본 논문은 전통적인 수작업 특징 추출 (handcrafted feature extraction) 단계를 제거하기 위해 설계된 오디오 처리를 위한 자율적이고 '특징 추출이 없는 (feature-free)' 프레임워크로서 리저버 컴퓨팅 (Reservoir Computing, RC)을 평가합니다. 우리는 리저버에 내재된 고차원적 시간 역학 (high-dimensional temporal dynamics)이 원시 음향 신호 (raw acoustic signals)의 직접적인 분류를 위한 견고한 엔드 투 엔드 (end-to-end) 프로세서로서 기능할 수 있는지 조사합니다. MFCC와 같이 계산 집약적인 표현 방식을 우회함으로써, 이 접근 방식은 전통적인 신호 파이프라인에서의 상당한 지적 및 전처리 병목 현상을 완화하고자 합니다. 본 연구는 계층적 특징 표현 (hierarchical feature representation) 능력을 결정하기 위해 얕은 (shallow), 순차적 (sequential), 그리고 병렬적 (parallel) 딥 리저버 아키텍처를 평가하고 비교합니다. 실험 결과, 제안된 병렬 방식이 낮은 모델 복잡성을 유지하면서도 얕은 방식 및 순차적 베이스라인보다 일관되게 우수한 성능을 보임을 입증했습니다. 이러한 결과는 시간 영역 (time-domain) 오디오 처리를 위한 효율적이고 확장 가능한 대안으로서 RC의 잠재력을 강조하며, 최소한의 전처리 요구 사항을 가진 배포 가능한 저전력 음향 시스템을 향한 유망한 경로를 제시합니다.