该论文提出了 AudioTQ，一种数据无关的 (data-oblivious) 有损音频编解码器，直接在时域操作，而不再依赖传统频域变换和心理声学模型。其核心思路借鉴了大型语言模型 (LLM) 权重量化中的 TurboQuant 框架：首先通过正交归一化的随机快速 Walsh-Hadamard 变换 (FWHT) 将时域音频波形的剧烈幅度变化旋转到接近标准正态分布，使得每个坐标可以独立进行标量量化。随后使用一个离线训练的、均方误差最优的 6 位 Lloyd-Max 量化器，并叠加 1 位 Quantized Joint Least-Squares (QJL) 残差校正层。最终形成的 7 位虚拟索引被打包进原生的 8 位容器中，从而对齐 CPU 寄存器边界，支持无硬件并行加速器的实时单线程执行。论文详细描述了 24 位录音室母带轨道的逐位重建过程、FWHT 的蝶形网络实现，并推导了稀疏输入下的数学失效模式。基准测试显示，在保持约 30 dB 的信噪比 (SQNR) 的同时，物理文件体积最多可缩减 74.4%。这项工作主要面向音频压缩、边缘计算和实时处理场景，为低复杂度、跨平台音频编码提供了新思路。