustic/semantic plain indices 分别进入两套 RVQ get_output_from_indices，拼接后通过 32-layer bottleneck transformer、与 1.0 同类的 waveform decoder 和 iSTFT。这里 decoder 只需要离散 payload 与 codec checkpoint，不需要 source waveform，也不需要 HuBERT/Wav2Vec2。D2 无语音探针有意只重放 grouping、 duration 与 payload parse，不重新加载 4 GB 模型；实际 fresh-process source-blind audio decode 已由此前 8 English/Chinese/critical smoke 对两个 endpoint 分别证明，并在 trace 中用 hash 绑定其摘要。二者证据不混用： 机制探针证明 invariant，历史 G4 证明完整模型能解码，但都不证明质量。

project payload：representation 与文件 bytes 必须分开

HCodec 1.0 的 project payload 用 quantizer-major 顺序保存四个 acoustic + 四个 semantic stream，所有 index 定宽 10 bits；header 绑定 variant、sample count、source revision、codec checkpoint、HuBERT revision/hash、 25 Hz 和 non-streaming contract。reader 验证 magic、header size、全部 identity、frame count、body length、 index range 和 padding bits。[QH-C-018]

HCodec 1.5 的 payload 先保存所有 group length 的 duration-1 三位流，再保存八个 10-bit code 流；header 额外绑定 threshold 0.6、max group 8、base frame count、group count、Wav2Vec2 与 config hash。reader 不信任 header 自报的 representation bits，而是重算 groups×83，再验证 length sum 和各 packed section 的精确 byte count。[QH-C-019]

D2 一秒 deterministic probe 得到：

endpoint	synthetic topology	normalized representation	packed body	complete project payload
HCodec 1.0	25 frames	2,000 bits	250 bytes	1,226 bytes
HCodec 1.5	6 groups covering 25 frames	498 bits	63 bytes	1,342 bytes

1.5 的 complete file 反而更大，因为当前 audit header 含更多长 revision/hash 字符串；这正好说明“小表示”不等于 “短文件”。header 是审计 transport，不是为短句优化的 production protocol。更重要的是，六组 pattern 是为覆盖 length 1/2/3/4/7/8 而构造，0.498 kbps 绝不是自然语音代表值，也不能与论文平均 1.622 kbps 比质量。 正式 rate 必须在冻结数据集上从实际 group count 测量。

无语音确定性机制探针

scripts/trace_quark_hcodec_code.py 在 HCodec 1.5 固定 venv 中执行，不读取/生成 waveform、不加载 codec 或 SSL checkpoint、不运行 ASR，也不运行 PESQ/STOI/UTMOS。它完成四件可重复验证的工作：

1. 对 20 个关键源码文件计算 SHA，并确认实际 ResidualVQ 安装源码与固定 release 一致；
2. 构造 25 个二维 unit feature，真实调用 SAM routine，在 threshold 0.6/max 8 下恢复 [3,2,4,8,1,7]，再真实调用 repeat-interleave 恢复 25-frame grid；
3. 真实调用上游 duration inject/extract，并执行两类不一致 corruption；
4. 对两个 project payload 写两次、逐 byte 比较，再读回并逐 index 比较。

trace 不含 wall-clock timestamp，--check 会重算所有机制与 hash 后与归档 JSON 做 byte-level comparison。 这使 D2 不依赖“文档说通过”，而是可执行地证明 source map、duration formula、grouping boundary、strict parser 和序列化确定性仍成立。

release-surface gap 账本

D2 共冻结 14 类缺口，最影响后续实验的不是“代码风格”，而是身份与可比性：

1. wrapper 强制第三方 mirror 且模型 ID 浮动；本项目必须 local-only、revision/hash-bound；
2. 1.0 YAML 与 hard-coded graph 不一致；必须以 strict checkpoint load 的真实 graph 为准；
3. 1.5 paper WavLM 与 release Wav2Vec2 不一致；只能做 release-faithful 结果；
4. author 未定义 bitstream；normalized representation 与 complete payload 必须双报；
5. duration 在八个 composite index 中重复；信息量不能按 8×13 粗算；
6. upstream duration parser 无跨码本校验；项目 parser 必须 fail closed；
7. dynamic threshold 可随机；formal protocol 必须冻结 manual threshold；
8. 两篇论文的 1.0 表值不同且无 checkpoint-to-row manifest；不能挑一个最接近的表宣称复现；
9. internal data、seed、optimizer state 不公开；训练 exact replay blocked；
10. HCodec 2.0/Spatial 没有当前可运行权重；源码存在不等于 endpoint 可测；
11. paper parameter 不含 encode-only SSL model；部署成本必须补齐；
12. release 没有 per-item evaluation ledger；quick-start 不是 evaluation protocol；
13. 1.0/1.5 均 non-causal；不得参加 streaming latency 排名；
14. paper-native HuBERT WER 与项目 modern ASR ensemble 是两条证据轨，不能混成一个数字。

