WavTokenizer · small speech 40 + large unified 40 · 可审计模型档案¶

当前结论：D0–D5 passed；下一步是 D0-D5 benchmark complete; D6 is selective and the active research line moves to the Batch A cross-model Pareto audit。每个 Gate 只建立该 Gate 明示的证据；D5 passed 表示冻结共同 benchmark 已完整归档和审计，不表示存在全局赢家或 D6/D7 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	passed
D5	passed
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	WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling · `ICLR2025-yBlVlS2Fd9 / arXiv:2408.16532`
规范更新	—
官方实现	https://github.com/jishengpeng/WavTokenizer · `commit-pinned camera-ready snapshot` / `5cf440d91ac4`
本地环境	Darwin 26.5 · arm64 · Apple M5
学习参数/模型状态	80913988 / 340459156 bytes（two official external checkpoints）
已冻结运行 artifact	9 个，共 3,348,335,099 bytes
当前公共点	0.48 kbps · application=public English and Mandarin speech benchmark · signal hint=large-unified 24 kHz endpoint trained by the authors for speech, audio and music · fixed one-codebook, 4096-entry, 600-sample-hop representation: 40 × 12 = 480 nominal representation bps · 25 ms

冻结范围与明确排除¶

论文/规范家族：24 kHz speech, audio and music reconstruction with separately trained 40-token/s and 75-token/s endpoints；
本地选择端点：official small-speech 40-token/s and large-unified 40-token/s checkpoints; large-unified is the planned common-benchmark point；
不纳入当前身份：
- the official large-speech 75-token/s checkpoint, whose identity is frozen but whose 320-sample-hop artifact is not installed or evaluated by D0
- claims that 40-token/s and 75-token/s are a clean runtime rate knob on one fixed checkpoint; they are separately trained endpoints
- the full 1.59-1.76 GB Lightning checkpoint size as an inference parameter count; each selected checkpoint filters to the same 80,913,988-parameter inference graph
- quality or SOTA conclusions from the existing transport smoke evidence
- an official network bitstream or file format; the repository exposes tensor codes, while EvoSpeech's EVSWAV01 wrapper is project-owned

Primary-source manifest¶

ID	作用	bytes	SHA-256
WAVTOKENIZER_ICLR2025_PDF	peer-reviewed primary method and evaluation source	548,216	`934366c66e66ca9d87608c6b1bde1b60a4bb35c728f02a00d1b7e0eb24a73d57`
WAVTOKENIZER_RELEASE_README	official model matrix, inference example and checkpoint-domain boundary	6,780	`819196227c35a4aef37235bbd91a54c09e9251011ded3ec3649b1e9e68a22f0b`
WAVTOKENIZER_RELEASE_LICENSE	fixed-source code license evidence	1,068	`7378a5e75f725b4eeda55a0810de62bc66e713cb7f6e85379968cd70e3c829b2`
WAVTOKENIZER_RELEASE_LOADER	release-exact checkpoint filtering and waveform-code-waveform inference path	9,899	`39211cc4dac15514bb6711c8f13740afb17c9f4f9d7b43fca04b8d2d6604abd3`
WAVTOKENIZER_RELEASE_FEATURE_EXTRACTOR	release-exact encoder and single-codebook quantizer construction	6,092	`cc98a6641f3070a1d53f83957499a4b8b3b35a0cea63d969d2c49ac687deddc2`
WAVTOKENIZER_RELEASE_40_CONFIG	release-exact 24 kHz, hop-600, one-quantizer, 4096-entry inference graph	2,777	`69761de5709e0114f0819bbcf8447e30439a43f4f69ffce55b35197070fdc371`

Source releases and licenses¶

Artifact	revision	bytes	SHA-256	license
WavTokenizer-5cf440d.tar.gz	`5cf440d91ac420ca338f117b7003a77450d64730`	414,119	`f3dd248f61038bfd3b3f9de3bb3c49eebd127b31f96f6b704bc71023f725f136`	MIT from fixed source LICENSE
WavTokenizer_small_600_24k_4096.ckpt	`novateur/WavTokenizer@917d513b3162144a78642448d3bb0516d1f51ed2`	1,589,082,492	`d44c40fbb83d2d42329ac098e252a31b5708fb7b3bf864d108dd3ed26911d004`	Hugging Face model card declares MIT; checkpoint has no embedded standalone license
wavtokenizer_large_unify_600_24k.ckpt	`novateur/WavTokenizer-large-unify-40token@7dc47a9450ce71cab736434b7645604013ca028b`	1,759,224,573	`72182c1b6bd5ea7f84cf3ec78a0a3244cf42daa660b2e9bce23f5d74064d8205`	Hugging Face model card declares MIT; checkpoint has no embedded standalone license
wavtokenizer_large_speech_320_v2.ckpt	`novateur/WavTokenizer-large-speech-75token@f0eafde4078a49b3875d79d33632a252dcd02f60`	1,754,880,893	`5dd430d5f0d96e2313babb1b896d0f990b65bfd143b2894fc3851cfc3cca9846`	Hugging Face model card declares MIT; identity frozen but artifact not locally installed

Installed encoder/decoder identity¶

Artifact	bytes	SHA-256	resolved path
`small_speech_40_checkpoint`	1,589,082,492	`d44c40fbb83d2d42329ac098e252a31b5708fb7b3bf864d108dd3ed26911d004`	`.model-envs/wavtokenizer/checkpoint/WavTokenizer_small_600_24k_4096.ckpt`
`large_unified_40_checkpoint`	1,759,224,573	`72182c1b6bd5ea7f84cf3ec78a0a3244cf42daa660b2e9bce23f5d74064d8205`	`.model-envs/wavtokenizer/checkpoint-large-unified/wavtokenizer_large_unify_600_24k.ckpt`
`fixed_wavtokenizer_release_readme`	6,780	`819196227c35a4aef37235bbd91a54c09e9251011ded3ec3649b1e9e68a22f0b`	`.model-envs/wavtokenizer/source/README.md`
`fixed_wavtokenizer_release_license`	1,068	`7378a5e75f725b4eeda55a0810de62bc66e713cb7f6e85379968cd70e3c829b2`	`.model-envs/wavtokenizer/source/LICENSE`
`fixed_wavtokenizer_release_loader`	9,899	`39211cc4dac15514bb6711c8f13740afb17c9f4f9d7b43fca04b8d2d6604abd3`	`.model-envs/wavtokenizer/source/decoder/pretrained.py`
`fixed_wavtokenizer_release_feature_extractor`	6,092	`cc98a6641f3070a1d53f83957499a4b8b3b35a0cea63d969d2c49ac687deddc2`	`.model-envs/wavtokenizer/source/decoder/feature_extractors.py`
`fixed_wavtokenizer_release_40_config`	2,777	`69761de5709e0114f0819bbcf8447e30439a43f4f69ffce55b35197070fdc371`	`.model-envs/wavtokenizer/source/configs/wavtokenizer_smalldata_frame40_3s_nq1_code4096_dim512_kmeans200_attn.yaml`
`small_environment_lock`	708	`b397b2f39d99385c776b47b24afe9862794b2dd95706537bc595ad15a3b7dbbf`	`environments/wavtokenizer-small-native-v1.txt`
`large_unified_environment_lock`	710	`3792dbd97bff7cacb6d23c3a0f7aaf4ceb108121054f69a3957e6ba59dc46ac9`	`environments/wavtokenizer-large-unified-native-v1.txt`

表示与计账边界¶

codec 表示：one 12-bit index from a 4096-entry codebook every 25 ms; the exact nominal 40-token representation is 480 bps before duration padding；
当前存储/传输 artifact：EvoSpeech EVSWAV01 self-describing wrapper with packed 12-bit tokens; this is an independently decodable project audit artifact, not an author-defined network container；
分账规则：token representation bits, complete EVSWAV01 bytes, checkpoint/artifact bytes and runtime resources remain separately reported; the paper's rounded 0.5 kbps label is not substituted for exact 480 bps；
source-blind decoder：true；
不能由 D0 推出的结论：deep algorithmic understanding or paper-to-code correspondence；reproduction of any objective, subjective, semantic, VQ-utilization, generation or ablation result；numerical comparability between the 40-token and 75-token endpoints as if they differed only by rate；quality, intelligibility, identity, expression, latency, streaming or Pareto superiority；an official author-defined compressed file or network bitstream；training-data or checkpoint-license facts beyond what the fixed paper, README and model cards state。

D1 · 论文深读与证据边界¶

D1 结论：passed。 本章逐页阅读并视觉检查了 ICLR 2025 camera-ready 的 18 页、 Figures 1–2、Tables 1–12 与附录 A–I，并审计了固定 commit 的 README、40/75-token 配置、训练/验证模块和公开 metric 脚本。D1 说明我们已经知道作者提出什么、怎样训练、怎样评测、哪些数字互相矛盾，以及公开资产缺什么；它不表示当前 checkpoint 已复现任何论文数字。

一句话心智模型¶

WavTokenizer 不是把一个常规 RVQ codec 的码率再往下拧，而是把原来分布在多个 RVQ 层、每秒数百个 token 的表示，强行压进单码本、每秒 40 或 75 个 token 的一条序列，然后把重建难题主要交给一个更强的上下文 decoder。它依靠四个互相配合的手段维持质量：更大的 VQ 词表和 k-means/EMA/random-awakening 保住码本利用率；三秒上下文与 decoder attention 利用较长语义； ConvNeXt/Vocos 风格 backbone 加 ISTFT 直接合成幅度和相位；多种 waveform/STFT discriminator 把有限 token 中的信息逼成更自然的音频。[WVT-P-002–WVT-P-018]

