연속적인 음향 신호와 이산적인 이벤트 기반 처리 (event-driven processing) 사이의 불일치는 뉴로모픽 음성 처리 (neuromorphic speech processing)의 근본적인 병목 현상으로 남아 있습니다. 현재의 시스템들은 일반적으로 고정된 스파이크 인코더 (spike encoders)에 의존하며, 이로 인해 하위 단계의 스파이킹 신경망 (SNNs)은 비적응형 입력 표현 (non-adaptive input representations)을 보완해야만 합니다. 이를 해결하기 위해, 우리는 순환 리키 통합-발화 (Recurrent Leaky Integrate-and-Fire, R-LIF) 백본과 종단간 (end-to-end) 공동 학습되는 학습 가능한 잔차 음성-스파이크 인코더 (learnable residual speech-to-spike encoder)를 제시합니다. 우리는 Google Speech Commands v2 (GSC-v2) 벤치마크에서 이 접근 방식을 검증하였으며, 최대 94.97%의 정확도를 달성했습니다. 특히, 학습된 인코더는 매우 매개변수 효율적 (parameter-efficient)이며, 35k 매개변수를 가진 컴팩트한 변형 모델로 89.8%에 도달하여, 10배 더 많은 매개변수를 필요로 하는 이전의 베이스라인 (baselines)들과 대등하거나 이를 능가하는 성능을 보여주었습니다. 선형 프로빙 (linear probing) 및 그래디언트-잔차 검사 (gradient-residual inspection)를 포함한 우리의 인코더 중심 분석은, 인코더가 충실한 신호 재구성 (signal reconstruction)을 목표로 하는 것이 아니라, 클래스 분리성 (class separability)을 향상시키는 작업 정렬된 스파이크 표현 (task-aligned spike representations)을 학습한다는 것을 나타냅니다. 마지막으로, 우리는 동일한 아키텍처와 학습 조건 하에서 직접 피드백 정렬 (Direct Feedback Alignment, DFA)과 대리 그래디언트 BPTT (surrogate-gradient BPTT)를 비교함으로써 생체 모방적이고 하드웨어 친화적인 신용 할당 (credit assignment)을 벤치마킹합니다. 우리는 DFA가 91.5%의 정확도에 도달함을 발견하였으며, 이는 현대적인 뉴로모픽 오디오를 위한 생체 모방 학습 규칙 (bio-inspired learning rules)의 성능 트레이드오프 (performance trade-off)를 정량화합니다.