就像「語音的拼圖編號」，這些 token 本身不是聲音波形，而是模型自己定義的「聲音碎片的代表」。每個 audio token 可能對應「某種小單位的聲音形狀」——這不是字，也不是梅爾頻譜圖，而是更像一個數位抽象代碼。