这项工作的第一性原理价值在于：audio language model 的成本不仅由 kbps 决定，还由 token 序列长度和并行码本层数决定。 即使两个表示的 nominal bits 接近，1 × 75 的单流 token 与 8 × 75 的多层 RVQ 对 autoregressive model 是完全不同的计算图。WavTokenizer 优先缩短并串行化“语言模型要处理的离散序列”，而不是首先设计网络传输容器。[WVT-P-001, WVT-I-001]

论文到底解决什么¶

常规 EnCodec/SoundStream/DAC 路线使用 encoder → 多层 RVQ → decoder。多个 quantizer 逐层编码残差，重建能力强，但 downstream generator 必须同时处理时间轴和码本轴：VALL-E 要 AR/NAR 两阶段，SoundStorm 做并行生成，MusicGen 使用延迟 pattern。作者认为单 quantizer 能让 audio token 像文本 token 一样直接进入普通 autoregressive LM；同时将 24 kHz 音频从每秒 24,000 个采样降到 40/75 个离散符号，显著减少序列长度。[WVT-P-001–WVT-P-004]

这里必须分清三个量：

token/s 是 LM 序列长度；
token/s × log2(vocabulary) 是未熵编码的 nominal representation rate；
文件、网络 bitstream 和 checkpoint 是另外三种字节账。

论文主模型使用 4096-entry codebook，所以 40 token/s 精确是 40 × 12 = 480 bps，paper/图表四舍五入写成 0.5 kbps；75 token/s 精确是 900 bps。公开仓库只返回 tensor code，没有作者定义的压缩文件或网络 framing。因而 WavTokenizer 的“0.5 kbps”是 representation capacity，不是短文件落盘大小，更不包含 340 MB inference state。[WVT-I-001, WVT-I-002]

40 和 75 也不是同一 checkpoint 上的公平 rate knob。论文给出两组 encoder stride： (4,5,5,6) 的乘积为 600，对应 40 Hz；(2,4,5,8) 的乘积为 320，对应 75 Hz。README 发布的 model matrix 同样把它们列成不同 checkpoints。比较 40/75 的结果可以研究两个完整系统，但不能把差异全部归因于“多发了 35 个 token”。[WVT-P-004, WVT-S-001, WVT-I-003]

方法：把 RVQ 的“深度”压成单流¶

1. Encoder 保守，瓶颈激进¶

Encoder 基本沿用 EnCodec：kernel-7 一维卷积起始；四个 residual/downsampling block；每次下采样时通道翻倍；两层 LSTM 建模序列；最后 kernel-7 卷积输出 512 维 latent。C=32、B=4、D=512，非线性为 ELU。论文的创新重点并不在 encoder，而在把 latent 量化成一个码本和随后如何解码。 [WVT-P-003, WVT-P-004]

2. 大码本不是越大越好¶

作者先把词表从 2^10 扩到 2^14，在 LibriTTS test-clean 上发现使用概率仍集中在前 2^12 附近。为避免大词表中大量 dead codes，训练用 200-center k-means 初始化，EMA decay=0.99 更新；连续若干 batch 未命中的 code 用当前 batch 的输入向量随机替换，作者称 random awakening / forced activation。[WVT-P-005–WVT-P-008]

Table 5 展示的是典型 bias–capacity 权衡：1024 entries 利用率 100%，但 UTMOS/PESQ/STOI 只有 3.4967/1.7781/0.8660；4096 entries 仍为 100% 利用率，达到 4.0486/2.3730/0.9139；8192 entries 利用率降到 68%，指标没有进一步提高；16384 entries 只用 27%。因此真正值得带入 EvoSpeech 的不是“无脑放大 vocabulary”，而是搜索有效容量：词表大小、使用熵、dead-code 恢复与 decoder 能力必须一起报告。[WVT-A-009, WVT-I-008]

论文正文在这里有一个明确算术错误：它说从 1024 到 4096 的 STOI gain 是 0.5，Table 5 的真实差值是 0.9139 − 0.8660 = 0.0479。UTMOS gain 约 0.552、PESQ gain 约 0.595，只有 STOI 多写了一个数量级。我们的 claim ledger 保留表格值，并把正文描述标成内部矛盾。[WVT-I-006]

方法：decoder 为什么是主角¶

1. 不用镜像上采样，直接预测频域¶

高度压缩后，decoder 必须从每 13.3/25 ms 一个 token 恢复相位、瞬态和高频。作者认为标准 transposed-convolution 镜像 decoder 容易产生 aliasing，转而沿用 Vocos：保持时间分辨率，用 ConvNeXt/context backbone 输出每帧的 magnitude 与 phase 参数，再通过单边频谱和 ISTFT 直接恢复 waveform。40-token 配置的公开 graph 使用 12 层 VocosBackbone、hidden dim 768、 intermediate dim 2304、n_fft 2400、hop 600。[WVT-P-009–WVT-P-012]

Table 7 是这篇论文最值得学习的消融。完整模型 UTMOS 4.0486；换回 mirror decoder 后跌到 2.7782，比移除 attention（3.6020）或移除 MSTFTD（3.7806）更严重。它说明在极端 token bottleneck 下，强 decoder 不是锦上添花，而是决定表示能否被使用的另一半。[WVT-A-011–WVT-A-013]

2. Attention 放 decoder，不放 encoder¶

作者实验 encoder、decoder 或两者加入 attention，最终只在 decoder 的 ConvNeXt 前加入 attention。训练 clip 从常见的一秒扩到三秒；Table 6 中 1/3/5 秒的 UTMOS 为 3.7448/4.0486/4.0448，三秒是甜点位。Appendix Table 9 还报告移除 attention 和 extended window 后，ARCH 的 RAVDESS/SLURP/ EMOVO/AudioMNIST accuracy 从 0.3255/0.0802/0.3163/0.6957 降到 0.2614/0.0643/0.2368/0.6192。[WVT-P-010, WVT-A-010, WVT-A-015]

这不能证明 decoder attention “理解语义”。ARCH 测到的是冻结 representation 对下游分类的可用性； attention 位于 decoder，而离散 code 来自 encoder/quantizer。更谨慎的解释是：更强 reconstruction objective 和长上下文训练可能迫使上游 code 保留对这些任务有用的信息。因果路径仍需 D2 的代码图和未来受控训练消融验证。[WVT-I-009]

3. 三组 discriminator 补不同盲区¶

训练同时使用 HiFi-GAN 风格 multi-period discriminator、单带幅度/多带 complex multi-resolution discriminator，以及 DAC/EnCodec 路线的 complex multi-scale STFT discriminator。判别器用 hinge loss；generator loss 由 quantizer、mel reconstruction、adversarial、feature matching 四项构成。这种组合的意图是同时约束周期、不同 STFT 尺度、频带、幅度和相位。[WVT-P-013–WVT-P-018]

论文方法描述与公开训练代码的命名并不完全一一对应。固定 decoder/experiment.py 实际实例化 MPD、MRD 和 DACDiscriminator，而不是一份独立、可直接运行并重算 Table 7 的 ablation harness。 D2 必须把论文概念映射到具体 class、loss 和 tensor shape，不能只看名词相似就宣布一致。 [WVT-S-006, WVT-I-010]

训练数据与计算¶

camera-ready 主实验声称约 8K 小时：speech 使用 LibriTTS、VCTK 和随机抽取 3000 小时 CommonVoice； general audio 使用随机抽取 2000 小时 AudioSet；music 使用 Jamendo 与 MusicDB/MUSDB。所有音频重采样为 24 kHz。主训练最多 2M alternating iterations（generator 和 discriminator 各约 1M）， 8×A800 80GB，batch 40；长音频先截到 10 秒，再随机 crop 3 秒；AdamW，初始学习率 2e-4， betas (0.9,0.999)，cosine decay。[WVT-P-019, WVT-P-020]

多数消融不是在 8K-hour universal model 上完成，而是在 585 小时 LibriTTS 模型上做；Appendix D 另比较 585h 与 4000h multilingual data。Table 8 中 16384-entry codebook 利用率是 27% 与 26.5%，所以更多数据没有自动解决 dead-code 问题。[WVT-P-021, WVT-A-014]

发布资产存在一个必须长期保留的 lineage gap：paper 主训练写约 8K 小时，当前 README 把 large-600/320 checkpoints 写成 80,000 hours；small checkpoints 才明确写 LibriTTS。发布的 large-unified 40-token checkpoint 因此是很有价值的官方后续能力端点，但不能未经证明就说它是 Table 1 那个 8K-hour paper checkpoint 的字节等价版本。[WVT-S-001, WVT-I-004]

数据名称也不是 exact manifest。CommonVoice/AudioSet 的“随机抽取”没有 seed、revision、sample IDs 或 offsets；evaluation 虽给出 LibriTTS test-clean/test-other、LJSpeech、AudioSet eval、MusicDB test，却没有统一 manifest。公开 source 的 config 还包含作者机器上的绝对路径。D3 只能冻结我们可重建的公开集合，严格 paper-exact 数据集身份目前受阻。[WVT-P-022, WVT-S-004, WVT-I-011]

官方 evaluation 到底怎么做¶

1. Reconstruction objective metrics¶

Table 1 的 speech reconstruction 使用三组数据：LibriTTS test-clean 4,837 条、test-other 5,120 条、 LJSpeech 13,100 条。指标是 UTMOS、wide-band PESQ、STOI、V/UV F1；UTMOS 输入重采样到 16 kHz。 Baselines 是官方 EnCodec、HiFi-Codec、Vocos、SpeechTokenizer、DAC weights，作者声称选择各模型训练过的 quantizer depths。[WVT-P-022–WVT-P-025]

