참조 화자 토큰
각 시퀀스에서 추출한 참조 오디오로부터 고정 토큰을 생성해 매 샷 입력에 주입하는 방식이다. 슬라이딩 오디오 뱅크를 유지하지 않고도 화자 음색(timbre) 일관성을 보장하는 역할을 한다.