承先啟後：從拼字器到語音
在第一卷中，你已建立核心直覺：什麼是腦機介面、解碼管線如何把訊號轉為指令，以及EEG、ECoG與皮質內記錄各自的取捨。本路線要深入探討 BCI 所能輸出中最艱難的一項：連續、自然的語言。臨床動機十分迫切——那些因漸凍症（ALS）、腦幹中風或閉鎖症候群而構音不能的人，心中語言流暢，卻無法驅動產生言語的肌肉。
使問題可解的關鍵觀念轉折在於：語音神經義肢並非讀取抽象思緒，而是解碼嘗試發聲的運動計畫——那些原本要驅動聲道的皮質指令，即使最終沒有聲音發出，仍然會被產生。
頻寬論證
為何投入如此多心力在語音，而非做一個更快的拼字器？答案是頻寬。對話式語音約為每分鐘 150 個詞，而英文文字的資訊量約在每字元一位元的量級（夏農的經典估計）。兩者相乘，自然語音的資訊率遠超每秒十位元——比逐字母的P300或SSVEP拼字器在實務上所能達到的高出一個數量級。
R_{\text{info}} \;\approx\; \underbrace{2.5}_{\text{words/s}}\;\times\;\underbrace{5}_{\text{char/word}}\;\times\;\underbrace{1}_{\text{bit/char}} \;\approx\; 12\ \text{bits/s}數量級的目標：自然語音約承載每秒十餘位元的資訊，正是語音 BCI 所追求的頻寬。
一個粗略估算：以每秒約 2.5 個字、每字 5 個字元、每字元約 1 位元的真實資訊來算，自然語音約承載每秒十餘位元——這正是語音 BCI 所追求的頻寬。
- R_{\text{info}}
- 資訊率，以每秒位元計。
- 2.5,\ 5,\ 1
- 三個因子：每秒字數、每字字元數、每字元位元數。
拿一個好的打字型 BCI（每秒幾位元）來比——語音的目標大約高十倍，這正是語音神經義肢的目標。
可解碼的語音位於皮質何處
可解碼的語音位於腹側感覺運動皮質（vSMC），其中保有發音器官——喉、唇、舌、下顎與軟顎——的體感拓撲圖。關鍵在於，這是一種運動表徵而非語意表徵，因此遠比從語言理解區域讀取意義來得可解。而嘗試、想像與內在言語的區分，決定了你能取得多強的訊號：嘗試發聲——受試者主動試圖構音——即使沒有可聞的輸出，仍能強力驅動 vSMC；而內在（默想）言語則較弱、變異更大，且空間組織性遠遠不足。
兩大範式：文字與嗓音
腦訊號轉文字把皮質活動解碼成離散的符號序列——字元、音素或詞。由於輸出是語言，你可以把語言模型引入迴圈以修正錯誤並確保流暢，這讓文字成為準確度的冠軍。代價則是延遲，以及逐字稿所捨棄的一切：你的嗓音、你的韻律、你的節奏。
直接語音合成則反其道而行，透過神經聲碼器直接解碼成音訊波形。它能還原帶有韻律、且具即時串流感的嗓音——但也更困難、更嘈雜，因為你必須重建一個豐富的聲學訊號，而非從有限的字母表中挑選。
哪些訊號承載得了語音？
究竟什麼訊號承載得了語音？覆蓋 vSMC 的高密度 ECoG是主力：它兼具廣覆蓋，以及足以追蹤高伽瑪頻段（約 70–150 Hz）的空間與頻譜解析度，而高伽瑪正是承載多數語音相關資訊的局部放電代理。皮質內微電極陣列（如猶他陣列）則加入單一與多單元的解析度，但取樣的組織體積極小。相較之下，頭皮EEG受體積傳導嚴重模糊、又難以取得高伽瑪，因此從 EEG 進行連續語音解碼至今仍遙不可及。