公开 metrics/infer.py 能看到这些 metric 的基本调用：UTMOS/PESQ 使用 16 kHz；PESQ 和 V/UV 先截到同一最短长度；STOI 的 LibriTTS 路径使用原 24 kHz；NaN V/UV 会从分母排除。但脚本把 cuda:0、输入输出目录和文件配对逻辑写死，没有 CLI、环境 lock、baseline decode、dataset hash、 per-item JSON 或置信区间。它是作者 evaluation 线索，不是可一键复现 Table 1 的 official harness。 [WVT-S-004, WVT-S-005]

UTMOS wrapper 还会从 Hugging Face Space 的 main 下载 epoch=3-step=7459.ckpt 和 wav2vec_small.pt，未固定 revision 或 hash。今天运行得到的 judge artifact 不一定与论文运行日相同。因此 D3 必须把 evaluator checkpoint 固定后再跑，并把“复现当前公开 metric code”与“严格复现 paper UTMOS”分开。[WVT-S-005, WVT-I-012]

2. Subjective reconstruction¶

Table 2 按 speech/music/audio 三类做 MUSHRA：hidden reference + low anchor；每类随机 50 samples；每条至少 10 次评分，范围 1–100。筛除规则是：annotator 在至少 20% cases 把 reference 评低于 90，或超过 50% cases 把 low anchor 评高于 80。Table 2 给均值 ± 数值，但 paper 没说明这是标准差、标准误还是置信区间，也没公开 sample assignment、anchor 生成、raw votes 或 listener metadata。 [WVT-P-026, WVT-A-005, WVT-I-013]

所以我们可以重建“同 family 的 MUSHRA 协议”，不能重算作者 Table 2。对 EvoSpeech 更重要的是， WavTokenizer 的 headline 优势主要在 UTMOS 与 MUSHRA，而不是所有 waveform fidelity metric：Table 1 中 0.9 kbps WavTokenizer 的 PESQ/STOI 通常低于高码率 DAC。今后 reward 不能只用 UTMOS。

3. Semantic representation¶

作者没有用只覆盖 speech 的 SUPERB，而用 ARCH：speech 为 RAVDESS、AudioMNIST、SLURP、EMOVO； acoustic events 为 ESC-50、UrbanSound8K、FSD50K、VIVAE；music 为 FMA、MTT、IRMAS、MS-DB。方法是取 discrete code 对应 embeddings 作为 representation，再做 classification accuracy。论文没有给出 classifier architecture、split/seed、optimization details；固定 repository 也没有 ARCH runner。因此 Table 3 是 author result，不是当前 release 可直接 replay 的 test。[WVT-P-027, WVT-A-006, WVT-S-007]

4. Downstream TTS¶

作者修改 ParlerTTS 600M，使用默认 hyperparameters，把 DAC 或 WavTokenizer tokens 交给同一个 autoregressive model，在 LibriTTS 训练 40 epochs、8×A800 80GB。CMOS-Q 测 quality/clarity/ high-frequency detail；CMOS-P 测 rate/pauses/pitch；随机 40 条、每条至少 10 位 testers，评分时要求忽略另一维。Table 4 以 WavTokenizer 为 0，GT 为 +0.22/+0.26，DAC 为 -0.35/-0.29。 [WVT-P-028–WVT-P-030, WVT-A-007]

Appendix Table 12 又报告 DAC/WavTokenizer 的 WER 6.9/5.1 和 WavLM speaker cosine 0.59/0.61。这里与我们过去讨论 ASR evaluator 的问题直接相关：paper 没有说明 WER 使用哪个 ASR、版本、解码参数或 normalization；只明确 speaker evaluator 是 WavLM base-plus-sv。公开 repo 也没有修改过的 ParlerTTS、evaluation script 或生成样本。因此本项目不能把 Whisper、SenseVoice 或某个 SOTA API 说成“论文同款”。D4 对 Table 12 的 WER 严格复现应标 blocked，而非自选 ASR 后硬对数字。 [WVT-A-017, WVT-I-014]

5. Speed 与采样率附录¶

Table 10 报 16/24/48 kHz、固定 downsampling factor 320 的 50/75/150 token/s：UTMOS 3.9606/4.0486/3.9582，PESQ 2.3240/2.3730/2.7230，STOI 0.9095/0.9139/0.9350，V/UV F1 0.9375/0.9382/0.9496。正文把“采样率”和“token 数”同时改变，却用它推断 token 增加带来除 UTMOS 外指标上升；这不是受控的 token-rate causal ablation。表题还写 Librispeech test-clean，正文和 4,837 count 指向 LibriTTS test-clean，是另一处命名不一致。[WVT-A-016, WVT-I-007]

Table 11 在单张 A100 80GB、LibriTTS test-clean 上报告 RTF：SemantiCodec 0.9483、EnCodec 0.0175、DAC 0.0144、WavTokenizer 0.0098。没有公布 batch size、I/O 是否计入、warm-up、精度、 baseline revision 或计时代码；只能当 author-reported GPU throughput，不能外推到 Apple CPU，也不能作为当前 D5 的本地资源数字。[WVT-P-031, WVT-A-016]

作者结果：该相信什么，不该扩大什么¶

Table 1：最强信号与内部反例¶

WavTokenizer 40/75 在 LibriTTS test-clean 的 UTMOS 为 3.6016/4.0486，在 test-other 为 3.0545/3.4312，在 LJSpeech 为 4.0186/4.2580。75-token 点相对 40-token 点在三组数据的四项指标大多更好，但这是两个完整 checkpoint 的比较。[WVT-A-001–WVT-A-004]

论文正文声称 0.9 kbps WavTokenizer 的 UTMOS 在“all test sets”超过 9 kbps DAC；Table 1 中 LibriTTS clean (4.0486 > 3.9097) 和 other (3.4312 > 3.3566) 成立，LJSpeech 则是 4.2580 < 4.3007。因此“全部超过”与表格不一致。更稳妥的结论是：作者报告 WavTokenizer 在极低 token rate 下取得非常强的 predicted MOS，但不是所有数据、所有指标都胜过 DAC。[WVT-I-005]

Table 2：主观优势很强，但原始统计不可审计¶

作者报告 GT/DAC9k/Encodec6k/DAC1k/WavTokenizer0.9k 的 MUSHRA；WavTokenizer 为 96.1±2.3 / 92.9±2.2 / 94.4±1.6（speech/music/audio），接近 GT，并在三域超过 DAC 9 kbps。这是论文最强的 perceptual claim，但 raw votes 缺失，且 ± 含义未定义，不能从 PDF 逆推出统计可靠性。 [WVT-A-005, WVT-I-013]

Tables 3–4、12：证明“适合作为 tokenizer”的方向性，不是通信 codec 完成度¶

ARCH 12-task row 与 TTS CMOS/WER/SPK 的共同价值是：作者不只测重建，还问 token 是否方便下游模型学习。但这几组实验最不完整：classifier/TTS code、seeds、checkpoints、samples 与部分 evaluator 身份都没有公开。它们给我们研究假设，不给 D4 一个可直接重放的 benchmark。[WVT-A-006, WVT-A-007, WVT-A-017, WVT-S-007]

Tables 5–9：最可迁移的机制证据¶

尽管没有 ablation checkpoints，表格仍形成清晰优先级：4096 codebook 是有效容量甜点；三秒上下文优于一秒；mirror decoder 损失最大；attention 与 MSTFTD 都贡献质量；更多数据不自动提高 16384 codebook utilization；attention + extended window 对 ARCH speech tasks 有一致提升。这些是未来原创 baseline 最值得逐项做 controlled ablation 的部分。[WVT-A-009–WVT-A-015]

四个必须记住的证据裂缝¶

paper model ≠ 当前 large release 的已证明字节身份。 paper 约 8K h，README large 写 80K h；我们会把 current official checkpoint 当能力端点，但 D4 不伪称 exact paper checkpoint。
官方 metric code ≠ 完整 evaluation harness。 hardcoded path/GPU、未固定 UTMOS assets、无 dataset/output manifests、无 baseline generation 与 per-item results。
headline subjective/semantic/TTS 数据不可重算。 MUSHRA votes、ARCH runner、ParlerTTS patch、 TTS checkpoint、生成样本与 WER ASR identity 均未发布。
论文文字并非无误。 Table 1 的 LJSpeech 反例、Table 5 的 STOI 算术错误、Table 10 的 LibriSpeech/LibriTTS 命名与 rate/sample-rate 混杂必须保留，不能在二手文档中被平滑掉。

对 EvoSpeech 的启发¶

优先优化 token topology。 单流 40 Hz 对 autoregressive LM 的价值可能远大于仅把 RVQ 总 bits 从 6 kbps 降到 3 kbps；未来 arena 要同时报告 token/s、streams、vocabulary 和 bits/s。
强 decoder 可作为能力教师。 ISTFT/ConvNeXt/context attention 说明极低信息瓶颈下，decoder 的归纳偏置决定能否“解压”有限 token；原创 baseline 不必复制 81M 参数，但应做 mirror vs Fourier、local vs attention 的受控实验。
搜索 effective vocabulary。 codebook size、usage entropy、dead-code rate、revival count 与 quality 必须共同进入报告；4096 不是宇宙常数，而是当前数据/模型/训练的甜点。
SOTA-first 需要保留后续 release。 80K-hour large-unified checkpoint 可能比 paper 8K model 更强，即使它破坏 strict reproduction 身份；正确做法是 paper-native track 与 current-capability track 并存，而不是二选一。
predicted MOS 不能独占 reward。 paper 自己显示 UTMOS 很强而 PESQ/STOI 不总领先；我们的 common benchmark 继续保留 ViSQOL/STOI、speaker embeddings、ASR delta、资源与短样本盲听。
不要凭空添加“论文 ASR”。 codec reconstruction 的 paper protocol 没有 Whisper/SenseVoice； downstream TTS WER evaluator又未说明。ASR 只能作为 EvoSpeech project metric，并明确另轨。
主观协议要发布原始票。 sample manifest、position randomization、anchors、raw votes、listener QC 和 CI formula 都应是 artifact；只给 mean±x 无法让后来者验证。
自动科研要先攻击证据最硬的模块。 最早可搜索 codebook/hop/context/decoder/loss；ARCH/TTS 需要更昂贵训练与缺失资产，不应成为第一轮自动进化的 reward。