完整机器可读内容在 code_map.json 的 release_surface_gaps，这里的摘要用来指导 D3，而不是继续无限 加固。D3 只需要把这些已知事实转成有限协议：哪些 paper claims strict/approximate/blocked，哪些 threshold 合法， 哪些 evaluator 在 RunPod/API 执行。

对原创 baseline 与 Agent 进化的直接启发

第一，HCodec 最值得借鉴的不是“大模型堆叠”，而是共享边界、分流量化：用 semantic trajectory 决定哪里 可以少花 temporal step，但让 acoustic representation 继承同一分段，避免两套时间轴的 combinatorial alignment。 原创 baseline 可以先做一个更薄的实验：固定强 decoder/quantizer，只比较 energy boundary、SSL cosine boundary、 learned boundary 与 oracle boundary，在相同 payload bits 下看内容与听感 Pareto，而不是一开始重建 678M 模型。

第二，duration 是一个很小但第一性原理清晰的 side channel。Agent 搜索不能只改 network weights，也应能搜索 “表示合同”：最大 group 长度、boundary hysteresis、duration code、是否允许相邻 group merge、每路 RVQ 深度。 但 evaluator 必须按真正 recoverable information 计费，防止把同一 duration 复制到多个 index 后伪装成免费信息。

第三，semantic encoder 是一个外部 teacher，也可能是最大 encode cost。未来要同时画三张 Pareto：quality–bitrate、 quality–encoder FLOPs/memory、quality–decoder cost。一个 0.5 kbps 表示若需要 315M SSL encoder 和 678M codec 才能生成，未必比稍高码率的小模型适合通信；但它可能是生成模型 tokenization 的优秀 teacher。SOTA-first 不等于 只优化单一 bitrate，而是让最强方法暴露哪些 information bottleneck 真正重要。

第四，release mismatch 本身是 Agent 科研系统的测试题。Agent 不能把 paper text、README、config、checkpoint 视为天然一致；它必须生成“claim → exact source lines → checkpoint shape → executed mechanism”链，并把不一致 作为结构化 observation。否则自动科研只会更快地产生貌似可信的错误表格。

第五，corrupted duration probe 应进入 CandidateContract 的通用 adversarial suite。任何 variable-rate codec 都应 自动测试：side-information missing、out-of-range、cross-stream mismatch、sum mismatch、trailing bits、identity swap。 这些测试成本极低，却能在开始昂贵 GPU benchmark 前阻断不可比较或可作弊实现。

D3/D4 的有限入口

D2 通过后，下一步不是直接跑全量，也不是在 Mac 上补 ASR。D3 要在任何正式结果出现前提交：

• runnable scope 只含 HCodec 1.0 release 与 HCodec 1.5 Wav2Vec2 release；2.0/Spatial blocked；
• 1.0 固定 2.0 kbps；1.5 至少固定 author manual threshold 0.6，并预注册有限 threshold curve；
• paper-native evaluation 将每个 metric 按可获得资产分成 strict、approximate 或 blocked；
• paper-native codec WER若执行，使用论文指定 facebook/hubert-large-ls960-ft，且只在 RunPod；
• common evaluator 使用项目冻结的现代多语 ASR/speaker/quality 组合，也只在 RunPod/API；
• 两条 WER 轨道分别报告，永不平均；
• adaptive rate 按每句真实 group count × 83 bits 报告，同时保留 complete payload bytes；
• HCodec 1.5 与 1.0 的质量比较必须按 bitrate–quality Pareto 解读，不能因 8 句 transport 平均码率更低就写胜出。

D4 才执行 paper-native author assets/metrics；D5 才执行公共中英共同 benchmark。任何神经 ASR、speaker encoder 或 learned quality evaluator 都不得在本地 Mac 执行。Mac 只保留 source audit、payload、hash、无语音 mechanism probe 与结果审计；RunPod/API 负责 GPU inference。这个边界既响应当前硬件现实，也让云端 runner 成为 可迁移、可重放的正式实验环境。

