绕过文本的语音到语音系统完整保留了时序、语气与说话人线索——但这一路径也带来取舍、评估问题与控制挑战，从业者必须加以权衡。
转写文本——语音系统长期以来奉为基准的产物——如今被证明正是有损环节。原生音频模型正是建立在这一前提之上：直接处理和生成声学表征，而不是让语音绕道文本。
后果体现在从输入到输出的旅途中什么得以幸存。文本转写保住了词语，丢掉了其余一切：时序、语气、说话人线索以及音频本身承载的其他信息。强制让语音经过转写文本的流水线，因此在任何下游环节触碰到这些内容之前，就已将其丢弃。原生音频模型则从设计上避开了这一丢弃环节。回答前的停顿、提出请求时的语气、区分不同说话人的线索——当声学信号成为工作介质时，这一切都得以保留。
由此看来，转写与其说是一个处理步骤，不如说是一次压缩决策，而且它在构造上就是有损的。
这份指南的实用分量在于它没有止步于机制本身。它把实现方式与权衡取舍、评估问题以及实际应用中真正重要的控制手段配在一起。对运营者来说，这一框架才是有用的信号：一旦模型直接处理原始声学表征而非整齐的转写文本，对其行为的度量方式与治理杠杆也会随之改变。
更宏观的转变是重心的转移——从“说了什么”转向“怎么说的”，声学信号成为工作单元。指南对权衡、评估与控制的强调把推论讲得很清楚：机制只是起点。
萬安算交所 AIXX · 萬安算交所 AIXX · 算力硬件实名会员制交易平台 · 进入货源大厅