D1 形成的 D3/D4 入口¶

claim family	paper evidence	D3 必须冻结	D4 预期
40/75 representation	§3.1 + README/model IDs	checkpoint、hop、vocab、exact bits、padding	40 current endpoints exact；75 未安装则 blocked
Table 1 objective	3 datasets × UTMOS/PESQ/STOI/V-UV	exact dataset revision/list、resample、metric assets、baseline outputs	current-checkpoint subset可复验；paper-exact lineage approximate/blocked
Table 2 MUSHRA	Appendix C protocol + aggregate table	samples、anchors、assignment、raw votes、QC、CI	exact author result blocked
Table 3 ARCH	12 dataset names + accuracy rows	original ARCH protocol、feature layer、classifier、splits、seeds	author code absent，blocked
Tables 4/12 TTS	ParlerTTS 600M outline + aggregate CMOS/WER/SPK	patched code、TTS checkpoints、samples、ASR identity、WavLM revision	strict replay blocked
Tables 5–9 ablations	complete aggregate rows	ablation checkpoints or retraining seed/config/data	checkpoint replay blocked；future retrain separate
Table 10 sample rates	three aggregate rows	16/24/48 checkpoints and exact test identity	only available 24 kHz endpoint eligible
Table 11 RTF	A100 aggregate	baseline revisions、batch/warmup/precision/I/O timing	paper-exact blocked；local resource track separate
current large-unified	fixed 80K-hour README/checkpoint	current-capability protocol	exact public checkpoint benchmark，not Table 1 proof

D2 将沿固定 commit 追踪 waveform → SEANet encoder → single ResidualVectorQuantizer → codes → embedding lookup → attention/ConvNeXt → magnitude/phase ISTFT，并把 MPD/MRD/DAC discriminator、loss、 checkpoint filtering 与 adapter framing 映射到具体行和 tensor shape。它还要审计 paper 声称的 “attention”在 source 中究竟是哪种 attention，而不是把任何带 attn 的模块都算作证据。

Primary-source artifact manifest¶

Source	bytes	SHA-256	用途
ICLR 2025 camera-ready	548,216	`934366c66e66ca9d87608c6b1bde1b60a4bb35c728f02a00d1b7e0eb24a73d57`	peer-reviewed method, Tables 1–12, appendices, limitations
Fixed README	6,780	`819196227c35a4aef37235bbd91a54c09e9251011ded3ec3649b1e9e68a22f0b`	model matrix, release data/domain/token-rate claims
40-token config	2,777	`69761de5709e0114f0819bbcf8447e30439a43f4f69ffce55b35197070fdc371`	hop-600 graph and training/eval flags
75-token config	2,853	`b905680939e42c7a2ce1ecdf860f0be5fd05b70787536332c9d80be47a3fa91d`	separate hop-320 endpoint evidence
Metric script	4,193	`70ce9d4c00737239c111c9aa8809ad150b9fd654fe43de626442430f0aeebb03`	UTMOS/PESQ/STOI/V-UV invocation and limitations
UTMOS wrapper	7,594	`520fe78a2c715b25fede8fe0ec5061057e90e3b48462511d899e8106ef304ff1`	unpinned evaluator download boundary
Training experiment	21,792	`9109397e35f435ab54d8bb0942812b3b295a072b9fd59b025b424c4300cb6cd8`	discriminator, generator loss and validation path
Official result plot	284,730	`196ea564f7d42369aa7369582a0f0217edd9b61fa6e8dffe8a0d1a9e5e88b5e3`	source-release copy of Figure 1 trade-off plot

结构化的 69 条 claim-to-source ledger 位于 research/models/wavtokenizer/paper_claims.json。所有论文数字都标为 author_result，本地复现性判断和内部矛盾标为 reader_inference，不会把我们的审计写成作者原话。

WavTokenizer 核心代码深读¶

D2 · 核心代码深读¶

这一阶段回答的不是“WavTokenizer 听起来好不好”，而是四个更基础、也更容易被名称误导的问题：固定 checkpoint 究竟执行哪条路径；论文中的 encoder、quantizer、attention、Fourier decoder 和 discriminator 分别落在哪些行；所谓 bandwidth 是否真能调码率；81M 参数中哪些真的参与一次 waveform → token → waveform 推理。全部结论绑定到 jishengpeng/WavTokenizer@5cf440d91ac420ca338f117b7003a77450d64730、两个已安装的官方 40-token checkpoint 和可重放的 code_trace.json。D2 的正弦/啁啾输入不是语音样本，所以这里不会产生任何质量、可懂度或 SOTA 结论。

一句话执行心智模型¶

WavTokenizer 的本质不是“把 EnCodec 的 RVQ 层数调成一层”这么简单。固定 40-token graph 先用非因果 SEANetEncoder 把 24 kHz 波形每 600 个采样压成一个 512 维向量，再用一个 4096-entry 欧氏 codebook 变成单个 12-bit index；decoder 把 index 查回 512 维向量，在不改变 token 时间分辨率的前提下，用全时域 attention 和十二层 ConvNeXt 恢复上下文，最后一次性预测 STFT magnitude/phase 并用 ISTFT 合成波形。它把复杂度从“多个 RVQ token streams”迁移到了“很强的非流式 decoder”。

这也是为什么它对 audio-language-model 很有吸引力：40 Hz 单流 sequence 远比 8 或 16 条并行 RVQ stream 容易交给自回归模型；但这不等于它已经是一个 480 bps 网络 codec。上游只输出 tensor code，没有 packet、纠错、丢包恢复或 streaming state。EvoSpeech 的 EVSWAV01 只是为了让 evaluator 可以独立计字节并让 decoder 不接触原音而建立的审计格式。

固定代码面与可信边界¶

D2 索引了 21 个 fixed-source 文件。代码身份使用完整 commit，不把 GitHub 当前 main 当成论文实现；两个 checkpoint 也分别绑定 Hugging Face revision、字节数和 SHA-256。small speech 40 与 large unified 40 的 checkpoint value hash 不同，但 loader 建出的 graph、state key/shape、总参数和模块计账完全相同。因此“large”在这里表示训练数据/权重端点，不是更宽或更深的运行图。

边界尤其重要：论文主文称 universal model 约使用 8,000 小时，而当前 README 将 large endpoint 描述为 80,000 小时。没有 published mapping 证明本地 large checkpoint 就是 Table 1 的 paper checkpoint。后续必须保留两条轨道：

paper-exact 轨：只复现作者明确给出且身份可冻结的协议，不能得到的部分标为不可重放；
current-capability 轨：评测当前官方 large-unified checkpoint，并清楚写成新的本地结果。

这不是措辞洁癖。若把 80K current release 跑出的高分拿去“复现”8K paper table，数据规模、权重和 evaluator 都可能不同，交叉验证就失去意义。

waveform → SEANetEncoder¶

decoder/feature_extractors.py:54-95 构造 EncodecFeatures。选定 graph 的 encoder 是 SEANetEncoder：mono、 dimension 512、base filters 32、每级一个 residual block、ELU、weight norm、reflect padding、两层 LSTM，且 causal=False。40-token YAML 传入 dowmsamples: [6,5,5,4]；SEANetEncoder 内部反转为 [4,5,5,6]，但乘积仍是 600。24,000 / 600 = 40 frames/s。

每一级先走压缩 residual branch，再用 kernel 2×ratio、stride ratio 下采样并将 channel 翻倍；末尾两层 LSTM 处理 latent 时序，最后 kernel-7 convolution 投影为 512 维。D2 的 3,202-sample 16 kHz probe 经 official resampler 得到 4,803 个 24 kHz samples，encoder 输出 [1,512,9]。9 而不是 8 表明实现的 padding/卷积边界必须以真实 trace 计帧，不能简单用 floor(duration×40) 推断短片段 payload。

causal=False、reflect padding、双向可见的完整 attention 共同决定：当前 graph 是 offline reconstruction model。论文在 A100 上报告的 RTF 也不能推出 algorithmic latency。实时倍率、流式延迟和可分包性是三件不同的事；D2 只确认第一件尚未在本机测量，后两件在当前 graph 没有成立。

“ResidualVectorQuantizer” 实际上为什么是单层 LanguageVectorQuantization¶

这是本轮最值得记住的命名陷阱。EncodecFeatures 创建的公开 class 叫 ResidualVectorQuantizer，docstring 也不断写 RVQ；然而 encoder/quantization/vq.py:64-81 实际把 self.vq 指向 LanguageVectorQuantization，真正的 ResidualVectorQuantization 构造被注释掉。infer() 又直接写死 n_q=1。因此当前推理事实是：单层普通 VQ，不是“运行时选择一层的深 RVQ”。