D2 允许与禁止的结论

D2 允许说：我们已把 HCodec 1.0/1.5 的真实 release call path 映射到 20 个 hash-bound source，理解了 acoustic/semantic 双 RVQ、25 Hz/640 hop、Vocos-style decoder、semantic cosine grouping、shared alignment、 query aggregation、duration injection/deaggregation；固定源码的 duration 公式和 SAM boundary 已被无语音探针真实 执行；项目 payload 能 byte-deterministic round-trip，并比上游 tensor API多做跨 8 个 codebook 的 duration 一致性验证；此前两次 G4 已独立证明完整 source-blind audio decode。

D2 不允许说：HCodec 达到论文 PESQ/STOI/UTMOS/WER；1.5 在同质量下优于 1.0；0.498 kbps 是自然语音 工作点；release 的 Wav2Vec2 等价于 paper WavLM；HCodec 2.0/Spatial 可运行；模型是 streaming；任何语言、 speaker、expression 或人耳偏好已验证；以及 QHCODEC 是作者官方 bitstream。

最重要的边界是：“算法已经读懂并能重放关键机制”不等于“论文 evaluation 已复现”。 前者是 D2 的完成 条件，后者必须等 D3 预注册后在 GPU/官方资产上进入 D4/D5。

flowchart LR W["16 kHz mono waveform\nfull utterance; non-causal"] P["pad to 640 samples\n25 Hz base grid"] SSL10["HCodec 1.0 SSL\nHuBERT all-layer mean"] SSL15["HCodec 1.5 release SSL\nWav2Vec2 XLSR layers 11/14/16\npaper says WavLM"] AE["SEANet acoustic encoder\n320 × stride-2 = hop 640"] SE["semantic encoder\nSSL grid → 512-D / 25 Hz"] subgraph H10["HCodec 1.0 · fixed 25 Hz"] AQ10["Acoustic RVQ q4\n1024 entries × 512-D"] SQ10["Semantic RVQ q4\n1024 entries × 512-D"] B10["8 × 10 bits/frame\n2,000 representation bit/s"] end subgraph H15["HCodec 1.5 · adaptive frame rate"] SAM["SAM cosine boundary\nthreshold 0.6; max group 8"] SQA["shared alignment matrix"] AGGA["acoustic QueryTokenAggregator\n32 local-attention layers"] AGGS["semantic QueryTokenAggregator\n32 local-attention layers"] AQ15["Acoustic RVQ q4"] SQ15["Semantic RVQ q4"] DUR["duration composite index\n(length-1)×1024+code"] B15["normalized 83 bits/group\n8×10-bit codes + shared 3-bit duration"] end PAY10["project QHCODEC 1.0 payload\nsource/checkpoint identity + packed codes"] PAY15["project QHCODEC 1.5 payload\nstrict 8-codebook duration validation"] DEQ10["RVQ embedding sums"] DEQ15["repeat-interleave by validated duration\nback to 25 Hz"] CAT["concatenate acoustic + semantic\n1024 channels"] BT["HCodec 1.5 bottleneck transformer\n32 layers; non-causal"] DEC["ConvTranspose ×2 + residual/Transformer\n+ 12 ConvNeXt blocks"] ISTFT["Vocos-style ISTFT head\n320-sample spectral hop"] OUT["16 kHz reconstructed waveform"] BLIND["source-blind decoder\nsees payload + fixed decoder weights only"] W --> P P --> AE P --> SSL10 --> SE P --> SSL15 --> SE AE --> AQ10 --> B10 --> PAY10 SE --> SQ10 --> B10 SE --> SAM --> SQA SQA --> AGGA SQA --> AGGS AE --> AGGA --> AQ15 --> DUR --> B15 --> PAY15 SE --> AGGS --> SQ15 --> DUR PAY10 --> BLIND --> DEQ10 --> CAT PAY15 --> BLIND --> DEQ15 --> CAT CAT --> BT --> DEC --> ISTFT --> OUT PAPER["paper-native metrics\nHuBERT WER; WavLM SPK-SIM"] COMMON["EvoSpeech common evaluator\nRunPod/API only; no local ASR"] OUT -. "D3+ only" .-> PAPER OUT -. "D5 only" .-> COMMON

