NAPE：用下一音频 patch 嵌入预测打造可扩展音频学习器

研究者提出自监督框架 NAPE（Next-Audio-Patch-Embedding prediction），用因果 Transformer 从 log-mel 频谱图的先前 patch 嵌入预测下一个 patch 嵌入，仅靠因果掩码和 stop-gradient 作为训练信号，不使用重建解码器、声学 tokenizer、师生结构或辅助正则损失。