语音 BCI 需要更大的模型吗？重新思考超越规模扩展的神经解码

基于摘要分析。本文针对语音 BCI 训练数据稀缺、噪声较大且采集成本高的问题，重新考察扩大模型规模对神经活动到文本解码的收益，并提出两阶段框架 BEST（Brain-Encoding-Speech-Text）。核心贡献是通过分层中间表征与紧凑的语音导向解码器，在保留解码所需结构的同时降低计算需求，而非依赖大型生成模型或以音素为中心的处理流水线。 机制上，摘要描述 BEST 将神经活动映射至文本，并通过表征分析考察 neural-audio-text 对齐路径；但两个阶段的具体职责、中间表征的定义、监督信号、损失函数及训练与推理流程尚未验证，不能据此认定其使用何种音频输入或预训练模块。 作者报告，在 Brain-to-Text '24 和 '25 基准上，BEST 的词错误率（WER）分别为 6.19% 和 1.62%，参数量仅为可比方法的 3.85%。摘要未明确对应的数据划分、比较方法、参数统计口径及外部资源使用情况，这两个基准上的数值也不能直接视为同一协议下的性能变化。参数量比例不等同于推理时延或实际部署成本，后者仍需正文证据。 作者进一步报告，解码器规模扩展的收益并非单调增加，跨模态对齐比模型大小更关键，且过拟合会损害序列级表现；表征分析显示一致的 neural-audio-text 对齐路径。这些结论为资源受限的语音 BCI 解码提供了具体核查方向，但其适用范围仍取决于规模对照、对齐干预及泛化评估。神经信号类型、被试数量、被试内或跨被试设置、实验协议、消融及统计信息尚未验证；代码与部署条件亦未由所给材料确认。