研究问题与简短答案
论文要回答的是：当神经证据来自想象语音而非聆听语音时，语言模型能提供多大帮助。研究使用一个配对数据集，同一批参与者要么聆听、要么想象同样的两首诗，因此两种条件可以在同一套流程下比较。
答案并不对称。两种条件在把神经分数与语言模型的下一个词概率结合后都有提升，但想象语音在更大的语言模型权重处达到峰值，相对仅用神经证据解码的提升也更大。作者将此解释为：神经证据越不可靠，语言先验越有价值。
想象语音为何更难解码
想象语音更难解码，是因为想象期间的神经反应比外部语音信号诱发的反应更弱，时间锁定也更不可靠。想象语音数据集也相对较小，部分原因是想象没有可直接观察的输出，其时间点难以精确测量。
论文自己的数字显示了这一差距。使用所提出的解码器，聆听MEG达到14.17%的top-1和46.96%的top-5词准确率，而映射后的想象MEG达到7.05%的top-1和31.14%的top-5。想象语音在top-1上的准确率约为聆听语音的一半，说明两种条件提供的神经证据强度不同。
语言信息进入流程的两个环节
语言信息在两个阶段被加入。训练阶段，一个对比式神经解码器把MEG表征与两个冻结目标对齐：帧级的wav2vec 2.0隐藏状态对应声学信息，词级的GPT-2隐藏状态对应上下文语言信息。编码器由一个1×1空间卷积和随后的因果膨胀时间卷积网络组成，产生约50 Hz的表征。
推理阶段，神经约束束搜索把解码器的词分数与GPT-2的下一个词概率融合。在每个词位置，MEG选出前k个候选词，GPT-2只在每个束自身已解码历史的条件下给这些候选打分，两组归一化分数再以权重α组合。α设为0时仅按MEG排序候选；α设为1时保留MEG的候选集，但集内排序完全由语言模型决定。
解码器在两种条件下均有提升
对比式解码器在聆听MEG上大幅提升了跨被试词解码，超过此前的解码器，并且这一提升迁移到了映射后的想象反应。在全部六种想象到聆听的映射下，它在top-1和top-5上都超过了对照，所有p < 0.001。
对照结果对理解这一结果很重要。神经—目标配对被打乱后，聆听准确率降到4.12% top-1，想象降到3.93%；输入全零时准确率降到随机水平。作者指出，声学目标似乎阻止了一条捷径：只用语言目标时，解码器即使在全零输入上也能高于随机水平，因为它默认输出高频词目标；而帧级声学对齐促使它跟踪神经输入。
教师强制给出上下文收益的上界
为了衡量语言上下文在原则上能贡献多少，作者先让GPT-2以真实的前置词为条件，并对整个词表打分。两种条件下，准确率都随α上升，直到α接近1，且两种条件在高α处趋于一致。
这一分析给出了收益上界，但并不代表真实解码。历史正确时，语言模型主导排序，神经证据贡献很小。它还假设了一个推理时并不存在的历史，因此论文转向束搜索，让模型以自己解码出的假设为条件。
想象语音使最优平衡向语言模型偏移
在束宽为3、候选集大小为10的神经约束束搜索下，两种条件都在中间某个α处出现最优，联合打分在两种条件下都优于仅按MEG排序（p < 0.001）。两种条件在整个α范围内也都高于随机候选对照，说明神经候选选择在两种条件下都起作用。
两端表现不同。对聆听MEG，仅按MEG分数排序候选（α = 0）优于仅按语言模型排序（α = 1）。对映射后的想象MEG，这一顺序反转。跨候选集大小来看，映射想象MEG的最优融合权重α*高于聆听MEG（p < 0.01），且在所选α处相对仅按MEG排序的提升对想象语音更大（跨被试配对检验，p < 0.001）。
候选集大小解释了部分机制。k较小时，MEG通过把语言模型限制在少数神经选出的词上来约束解码，因此即使α = 1，神经信息仍然存在。k增大时，这一约束减弱，语言模型可以在更多候选中选择，去掉相对的MEG分数代价更大。因此MEG既通过选择候选、也通过在该集合内排序词来发挥作用。
这一比较未覆盖的范围
评估仅限于两首诗、封闭词表、13名受过训练的音乐家和已知的词边界。留一被试测试检验了跨被试泛化，但没有检验对未见刺激或连续语音的泛化。报告结果使用GPT-2；作者用SmolLM也观察到相同趋势，说明该效应并非某一语言模型特有。
想象条件也不是原始的想象MEG。它使用一个在训练时不含留出被试的想象到聆听映射，想象结果在六种映射变体上取平均。这一设计保持了流程的被试独立性，但也意味着想象数字描述的是映射后的想象反应，而不是直接解码想象。
语言先验在何处值得更大权重
论文的实际优先级来自神经证据的强度，而不是一套固定配方。当神经预测较强时，如聆听MEG，仅按MEG排序已经优于仅按语言模型排序，最佳融合保留较小的语言模型权重。当神经证据较弱时，如映射后的想象MEG，最优点向语言模型移动，相对仅用神经证据解码的提升也更大。
对想象语音脑机接口而言，值得带走的正是这一比较：语言先验的价值取决于神经信号有多可靠，而论文的证据把想象语音放在更大语言贡献能带来回报的一侧。
本文引用的文献
Integrating Language Models into Listened and Imagined Speech Decoding from MEG
想象语音解码从语言模型信息中获得的帮助大于聆听语音解码，其最优融合权重更高，相对仅用神经证据解码的提升也更大。