QuarkAudio HCodec 1.0 / 1.5 复现与交叉验证计划

D3 · 论文原生复现协议

一句话裁决

Quark HCodec 的公开发布足以做一次强的、可审计的 current-release cross-check，但不足以把本地数字叫作 两篇论文表格的严格复现。原因不是“模型跑不起来”，而是作者没有把公开 checkpoint byte identity 映射到 两个论文中数值不同的 HCodec 1.0 行；HCodec 1.5 的论文又写 WavLM，而可运行发布版实际绑定 Wav2Vec2 XLSR。D3 因而冻结三层证据：严格的资产/结构/传输验证、完整公共语音集上的近似交叉验证，以及有明确缺失 资产的 blocked 论文结论。三层永不混写。

D3 本身不运行任何正式质量指标。它只在结果出现前固定 endpoint、数据、阈值、metric identity、统计方法、 失败规则和输出。此前归档的 8 条真实音频只证明 source-blind transport 能工作，不包含 paper-native aggregate， 不能用来调 D3 的容差或选择样本。

两个可运行 endpoint 与两个论文身份

HCodec 1.0 固定为官方 QuarkAudio/QuarkAudio-HCodec revision 71541fdcf2bce1e7ade1568d93476a76eda3c495 的 582,195,700-byte checkpoint，并绑定 bosonai/hubert_base@d7a7039...。它是 16 kHz、640-sample hop、25 FPS、四层 acoustic RVQ 加四层 semantic RVQ。每帧八个 10-bit index，因此 normalized representation 是严格的 2,000 bit/s。

HCodec 1.5 固定为 QuarkAudio/HCodec-1.5-adaptive@d055b37... 的 2,747,714,452-byte checkpoint， manual threshold 只取论文设置 0.6，最大 group length 为 8。可运行实现加载 facebook/wav2vec2-large-xlsr-53@c3f9d88... 的第 11/14/16 层；论文写的却是 microsoft/wavlm-base-plus。所以 D4 能严格验证“公开发布版身份与行为”，但它的质量结果必须标为 release-faithful approximate，不能标为 paper-identical。

两个 endpoint 也不能替代 HCodec 2.0。2.0 是 48 kHz、6.25 FPS、16+16 RVQ 的另一张图；冻结仓库没有 weight。只要正式权重未出现，所有 2.0 数字都保留为 author result / blocked。

官方 source archive 里真正存在的三份评测清单

D2 之后对固定 source archive 的评测面继续审计，发现作者不是只写了 dataset family 名：代码中包含三份 .scp 清单。

• librispeech_test_clean.scp：2,620 行，ID 与 OpenSLR test-clean 完整对应；去掉作者机器绝对路径后可移植。
• musdb18hq_test_one_dir.scp：250 行，即 50 个 test track 的 mixture 与四个 stems；身份有用，但音频许可、 waveform bytes 和 paper preprocessing 没有随源码冻结。
• audioset_eval.scp：17,141 个 YouTube ID；它记录作者当时拿到的集合，却无法保证今天重新下载得到同一段 waveform，失效视频也会改变分母。

因此 D4 对 LibriSpeech 使用完整 2,620 条，而不是再抽一个方便的 100/300 条子集。MUSDB/AudioSet 在本轮只 严格验证清单 hash 和 blocker，不烧 GPU 生成一个不可与论文同义的“新 Table 3/4”。这既提高英文复现强度， 也避免用不完整媒体伪造严格复现。

Track A · author-native English 与 bilingual speech

author-native speech track 同时保留英文与中英文公共评测：

1. LibriSpeech test-clean：完整 2,620 条，来自 SHA-256 为 39fde525... 的 OpenSLR archive；现有全量逐文件 manifest 已有 2,620 个音频 hash 和 transcript。
2. SEED-EN standard：使用 BytedanceSpeech/seed-tts-eval@752f429... 官方 archive 中 en/meta.lst 的 每个合法 target waveform，不抽样。作者 README 描述为约 1,000 条；当前公共镜像显示 1,088 行，只作 preflight diagnostic，不预先冒充官方 archive 的精确行数。
3. SEED-ZH standard：同一固定官方 archive 中 zh/meta.lst 的每个合法 target waveform；作者描述为约 2,000 条，公共镜像显示 2,020 行； 不混入 400 条 hardcase，也不把中文和英文压成一个“总体冠军”。

