目标不是只做压缩，而是让离散声学 token 更适合后续模型直接读取和建模。
2024 / Acoustic Discrete Tokenizer
WavTokenizer
WavTokenizer 的重点很直接：把 codec 输出做成更高效、更适合音频语言模型使用的离散前端。它不只是追求重建质量，而是明确围绕 token 效率和 downstream modeling 来设计。
Figure Note
这一页故意不自己画结构图。WavTokenizer 官方公开得最完整的是结果图和 README 说明，所以页面重点放在技术路线本身：低 token 速率、高效离散前端，以及面向 audio language modeling 的接口思路。
比传统高频率离散码更克制，也更贴近后续长上下文和生成模型的预算。
它希望这个前端不只限于单一语音域，而是尽量兼顾更广的音频建模任务。
Core Route
WavTokenizer 最核心的转向，是不再把 codec 当成单独的压缩模块看，而是直接把它当成音频语言模型的离散前端接口来优化。
为什么它强调 tokenizer，而不只写 codec
这个命名本身已经说明问题了。作者关心的不只是“能否压缩”，而是“压出来的 token 是否足够高效、足够有信息、能否被上层模型方便消费”。这比单纯刷一个重建分数更贴近后续系统接口。
40 / 75 tokens per second 解决了什么
token 速率被压下来之后，长上下文建模的成本会明显下降。尤其对音频语言模型来说，token 太密会直接吃掉上下文窗口；WavTokenizer 的路线就是尽量用更少的 token 保留足够多的信息。
为什么它还强调 rich semantic information
这说明它已经不满足于纯声学细节压缩了。虽然整体仍放在声学编码器空间里，但作者很清楚：如果 token 里没有足够高层的信息，后面的语言模型根本不好用。
它和 Mimi / DualCodec 这类路线有什么差别
WavTokenizer 没有像 Mimi、DualCodec 那样直接把语义增强写进结构叙事里，它更像是从“高效 acoustic tokenizer”这条路径迂回逼近同一个目标。所以它是另一种更工程接口导向的解法。