两种 core class 的差别很清楚。真正的 residual 版本在每层后执行 residual = residual - quantized.detach()，并把各层输出相加；Language 版本保留 residual=x，循环里用每层新输出覆盖 quantized_out，没有 residual subtraction，也没有 accumulation。选定 graph 只有一个 layer，所以两者在本次推理的数值拓扑上等价；一旦有人把 n_q 增大，这个差异就不再可以忽略。AI evolution 不能根据 class 名把它当成可自由扩展的 RVQ substrate，必须先决定是保留作者的一层设计、切换真 RVQ，还是显式实现并行/分组 VQ。

更细的一点是，训练 forward() 写了随机 nq_choice=[4,6,8]，但 module list 实际只有一层。Python slice layers[:4] 不会报错，只会返回现有的一层，因此训练仍走一层；返回的 bw 却按随机 n_q 计算。这个 metadata 与真实 token count 的脱节进一步说明：后续评价只能从实际 code tensor/bitstream 计码率，不能信任 bandwidth 返回值。

codebook：k-means、EMA 与 random awakening¶

EuclideanCodebook 注册四个 buffers：inited、cluster_size、embed、embed_avg。4096×512 的 embedding 不是 nn.Parameter，所以 quantizer 的 parameter count 是 0；但它有 4,198,401 个 state elements、16,793,604 state bytes。只报告 sum(model.parameters()) 会把 tokenizer 最重要的 learned state 隐形。EvoSpeech 的资源账本必须同时保留 parameter elements 与 state bytes。

训练第一次见到 batch 时，若尚未 initialized，kmeans() 在 batch latent 上执行配置的 200 次迭代。每个向量以欧氏距离归入最近中心；空 cluster 保留旧 mean。之后 quantization 通过展开的平方距离寻找最大负距离，也就是 nearest centroid。训练态使用 straight-through estimator，让 encoder 接收梯度，同时计算 commitment MSE。

EMA 路径以 decay 0.99 更新 cluster counts 和 embedding sums，再经 Laplace smoothing 得到归一化 codebook。当 cluster_size < threshold_ema_dead_code 时，entry 会被当前 batch sample 替换并在分布式 workers 间广播。这正是论文所谓 random awakening 的代码落点。不过当前默认 threshold 是 2，而论文语言是“数个 batch 未使用”；两者不能不经实验就当作严格同义。D4 的 codebook utilization 若要与论文 Figure 2/Table 5 交叉验证，还必须冻结统计窗口、是否只数一次出现、数据集和 checkpoint，不能从 9-frame mechanism probe 的 7/9 unique codes 推断全局利用率。

codes_to_features：token 到 512-D embedding¶

推理编码调用 feature_extractor.infer()：先 audio.unsqueeze(1) 变成 [B,1,T]，经 encoder 得到 [B,512,F]，单层 VQ 返回 quantized features 与 codes [1,B,F]。WavTokenizer.codes_to_features() 把所有 codebook buffers concat，按 codebook index 加 offset，embedding lookup 后在 codebook 维求和并转置为 [B,512,F]。

对一个 codebook，offset 恒为 0，sum 也只有一个 operand，所以这是严格的 index → 512-D table lookup。D2 对两组 checkpoint 都验证 codes_to_features(codes) 与 encoder 直接返回的 quantized feature 最大绝对误差为 0。这项证据很关键：独立 decoder 只需拿到整数 token 和固定 codebook，不必拿到 encoder latent，更不必拿到原波形。

它也说明 token 不是一个孤立的“12 bits”。decode 所需语义由 4096×512 codebook state 解释；换 checkpoint 即使 token 整数相同也不再有相同含义。因此 candidate contract 必须绑定 checkpoint hash，不能只验证 token range。

decoder：AttnBlock + ConvNeXt + ISTFT¶

VocosBackbone 先用 kernel-7 Conv1d 将 512 channels 映射到 768。pos_net 不是标准 Transformer：它是两层 ResnetBlock、一个自写 AttnBlock、再两层 ResnetBlock 和 GroupNorm。AttnBlock 用四个 1×1 Conv1d 生成 Q/K/V/output，计算完整 F×F temporal attention；代码没有 multi-head 拆分，也没有 causal mask。因此“attention” 需要理解成单个 full-width quadratic attention block，不能想象成大型多层 Transformer。

之后 backbone 用 AdaLayerNorm 接收 bandwidth ID，再走 12 个 ConvNeXt blocks。每个 block 是 depthwise kernel-7 temporal convolution，normalization，768→2304→768 pointwise inverted bottleneck，GELU 和 layer scale。整个过程时间长度保持 F，不做 transposed-convolution upsampling。D2 的 9-token probe 在这里变成 [1,9,768]。

ISTFTHead 的 linear layer把每帧 768 维投到 n_fft+2 = 2402：前 1201 是 single-sided magnitude logits，后 1201 是 phase logits。magnitude 先 exp 并 clip，phase 取 cos/sin 形成复数 spectrum。custom ISTFT 对每帧执行 irfft，乘 Hann window，通过 fold overlap-add，用 window envelope 归一化，再裁掉 same padding。hop 600 意味着 9 frames 生成 5,400 个 samples；adapter 根据 header 裁掉 597 个 encoder padding samples，再 resample 回精确 3,202 个 16 kHz samples。

这条设计的第一性原理是：tokenizer 极度压缩后，局部上采样卷积很难凭少量 frame 恢复相位与细节；于是用一个有全局上下文的强 decoder 直接预测频谱。代价则是非因果、attention 的平方复杂度以及 decoder 计算/内存。未来原创 baseline 不应只复制“单 codebook”，而应把三变量分开做 Pareto 搜索：token rate/codebook capacity、decoder contextual reach、 streaming/compute constraint。

81M 参数里有一条未使用的 legacy decoder¶

EncodecFeatures 同时构造 SEANetEncoder 和 SEANetDecoder，再把二者连同 quantizer 放进 EncodecModel。但 WavTokenizer.decode() 只调用 backbone(features) 与 head(x)。feature_extractor.encodec.decoder 没有出现在 token-to-waveform 运行路径。它仍被 Lightning checkpoint 保存、被 from_pretrained0802() prefix filter 接收、被 strict load_state_dict 载入，也会被 model.parameters() 统计。

D2 的模块计账给出：

范围	parameter elements	state bytes	是否在选定推理路径
SEANet encoder	8,303,104	33,212,416	是
legacy SEANet decoder	8,802,274	35,209,096	否
one-codebook quantizer	0	16,793,604	是；learned state 是 buffers
attention/ConvNeXt backbone	61,961,472	247,845,888	是
ISTFT head	1,847,138	7,398,152	是
总加载	80,913,988	340,459,156	graph identity 账本
active path	72,111,714	305,250,060	encoder + VQ + Vocos/ISTFT

所以 D0 的 80,913,988 没有“算错”：它准确描述 loader 后的总 model。D2 新增的是 deployment interpretation——约 8.8M 参数/35.2 MB state 不被 official decode 调用。真正做云端训练或推理容器时，可以研究一个兼容 checkpoint 的 slim loader；但在验证其输出与官方 path 完全一致以前，不能直接改基线并仍称 official runtime。这个发现也给自动进化设定了一个低风险首个系统任务：不是改算法质量，而是删除死路径、验证 bit-exact 输出并测量 memory/latency 收益。

loader：1.7 GB checkpoint 如何过滤成 340 MB state¶

两个下载文件分别约 1.59 GB 和 1.76 GB，因为它们是 PyTorch Lightning training checkpoints：除了完整 state_dict，还含 epoch/global_step、optimizer state 和超参数。from_pretrained0802() 先按 YAML instantiate feature extractor、backbone 和 head，再从 full state 中只保留以 backbone.、head. 或 feature_extractor. 开头的 keys，最后 strict load。过滤后的 289 tensors 占 340,459,156 bytes。

“下载大小”“训练 checkpoint tensors”“加载模型 state”“active inference state”和“representation bits”必须是五本账。把 1.76 GB 除以音频时长得到码率、把 340 MB 叫 payload，或者把 480 bps 当 EVSWAV01 文件大小，都会产生无意义比较。D2 短 probe 的 representation 只有 108 bits/14 packed bytes，但 self-describing audit file 分别是 1008/1037 bytes，差异几乎全来自固定身份 header；长 benchmark 必须同时报告 exact representation 与 complete serialized bytes。

训练损失与论文的 hinge/LSGAN 差异¶

论文 Equations 2/5 表述 discriminator 与 generator adversarial objective 都为 hinge。fixed code 对 MPD/MRD 的确使用 hinge：discriminator 对 real 计算 relu(1-real)、对 fake 计算 relu(1+fake)；generator 最小化 -mean(fake)。 feature matching 是 real/fake intermediate maps 的 L1，mel reconstruction 是 log-mel L1。

但第三路 DACGANLoss 的 discriminator 使用 fake² + (1-real)²，generator 使用 (1-fake)²，这是 least-squares GAN。training step 将它与 MPD/MRD hinge losses 一起相加。generator total 还包括 mel×45、commitment×1000、两路 feature matching 和 DAC feature loss。因而正确说法是“fixed implementation 混合 hinge MPD/MRD 与 LSGAN DAC discriminator”，不是“代码证明论文所有 adversarial losses 都是 hinge”。

这构成 paper-code correspondence gap，而不是自动宣布论文错误：published checkpoint 可能来自另一个未公开 snapshot，论文可能概括了主要判别器，也可能代码后来变化。D3/D4 能做的是冻结当前实现并诚实标注；若要验证 loss 选择对质量的因果贡献，必须重新训练受控 ablation，而不是比较两个现成 checkpoint。

bandwidth_id 不是码率旋钮¶

40-token YAML 写 bandwidths: [6.6,6.6,6.6,6.6]，四个值完全相同。训练每步随机抽一个 ID，AdaLayerNorm 和两个 conditional discriminators 把它当 embedding category；validation 固定 ID 0。与此同时 quantizer inference 无视传入 bandwidth 并 hard-code n_q=1。因此 ID 会选择 conditioning embedding，但不会改变 token count、codebook size 或 representation bps。

