剩下的就是内容：来自并行话语的不变语音标记化

离散语音标记器旨在将语义与声学信息分开，但 HuBERT 等自监督学习 (SSL) 模型的目标保留了非语言变异：说话者身份、韵律和通道条件泄漏到标记中，导致熵膨胀。我们的主要见解是，当足够多的说话者在不同条件下说出相同的单词时，语言内容是唯一的共享因素。我们提出了 PINT（并行不变标记化），它通过并行话语和增强之间的对齐损失来微调 SSL 编码器，以提取此共享残差。 PINT 将相同的单词折叠到一致的标记序列上，从而大大减少条件熵。与 ASR 文本不同，PINT 词元保留帧级时间基础，并充当音频编解码器的嵌入式语义目标。实验表明，与基线相比，说话人探测准确度相对降低了 98.7%（93.1% 至 1.2%），ABX 错误率降低了 42%，LM 困惑度降低了 27-30%，这证实了正确的不变性是高效学习的关键。