SEED archive 要在 D4 RunPod preflight 下载并记录 authoritative meta 行数、archive、meta 和每个 waveform hash。最终选择规则始终是“全部合法 target row”，不依赖 1,088/2,020 这个二手镜像诊断数；但若任何已声明 row 缺 target path、文件或可读 waveform，D4 必须先停下来给出 typed blocker，不能悄悄删掉坏行继续算平均。 这同时防止作者约数与便利镜像精确数被混写成同一种证据。

每条数据对 HCodec 1.0 与 HCodec 1.5 threshold 0.6 各执行一次真实 encode、项目 payload 序列化、fresh-process decode。每个 endpoint × item 必须恰好有一行 passed 或 typed failure。失败行留在声明分母中；报告同时显示 成功数与失败数，禁止只对成功样本给一个看似漂亮的均值。

Track B · paper metrics 与 modern common evaluators 分轨

paper-native metric 只回答“当前公开 endpoint 在作者的评测语义附近是什么表现”：PESQ-WB、STOI、UTMOS、 HuBERT WER、WavLM speaker similarity，以及论文明确到足以实现时的 Mel/STFT loss。它不回答“2026 年最强 ASR 怎样判断内容”。

paper WER 固定 facebook/hubert-large-ls960-ft@ece5fabb...。该模型不是 Whisper、SenseVoice，也不是 项目未来的 SOTA panel。它只在 LibriSpeech 上跑一次，用固定 uppercase/apostrophe/whitespace normalization 算 corpus micro WER。由于论文没有公开精确 revision、decoder 和 normalization build，这个数字仍是 approximate paper-native，而不是严格二进制复现。

speaker track 优先使用 SEED 官方 evaluator commit 与其引用的 WavLM-large fine-tuned checkpoint。D4 必须先 记录 Google Drive asset 的 bytes/hash 和实际 embedding/pooling call path；拿不到就 blocked，不能静默切换。 microsoft/wavlm-base-plus-sv@feb593a... 只允许作明确标记的 diagnostic fallback，绝不冒充论文 SPK-SIM。

未来 D5 的 Qwen/FunASR/Parakeet 或版本化 SOTA API 是 modern common evaluator，只用于跨 codec 公平排名。 它有自己的模型 revision、语言覆盖和成本账本；paper HuBERT WER 与 modern WER/CER 分列、从不平均、从不互相 回填。这也解释了为什么项目可能保留一个较旧 HuBERT：不是因为它最准，而是为了复核论文口径。

HCodec 1.5 的 threshold 与 rate accounting

1.5 的每个 adaptive group 存八个 10-bit code index，加一个共享 3-bit duration，总计 83 normalized bits。 因此数据集平均 BPS 必须由 83 × total_groups / total_valid_seconds 计算。作者在 LibriSpeech 报告 19.54 FPS， 乘 83 等于 1,621.82 bit/s，正好解释表中 1,622 BPS；这比把八个 composite integer 都按 13 bits 重复计算 更忠于其可恢复信息量。

但是 normalized representation 不是网络包。D4 同时输出 group FPS、normalized bit/s、项目 payload bytes 和 project payload bit/s。JSON/header/length 等开销不能藏进 nominal BPS，也不能反过来用短文件容器开销否定 representation capacity。

paper-native D4 只跑 0.6。未来 D5 common curve 已在结果前冻结为 0.4、0.6、0.8，再加 HCodec 1.0 固定 anchor。 禁止看见结果后插入 0.55 或删除难看的端点。若某 threshold 失败，保留失败而不是改变搜索域。

哪些 paper claims 可以严格验证

严格验证的对象很有限但有价值：source archive 与十个关键 member 的 bytes/hash；三份 .scp 的行数和身份； 四个 codec/SSL checkpoint 资产；HCodec 1.0 q4+q4 和 HCodec 1.5 release graph；阈值 0.6；fresh-process source-blind decode；1.0 的 2,000 bit/s arithmetic；1.5 的 83 bits/group arithmetic；以及每个 declared item 是否得到完整 ledger。

这些 passed 说明我们测的是哪个程序、哪个模型、哪个样本、哪个 representation，不说明音质达到论文表格。 结构验证和 headline quality 必须在报告中用不同 verdict class。

哪些 headline table 只能 approximate

Quark Table 2/3 的 HCodec 1.0 与 1.5 公共 speech 数字可以做描述性交叉验证：本地 mean、95% bootstrap CI、 作者 point、作者 point 是否落入 CI。可是 overlap 不是“复现通过”，non-overlap 也不是“论文错误”。前者可能 来自同一能力区间，后者可能来自 checkpoint、WavLM/Wav2Vec2、PESQ build、UTMOS asset 或文本 normalization 差异。