这条审计直接约束 benchmark CLI：WavTokenizer 当前只有一个合法 common point，即 large-unified 40-token 的 0.48 kbps exact representation。不能通过传 1.5/3/6/12 或改 ID 伪造四档曲线。75-token 是另一个 config/checkpoint，需要独立安装、独立 D0 identity，并且因 graph 同时改变不能叫同模型 rate sweep。

EVSWAV01：representation 不是 file¶

官方 source 的公开 interface 是 integer tensor；没有稳定 file magic、version、checkpoint identity、duration 或 bit packing。EvoSpeech adapter 使用 EVSWAV01：固定 magic/version，JSON header 记录 model/checkpoint/config hash、输入与模型采样数、frame count、padding、bits per token，再按 time-major 把每个 0..4095 index 紧密打包为 12 bits。

D2 不是把这个格式包装成作者贡献，而是用它封闭两个竞技场漏洞：evaluator 能独立读取真实 bytes；fresh decoder 只收到 payload、固定 source 和 checkpoint，不收到 source waveform path。两个 endpoint 的同一 deterministic probe 都在独立进程中 byte-exact 重复序列化、repeat decode 一致，最终 duration 精确回到 3,202 samples。small/large 文件大小不同是 header 中 repository、revision 和 runtime identity 字符串不同，不是表示码率不同。

这个格式目前只允许 trusted baseline artifact。未来 candidate contract 应换成更小、安全、schema-validated 的二进制 header，并对最大 frame count、JSON nesting、checksum、truncation、token range 和 decompression resource 设置上限。 D2 没有声称它是网络 packet，也没有测 packet loss。

确定性 executable trace¶

scripts/trace_wavtokenizer_code.py --check 会先验证 21 个 source hashes、两个 checkpoint hashes、两个 environment locks 与两个 adapters，再为 small/large 各启动 encoder worker 和 source-blind decoder worker。probe 是 0.200125 秒的三分量 deterministic float32 非语音波形。它只验证：resample/shape、token range、code-to-feature 等价、module footprint、 12-bit serialization、decoder input isolation、finite output 和 exact duration。

观测到两个 graph 均为 [1,3202] → [1,4803] → [1,512,9] → [1,1,9] → [1,9,768] → [1,5400] → [3202]。small 的 9 tokens 使用 7 个 distinct indices，large 使用 9 个；这只能证明两个权重在 probe 上行为不同，绝不能当 utilization 或质量比较。两者 nominal representation 都是 0.48 kbps；因为短片段向上补到 9 frames， probe-effective representation 约 0.5397 kbps，这个 duration padding effect 也应在正式 per-item 账本中保留。

重放要求 CPU 和当前 PyTorch 环境下 serialized bytes 及 decoded float tensors 都一致。若未来 GPU kernel 有数值非确定性，可以把机制断言降为 shape/finite/tolerance，但必须留下 device-specific trace，不能静默覆盖现有 CPU artifact。

对原创 baseline 与 AI evolution 的启发¶

第一，WavTokenizer 最有价值的启发不是“4096 是神奇数字”，而是表示复杂度与 decoder intelligence 可交换。我们自己的 baseline 可以从透明的 40 Hz single-codebook 开始，但必须把 decoder capacity 当独立轴。若只让 AI 搜 VQ 参数、decoder 永远固定，可能错过主要增益来源。

第二，搜索目标必须是 Pareto，而非只压一个 UTMOS：representation bps、active model bytes、MACs/RTF、algorithmic latency、English/Mandarin content、speaker、expression、robustness 都是约束。full attention offline decoder 在质量上可能强，却不满足实时通信；它可以做 non-causal teacher 或 upper bound，而不是被 low-bit 标签自动纳入 deployable frontier。

第三，codebook health 是可进化的中间表型。应记录 utilization、perplexity、dead-code turnover、cluster occupancy entropy、 commitment loss 与 token stability；但这些代理不能越权替代最终音质/语义。random awakening、EMA threshold、k-means iterations、codebook dimension 和 group structure 都可以成为受限基因，前提是每次实验绑定 seed、data slice 与真实输出。

第四，自动科研首先可以攻击可验证的工程问题：slim loader 是否 bit-exact、attention window 能否稀疏化而不越过质量阈值、 ISTFT overlap 能否低延迟分块、12-bit packing 和 isolated decoder 是否稳定。等 evaluator、数据和 source-blind contract 冻结后，再让 Agent 搜模型；否则 Agent 最容易“优化”的是计分漏洞、文件口径或 evaluator drift。

第五，论文与 current release 的差异必须进入 agent memory。失败实验也要记录 checkpoint、代码、metric revision、数据 manifest 与 hypothesis。否则多个 Agent 会反复尝试“调 bandwidth_id 获得多档码率”这种已经被代码审计否定的路线。

D2 对 D3/D4/D5 的直接约束¶

D3 paper-native protocol 必须以 LibriTTS test-clean/test-other 与 LJSpeech reconstruction 为主，复现 UTMOS、wide-band PESQ、STOI、V/UV F1 的可执行部分；不能因为项目已缓存 Whisper/SenseVoice 就把它们冒充论文 evaluator。UTMOS judge 资产要独立 pin/hash。数据集需记录 edition、split、item ID、下载 checksum、切段和 resample。论文未发布确切 item manifest 时，结果只能叫 protocol reconstruction，不叫 exact table replay。

D4 应优先评 current large-unified 40 endpoint，并把 small endpoint 用作 domain/checkpoint sensitivity，不强行下载 75-token 就阻塞当前 family。作者 MUSHRA、ARCH、TTS 与 A100 RTF 缺少关键 artifact，应形成“不可重放矩阵”，而不是用近似脚本补成假复现。对可运行指标，既报告 aggregate/CI，也导出 per-item scores、failures、decoded hashes 与官方 table delta。

D5 common benchmark 继续使用已经冻结的英中公共集与统一指标。WavTokenizer 只报 0.48 kbps representation，加完整 EVSWAV01 bytes；ASR 是项目语义 evaluator，不是 paper metric。Whisper/SenseVoice 缓存可以复用且只需同一 decoded corpus 跑一次，不要求用户录个人语音。听感是选择性 D6 校准，不阻塞 D0-D5 benchmark complete。

D2 允许与禁止的结论¶

D2 允许说：两个已安装 40-token endpoint 有相同 80,913,988-parameter loaded graph；active path 是 72,111,714 parameters/305,250,060 state bytes；one-codebook representation 精确为 480 bps；官方 decoder 是 attention + ConvNeXt + ISTFT；legacy SEANet decoder 被加载但不参与该路径；project payload 可 source-blind、确定性重放；当前实现混合 hinge 与 least-squares adversarial losses；bandwidth ID 不是码率旋钮。

D2 禁止说：WavTokenizer 已在本机达到或超过论文 UTMOS/PESQ/STOI；large checkpoint 就是 paper 8K checkpoint；9-frame probe 的 unique count 代表 codebook utilization；CPU repeatability 代表跨 GPU bit-exact；EVSWAV01 是官方格式；模型支持 streaming；attention 或 random awakening 单独造成论文增益；paper WER 使用 Whisper、SenseVoice 或任何指定 ASR； WavTokenizer 已经完成 Definition of Done。

本轮的价值是把“一个漂亮的论文故事”变成可执行边界。下一步不是继续猜，而是冻结 paper-native evaluator/data manifest，明确哪些作者数字能交叉验证、哪些只能保留为 author-reported，然后再运行公共英中 benchmark。只有 D0-D5 全过，这个模型才会进入“评测完成”；D2 只是证明我们终于知道自己在跑什么。

Primary-source code manifest¶

完整 21-file SHA-256 ledger、20 条 paper-to-code mapping 和 14 条 release gap 位于 research/models/wavtokenizer/code_map.json；机器 trace 位于 research/models/wavtokenizer/measurements/code_trace.json。架构图位于 architecture.mmd。所有 GitHub links 均指向固定 commit，而非可漂移的默认分支。

flowchart LR subgraph Frozen["fixed source + checkpoint identity"] WAV["mono waveform\n16 kHz arena"] --> RS["official resample\n24 kHz"] CFG["40-token config\nhop 600"] -. constructs .-> ENC CKPT["small speech 40 OR\nlarge unified 40"] -. filtered state .-> ENC end subgraph Encoder["active encoder path"] RS --> ENC["non-causal SEANetEncoder\nratios 4×5×5×6\n512-D / 40 Hz"] ENC --> VQ["single LanguageVectorQuantization layer\n4096-entry Euclidean codebook\nk-means + EMA + dead-code replacement"] VQ --> TOK["1 × 4096-way index / frame\n12 bits × 40 Hz = 480 bps"] end subgraph Audit["project audit boundary"] TOK --> PAY["EVSWAV01\npacked 12-bit tokens + identity header"] PAY --> ISO["source-blind decoder process\nsource waveform unavailable"] end subgraph Decoder["active reconstruction path"] ISO --> EMB["codes_to_features\n4096 × 512 lookup"] EMB --> ATTN["ResBlocks + full-width AttnBlock"] ATTN --> CNX["AdaLayerNorm + 12 ConvNeXt blocks\n512 → 768"] CNX --> SPEC["ISTFTHead\n1201 magnitude + 1201 phase"] SPEC --> ISTFT["n_fft 2400 / hop 600\nHann overlap-add ISTFT"] ISTFT --> OUT["24 kHz waveform\ntrim + resample to 16 kHz"] end subgraph LoadedNotActive["loaded state, not called by official decode"] LEG["legacy SEANetDecoder\n8,802,274 parameters\n35,209,096 state bytes"] end CKPT -. loaded .-> LEG LEG -. "not on token → waveform path" .-x OUT subgraph TrainingOnly["training only"] DATA["3 s crops + gain/norm"] --> MPD["multi-period discriminator"] DATA --> MRD["multi-resolution discriminator"] DATA --> DACD["DAC discriminator"] MPD --> LOSS["hinge adversarial + feature matching"] MRD --> LOSS DACD --> LSGAN["least-squares DACGANLoss"] VQ -.-> COMMIT["commitment × 1000"] OUT -.-> MEL["log-mel L1 × 45"] end

