8 Hz × 768 D
为什么还能稳定自回归？

常见做法用更低码率、更强语义压缩来缩短语音 token 序列，但会牺牲可重建信息；或保留多层 RVQ / 局部 token 组，再让 local DiT 逐步解码，代价是额外计算。本文选第三条路：直接让每个 AR step 预测一个 8 Hz、768 维的连续 token。

核心不是“高维也能预测”，而是把高维空间塑造成可预测的空间：低维 core manifold 负责可插值性，PDD 负责逐坐标可辨识性，球面 corruption 负责 decoder 的重建稳定盆地，MP-ELD 再把声学连续、历史一致与文本对齐分到三条 CFG 路径。

放大原图 ↗

球面约束

固定 token 范数，去掉径向自由度，使预测误差主要体现为角度误差；decoder 也只需围绕角度 corruption 学鲁棒性。

低维 core

用行正交投影把原生 token 映到更低维球面，再列正交提升回 768 维。强噪声低维重建迫使 core 保留最关键的粗粒度信息。

PDD

随机保留前缀维度、丢弃后缀，使低索引坐标更常可见。固定总能量预算下，训练会把更多能量分配给更常保留的坐标。

局部 encoder

每个 token 只来自对应的 MDCT 局部帧，不在 encoder 内跨 token 交换信息，降低相邻预测不一致给同一信号片段提供冲突证据的风险。

PDD 的核心概率关系是：第 $i$ 个坐标被保留的概率随索引下降，

$\Pr(m_i=1)=p+(1-p)\frac{N-i}{N-1}$。
可用性偏置 → 能量偏置 → corruption 下的逐坐标 SNR → 更强的单 token 可辨识性。

放大原图 ↗

1. LC / local-continuity：始终保留的局部延续锚，避免 unconditional path 完全为空。
2. SC / self-consistency：聚合前缀内部状态，主要改善音色、能量、口音和风格等慢变量。
3. AC / alignment-consistency：把文本等外部控制接入历史，主要决定接下来应该生成什么内容。

三路 velocity 不是简单平均，而按残差写成：

$v_\tau=v_\tau^L+\lambda_{\mathrm{sc}}(v_\tau^{LS}-v_\tau^L)+\lambda_{\mathrm{ac}}(v_\tau^{LSA}-v_\tau^{LS})$

论文发现 SC 外推既能提高说话人一致性，也是长时漂移的主要来源；因此让 $\lambda_{\mathrm{sc}}(\tau)$ 在 bridge 早期从 1 开始，随 $\tau$ 增大再逐渐增强。AC residual 的基点是信息更充分的 LS path，经验上稳定得多。

核心变量没有完全隔离

PDD 与旋转 corruption 联合使用，最终 energy hierarchy 的收益不能简单归因给一种机制；论文虽做有/无 PDD 对比，但不是所有训练因素都完全解耦。

训练损失只是 proxy

固定生成器下更低的 cosine direction loss 支持“更易预测”，却不等价于感知质量或所有下游生成指标必然更好。

长时仍只有分钟级

长时集有效时长约 52 秒，足以暴露 AR drift，但还不能代表小时级流式、多说话人对话或复杂声景。

数据和听测不公开

Locodec 与 MP-ELD 都主要依赖内部双语数据；长时实验缺乏公开 benchmark 和正式主观听测，复现边界明显。

SIM 差距仍在

MP-ELD 的 WER 有竞争力，但说话人 SIM 低于最强系统。低帧率可能帮助内容聚合，却让微韵律和短时说话人线索更难预测。

“不使用预训练”是控制变量

论文刻意排除 SSL/ASR 与预训练文本 LM，以隔离几何塑形和信息路由的效果；这不是最佳可达到系统的上界。

论文最有价值的结论是：codec 重建质量不是生成表征的充分条件。同样能重建的 token 空间，几何、逐坐标可辨识性和 CFG 路径冲突会显著改变生成器优化难度与长时稳定性。

创新不是某个孤立模块第一次出现：球面 latent、正交投影、dropout、Flow Matching 与 CFG 都有前置工作。真正的新意在于把它们组织成一条连贯的设计链，并用固定生成器比较八种 token 配置，再用 40 组 CFG sweep 和分段 SIM 把“长时漂移”具体化。证据最薄弱之处则是公开数据、主观听测和小时级场景。