PESQ-WB、STOI 和 current UTMOS 都固定实现/asset 并保留 platform identity。UTMOS 仍是神经 MOS predictor， 不是人耳。paper-time binary 未公开，所以这些数值统一标 approximate 或 approximate-platform-conditioned。

哪些结果在执行前已经 blocked

UniTok Table 2 严格复现被 checkpoint-to-row mapping、exact metric build 与 per-item ledger 阻塞。UniTok Table 3 与 Quark Table 4 的 multidomain 严格复现还缺 paper-time MUSDB/AudioSet waveform bytes 和 preprocessing。 HCodec 2.0 Tables 2–5 缺权重与 stage-one/stage-two checkpoint。训练 regeneration 缺数百万小时 internal data、 sample manifest、seed、optimizer state 和完整 run logs。主观质量缺 stimuli、listener assignment、raw votes、 设备、筛选与 CI code。

blocked 的含义是“现有公开证据不能执行同一实验”，不是作者值错误，也不是项目必须无限等待。D4 报告会保留 author value 与 blocker，继续完成可执行的 current-release evidence。

统计、失败和 author delta 规则

bounded per-item metric 报 macro mean；WER 报整个 corpus 的 micro edit counts；rate 用总 groups/总 duration。 LibriSpeech bootstrap 按 speaker cluster，SEED 若能从官方 meta 恢复 prompt speaker 则同样 cluster，否则使用 item bootstrap并写明局限。所有 CI 固定 seed 20260722、10,000 次 percentile bootstrap。

不预设一个“离论文 ±x% 就算通过”的便利容差，因为模型与 evaluator identity 并不相同。author delta 是 descriptive field。任何 NaN、OOM、decode mismatch、短音频 PESQ 失败、缺失 transcript 或 asset mismatch 都是 typed failure；报告必须显示分母与失败率。只有资产/结构/算术项有严格 passed/failed。

RunPod-only 神经评估与本地禁令

本地 Mac 只允许源码阅读、hash、manifest join、JSON/schema test、非神经算术和报告生成。以下工作一律禁止在 本地执行：HuBERT/Whisper/SenseVoice/任何 ASR inference、WavLM speaker encoder、UTMOS 或其他 learned judge、 全量正式 codec decode。它们只在 RunPod CUDA 或未来协议明确允许的 versioned API 上执行。

paper HuBERT 和 paper WavLM 必须在 RunPod，因为这既避免 Mac 的数小时浪费，也把 GPU/driver/library identity 收进证据。SOTA API 不能代跑 paper-native HuBERT；它只能在 D5 common track 新增独立列。RunPod 仍遵守一张 pod 上限、持久 volume、硬性预算和结果验证后删除 exact pod 的规则。

D4 的固定输出

D4 至少导出：aggregate/result JSON、每 item × endpoint ledger、human-readable report、完整 run log、全量 dataset manifest、endpoint identity、metric identity 和 RunPod runtime/cost identity。所有文件互相记录 SHA-256；报告 生成器只读取机器账本，不人工复制数字。

执行顺序固定为：asset preflight → dataset closure/hash → endpoint smoke/source-blind decode → full reconstruction → non-neural metrics → RunPod neural metrics → aggregate/bootstrap → claim-matrix verdict → 本地 schema/audit。任何 asset identity 失败只停止受影响轨道，不允许用别的 checkpoint 或样本悄悄顶替。

D3 允许与禁止的结论

D3 允许说：协议已在正式结果前冻结；两个公开 endpoint、三个完整 speech set、三份 author source list、metric identity、0.6 paper threshold、0.4/0.6/0.8 future curve、rate accounting、统计和 RunPod-only policy 已明确；严格、 approximate、blocked 的边界已经写进机器可读 claim matrix。

D3 禁止说：任何 D4 metric 已运行；HCodec 达到或未达到论文质量；作者 point 被复现或推翻；HCodec 1.5 paper identity 等于公开 Wav2Vec2 release；UTMOS 等于听感；HuBERT 是当前最强 ASR；英文结果能代表中文；2.0 可以用 1.0/1.5 代替；或本地 Mac 允许“只试几条”ASR。下一步只有在本 D3 commit 推送后，才可以准备并启动 RunPod D4。