WavTokenizer：论文原生复现协议¶

D3 · 论文原生复现协议¶

D3 于 2026-07-21 冻结，正式 D4 codec decode、metric score 和结果 verdict 必须在本协议提交之后开始。冻结前允许做的事只有来源与可执行性预检：核对论文/代码/checkpoint 身份，读取 evaluator 源码，解析远端资产 headers，确认标准数据集的官方 archive 大小/checksum，以及设计一个结果无关的选择规则。冻结前没有运行 300 条正式样本，也没有看到它们的最终 UTMOS、PESQ、STOI 或 V/UV F1。

一句话裁决¶

WavTokenizer 的论文重建 benchmark 比常见 codec 更清楚：LibriTTS test-clean、test-other 和 LJSpeech；UTMOS、wide-band PESQ、STOI、voiced/unvoiced F1。但公开 release 缺少 paper-exact 8K-hour checkpoint、完整 baseline outputs、paper-time metric lock 和 per-item archive。最诚实也最有信息量的 D4 是两层：严格验证当前官方 endpoint、judge 与标准数据资产身份；再在三个官方 dataset family 各跑 100 条冻结样本，得到当前 80K large-unified checkpoint 的 bounded cross-check。它可以告诉我们本地 pipeline 是否与论文量级方向相容，却不能冒充 Table 1 aggregate reproduction。

paper checkpoint 与 current checkpoint 必须分轨¶

paper §4.1 说主模型约 8,000 小时；fixed README 的 large endpoints 写 80,000 小时。两者 topology 都可能是 24 kHz、single codebook，但相同 topology 不证明相同 weights、data 或训练 snapshot。当前 local large-unified checkpoint 有完整 Hugging Face revision、 bytes、SHA-256，因而非常适合测当前 SOTA capability；它却没有论文 Table 1 的 lineage certificate。

D3 将 PN-WVT-PAPER-40-CHECKPOINT-LINEAGE 预先判为 blocked_before_execution，而把 current checkpoint identity 判为 strict_reproducible。D4 不用“分数接近”倒推它们是同一 checkpoint，也不用 current score refute paper number。若作者未来发布 paper hash 或 exact weights，可新增 protocol version；当前 v1 不追溯修改。

75-token endpoint 同样不能由 40-token checkpoint 的 bandwidth_id 生成。D2 已证明 75-token 改 hop/FFT/stride 并使用独立 checkpoint。 D3 将它列为 different_model_identity；为尽快完成已安装模型，不让额外 1.75 GB checkpoint 阻塞 40-token current track。未来若把 75-token 单独纳入，它要有自己的 D0 identity 和正式 protocol，而不是悄悄增加一行。

标准数据资产与冻结的 300 条选择¶

论文 Table 1 使用 LibriTTS test-clean 4,837 条、test-other 5,120 条和 LJSpeech 13,100 条。OpenSLR SLR60 对两个 LibriTTS archive 公布 CC BY 4.0、bytes 和 MD5；LJSpeech 1.1 archive 有稳定 URL、2,748,572,632 bytes 和 SHA-256。D4 下载后必须先复核官方 checksum，再计算本地 SHA-256；archive identity 不通过就不生成 selection。

全量 23,057 条在 Apple CPU 上会把每个模型的 D4 变成数十小时甚至数日，与“尽快建立完整 SOTA baseline 再开始原创算法”的目标冲突。因此 v1 在每个 domain 固定 100 条，总计 300 条。数量在分数前冻结，选择不看 duration、文本、speaker、codec 输出或 metric：把 archive 中所有 canonical waveform relative paths 排序，以 protocol salt、dataset ID 和 relative path 的 SHA-256 排名，取前 100。

selection JSON 必须在任何 codec execution 之前落盘，含 path、source bytes/hash、speaker（LibriTTS 可解析时）、duration 和 archive identity。所有选中项都要出现在结果 JSONL；decode 或 metric failure 也保留一行，禁止删除“难例”后重算均值。这个 subset 的价值是可复核、跨模型可复用、覆盖 paper 三域；局限是统计误差和 sample mismatch，所以只 eligible 为 approximate，不是 passed Table 1。

四个 objective metric 如何冻结¶

UTMOS 按作者 wrapper 在 16 kHz 运行。wrapper 原本从 Hugging Face Space main 下载两个约 1.24 GB/0.95 GB assets；D3 将 Space HEAD 固定为 commit 47212055c2ecfb02d40cec2395233b83295d3d30，并记录两个文件的 content bytes 与 linked SHA-256。D4 实际下载必须重新 hash。即使当前文件与论文年代相近，也只能称 current released UTMOS surface，因为论文没公布当时下载的 artifact hash、fairseq commit 或完整 environment。

PESQ 固定为 16 kHz wide-band，reference/reconstruction 先截到共同最短长度；STOI 固定 non-extended，并遵循作者代码对 LibriTTS 原 24 kHz、LJSpeech resample-to-24 kHz 的分支；V/UV F1 固定作者 metrics/periodicity.py 的 torchcrepe full model、50–550 Hz、silence -60 dB 与 unvoiced threshold 0.21。NaN 既不能变 0，也不能直接消失：逐项保存原因，aggregate 只在作者相同规则允许时排除，并同时报告排除数。

为了云端可迁移，D3 冻结一个 linux/amd64 metric Dockerfile 和 dependency lock。它是我们对 current release 的 reproducible reconstruction，不是 paper environment。Apple Silicon 可以本地 emulation 验证，未来云端 CPU/GPU 使用同一 image；codec encode/decode 的 checkpoint/source identity仍独立保存，不让 evaluator 容器拥有未声明的 rate 或 source shortcut。

统计与 author delta 的边界¶

每项保存全部 metric 和 error。每个 split 报 mean、median、standard deviation。LibriTTS 的置信区间按 speaker cluster bootstrap，防止把同一 speaker 多句当完全独立；LJSpeech 是单 speaker，只能按 item bootstrap，并明确不能代表 speaker population。固定 10,000 replicates、seed 3407。

报告可以并排显示 author 40-token row，但 delta 标题必须写：current checkpoint、100-item subset、current-pinned evaluator、non-equivalent。没有“误差小于 X 就算复现”的阈值，因为模型/evaluator/sample 均不等价，设阈值只会制造伪严格性。D4 的成功条件是 protocol 执行完整、身份通过、结果无选择偏差，不是分数恰好接近 PDF。

MUSHRA、ARCH、TTS、ablation 为什么先判 blocked¶

Table 2 缺 exact 50-sample selections、low anchors、hidden reference assignments、raw votes、listener screening rows和 ± 公式。用户未来自己听 current samples 很有价值，但那是 D6 personal calibration，不能重构已经丢失的 author votes。

Table 3 只有 12 个 ARCH dataset 与 aggregate accuracy；没有 feature extraction layer 的完整实现、classifier、split、seed、optimizer 和 trained heads。 Table 4/12 缺 modified ParlerTTS、checkpoints、prompts、outputs、CMOS votes，而且 WER 的 ASR/normalizer没有命名。Whisper、SenseVoice 或 SOTA API 只能是 EvoSpeech 自己的 D5/D6 evaluator，不能成为“论文同款”。

Tables 5–10 虽有清晰 aggregate ablations，却没有每行 checkpoint。重新训练是未来原创/复验研究，不是现在下载一个 current model 就能完成的 artifact replay。Table 11 A100 RTF 缺 timing harness、batch、warm-up、precision、I/O boundary 和 baseline revisions；D4 可以记录 Apple CPU 或未来 cloud GPU 时间，但 verdict 只能 approximate_platform_conditioned。

D4 的固定输出与失败规则¶

D4 先做 asset/endpoint preflight，再写 selection，然后 encode/decode，最后 metric。固定输出有 results JSON、300-row 以上 JSONL、Markdown report、完整 run log、selection JSON、endpoint identity 和 metric identity。任一阶段的 stdout/stderr、版本、device、wall time、artifact hash 都必须进入 log/identity。

下载失败可以安全重试同一 URL；decode/metric failure 可以为诊断重跑同一 item，但原失败 attempt 不删除，formal row 只按预先规定的 deterministic final-attempt 规则汇总。禁止因为某条太长、PESQ 报错或 UTMOS 慢就换 item。若 Docker image 无法构建，UTMOS/VUV 相关 claim 明确 failed/blocked，PESQ/STOI 仍可执行，但不能把部分指标称“D4 全通过”。

D3 允许与禁止的结论¶

D3 允许说：论文数据 family/metric surface 已完整冻结；当前 UTMOS remote identity 已由 full commit、bytes、linked hash 锁定；300-item deterministic selection 和统计规则在分数前确定；13 个 claim families 已分为 strict asset/current endpoint、approximate current subset/platform timing、blocked paper experiments 和 different endpoint；个人录音不属于 D4 前置。

D3 禁止说：任何本地 quality metric 已经通过；current 80K checkpoint 复现 paper 8K checkpoint；100 items 等价全量 23,057；当前 UTMOS assets 等于 paper-time assets；75-token score 可由 40-token推断；Whisper/SenseVoice 是 paper evaluator；MUSHRA/ARCH/TTS/ablation 因为“论文给了数字”就可重放； Apple CPU timing 可以验证 A100 RTF。

下一步 D4 会严格执行这份已提交协议。若 5 GB 标准数据或 2.2 GB UTMOS judge 下载较慢，那是一次性共享资产；之后多个模型可以复用 dataset/judge cache，不会每个模型重复下载或重复 ASR。D4 完成后才进入 WavTokenizer D5 共同英中 benchmark；两轨都完成，才把它记为 benchmark complete。

WavTokenizer D4 · 论文原生评测重建结果¶

结论：300/300 codec，300/300 PESQ/STOI，300/300 UTMOS/V-UV。D4 状态为 passed；这是 current-release subset cross-check，不是 paper Table 1 等价复现。

我们实际跑了什么¶

对 LibriTTS test-clean、test-other 与 LJSpeech 各自按冻结哈希规则选择 100 条；encoder 写出真实 12-bit token payload，独立 decoder 只得到 payload 与固定模型，然后在冻结 evaluator 中计算 UTMOS、wide-band PESQ、STOI 与 V/UV F1。Linux Docker 依赖镜像已固定并通过 import 验证；300 条正式 UTMOS/V-UV 在隔离的 RunPod CUDA 环境执行；在正式运行前，17 条已完成 CPU 结果按预先冻结阈值完成跨设备数值校准，运行身份逐项归档。没有运行 Whisper、SenseVoice、ASR API 或 owner recording。

结果¶

数据集	UTMOS(recon)	PESQ	STOI	V/UV F1	author 40-token UTMOS
LibriTTS test-clean	3.7089	1.8322	0.8647	0.9139	3.6016
LibriTTS test-other	3.2845	1.7504	0.8445	0.9006	3.0545
LJSpeech 1.1	3.9928	2.0912	0.9014	0.9295	4.0186

这些差值是描述性的：本地是 80K-hour current checkpoint、每域 100 条 hash subset、current-pinned evaluator；论文是约 8K-hour checkpoint、完整语料与未锁定的 paper-time evaluator。因此数值接近或更高都不能写成“复现/超过论文”。每个均值的 median、std 与 95% bootstrap CI 在 paper_native_results.json。

Payload 与资源¶

nominal representation：480 bit/s；300 条按真实帧 padding 汇总为 480.948 bit/s。
encoder / decoder inverse RTF（Apple CPU、含 I/O）：0.0981 / 0.0807。
29 条因 16→24 kHz half-sample 边界追加一个零样本；总计 29 samples，规则在 codec 前固定且逐项记录。
complete payload bytes 与 representation bits 分开记账；没有把 EVSWAV01 header/container bytes 冒充论文码率。

论文交叉验证的边界¶

13 个 claim family 的 verdict 为：2 approximate、6 blocked、2 out_of_scope、3 passed。可严格通过的是 release plot、当前 40-token endpoint 与当前 UTMOS asset identity；三数据集质量是 approximate；paper checkpoint lineage、完整 Table 1、MUSHRA、ARCH、TTS 与 ablation 因缺失原始资产继续 blocked。

D5 才使用已经缓存的英语/中文 common benchmark 与 ASR；D4 不重复跑 Whisper/SenseVoice，也不要求个人录音。

WavTokenizer D5 · 公共统一横评结果¶

状态：passed。这是既有共同实验的确定性模型级归档，不是一次新的 WavTokenizer、Whisper、SenseVoice、ViSQOL 或其他 evaluator 运行。 60 个逐样本 JSON 对象与父证据逐字段、逐顺序相等；唯一 aggregate、codec-audit rate object 与固定 10,000-replicate bootstrap CI 原样保留。

唯一冻结点（30 英 + 30 中）¶

点位	representation bps	EVSWAV01 bps	container overhead	endpoint state	ViSQOL	STOI	SI-SNR	WavLM	Resemblyzer	enc ×RT	dec ×RT
`wavtokenizer_large_unified_480bps`	480.8	1805.7	+275.58%	340,459,156 B	4.1373	0.8347	-3.79 dB	0.9109	0.8610	0.90	0.61

representation_bps 是一个 4096-entry codebook 的 12-bit index、40 frame/s，并把尾帧 padding 除以原时长；EVSWAV01 bps 还包含逐句 JSON 身份/header。短句上完整 artifact 平均比 representation 高 +275.58%。这不是模型表示突然变成 1.8 kbps，而是当前审计容器把本可按 session 固定的 checkpoint/config 字段逐句重复。原创传输协议必须缩短或摊销 metadata，但不能为了数字好看而不计它。

340,459,156 loaded state bytes 是同一 checkpoint 分别驻留在 encoder 与 decoder endpoint 的共享成本，不是每句 payload；active path 为 305,250,060 bytes。80,913,988 loaded parameters、1.76-GB checkpoint artifact、Python/source 与 payload 继续分账。极小 token stream 并不自动意味着极小系统。

语言条件、内容评委与 95% CI¶

语言	ViSQOL [95% CI]	STOI [95% CI]	Whisper ΔER [95% CI]	SenseVoice ΔER [95% CI]	F0 RMSE Hz [95% CI]
en	3.9384 [3.8962, 3.9828]	0.8704 [0.8555, 0.8824]	+0.1160 [+0.0684, +0.1673]	+0.1244 [+0.0831, +0.1692]	8.3189 [6.5678, 10.5637]
zh	4.3362 [4.2703, 4.4011]	0.7989 [0.7797, 0.8166]	+0.4390 [+0.3690, +0.5113]	+0.2773 [+0.2074, +0.3552]	16.2876 [12.4714, 20.7220]

ΔER = decoded error rate − original-audio error rate。英文两个 ASR 都显示明确退化：Whisper +0.1160、SenseVoice +0.1244；中文退化更大，但幅度明显依 evaluator 而变：Whisper +0.4390、SenseVoice +0.2773。不能挑较小的一个宣布内容保持，也不能把两者平均成 ground truth。

原始中文音频的 reference CER 已强烈分歧：Whisper mean 0.2617，SenseVoice mean 0.0494。D5 因而保留原音 hypothesis、decoded hypothesis 和两套 delta；这些数字是已固定 evaluator 的描述性证据，不是中文转写真值。

中文 ViSQOL 4.3362 高于英文 3.9384，但中文 STOI 0.7989 低于英文 0.8704，两个 ASR delta、F0 与 speaker proxies 也更差。这不是悖论：ViSQOL 的 speech-mode MOS-LQO、可懂度、内容与身份观察的维度不同，两语料也不只差语言。单一高 ViSQOL 不能覆盖明显的中文内容损失。

从这个模型学到什么¶

低 token rate 是真实突破，但只是表示轴。 当前点用单码本、40 token/s、约 480.8 bit/s 保持全体 ViSQOL 4.1373，证明强训练先验可以把大量声学信息移入共享 decoder；代价是 340.5-MB state、非因果结构与本机 encode/decode 均低于 1× realtime。
内容必须独立成硬约束。 英中双 ASR 都显示重建退化，尤其中文；只优化 UTMOS/ViSQOL 很可能得到听起来顺滑、却改词或损失关键实体的 codec。原创进化 reward 必须把内容、关键实体和否定/数字顺序与自然度分开。
container overhead 暴露系统设计空间。 12-bit codes 已紧凑 bit-pack，主要浪费来自逐句重复的 JSON identity。未来 CandidateContract 应把不可变模型身份放在会话/握手层，只在 packet 中携带最小版本、长度与校验，同时由 evaluator 独立计全部真实字节。
最小表示不等于最小充分表示。 480 bps 的漂亮 headline 与中文内容、speaker proxy、实时性和 340-MB prior 必须同时进入 Pareto。真正问题是：在给定 decoder state、延迟、算力、语言与错误率条件下，最小多少 bit 足够。
large-unified 的价值还不能归因。 D5 没有同场运行 small-speech 40-token checkpoint；两个点图相同、参数相同、权重不同。当前结果不能证明 large-unified training 比 small 更好，更不能把训练小时数当因果解释。

D4 与 D5 的正确组合¶

D4 在 LibriTTS test-clean/test-other 与 LJSpeech 的另一个确定性子集运行 current large-unified checkpoint，复现当前 release 的 UTMOS/PESQ/STOI/V-UV surface；D5 在 LibriSpeech/FLEURS 中英共同集保留 ViSQOL、双 ASR、speaker/expression proxy 与本机 runtime。两者模型身份相同但语料、指标、采样和目的不同，不能拼接成 paper Table 1 或一个虚构的综合分。

D4 的 300-row CUDA metric run、D5 的 60-row macOS codec/evaluator结果也属于不同 runtime lane；D5 不用 GPU 时间替换 parent runtime。二者共同说明当前 release 的能力与失败面，但 paper 约 8K-hour checkpoint lineage 仍未建立。

明确没有证明什么¶

D5 没有评测 small-speech 40-token 或 75-token endpoint；没有复现论文完整 Table 1、MUSHRA、ARCH、TTS、ablation 或 A100 timing；没有验证噪声、丢包、误码、对话、长音频、关键实体专集、六语泛化、流式延迟、移动端或训练成本。自动质量、内容、speaker 与 expression proxies 不等于人的自然度、身份、表达和总体偏好。个人录音仍是可选 D6 扩展，不阻塞本 Gate。 D5 passed 的准确含义只是：WavTokenizer large-unified 480-bps 的公共 60-row benchmark 档案完整、来源明确，并能由 16 个冻结父/模型证据确定性重建。