Speechprosody-2026 论文

该文以增量重合成的时长、基频与滑音加 TIMIT 后验音素为探针，用核典型相关与记忆分类核对 Mimi 八个码本的分工，最强证据是时长可达 92.3% 而音高与滑音仅部分可恢复，且第一码本更偏向音段表示。

该研究同步采集 12 名巴西葡萄牙语朗读者的音频与下颌垂直位移，比较戏剧艺术组与普通组在散文和诗歌中的发音与下颌运动，发现实验组下颌降幅更大、变异更大、开口速度更快且整体强度变异更高，代价是语速更慢且样本仅 12 人、未做元音高度归一化。

论文用普通话 55 到 51 连续体上的辨认与区分任务检验粤语母语音系规则对跨语言声调感知的影响，最强证据是低普通话水平组边界左移变宽而高水平组接近北京对照组，代价是该结论依赖特定连续体与三组被试条件且未验证生产与泛化。

本研究以 56 名 60-70 岁粤语正常认知老人的 EEG 回答 SCD 如何调节言语与音乐的皮层追踪，最强证据是扰乱言语在 theta 与平静音乐在 delta 和 theta 随 SCDS 加重而下降，代价是只在缺乏上下文或鲜明节奏的风格中显现且依赖多协变量校正的线性混合模型。

该研究让 27 名瑞典学习者和 14 名东京日语母语者读同一载体句中的双音节词，用音节时长和归一化调峰位置检验迁移，显示时长迁移只出现在首音节重读词而调峰提前出现在无重音与末重音词，且背景变量不能预测声学实现。

该研究以安大略西南部 12 人的朗读与会话语段为对象，用个人层面语言使用指数检验接触强度，发现发音速率随年龄在朗读中下降并随语段变长而加快且男性斜率更陡，而语言使用指数对速率无显著作用，只对语段长度显著，代价是小样本与不完全平衡限制了交互检验力。

论文以普通话和约鲁巴语为对象，用探针分类证明自监督隐变量同时编码音素与声调而 K 均值等离散化更伤声调，并显示残差式多级量化能部分挽回声调但仍不及连续基线。

该研究以 45 名 3 至 5 岁儿童的 1350 句自发陈述句检验长度、词汇多样性和句法复杂度对音高范围与音高标准差的影响，发现复杂度一致扩大音高范围而仅 3 岁组显著变不稳定，4 至 5 岁转向更窄更稳的策略，代价是横断面设计与呼吸语速等机制未直接测量。

该研究以同一批配音与跟读语料切分句内非模态段并比较职业声优与学员，报告职业组约 90% 话语含非模态段且气声偏句尾、粗糙挤压偏句首句中，三类声学参数在两组人中趋势一致，但学员整体出现率更低且多用清吸气。

论文追问五音节名词短语在青年上海话中切分为 2+3 后低音目标是否重插，通过 8 人朗读与基频轨迹比较显示切分成立但全句只在第 5 音节约 70% 处收敛为单一低目标，而代价是前部二音节不再收敛且切分块整体音高高于孤立读法。

该研究用 11 个声学参数加随机森林区分女性双侧声带小结与健康嗓音，最强证据是声调 3 模型准确率 0.836 与 AUC 0.902，代价是仅覆盖女性北方官话单字朗读且未验证连续语流与男性泛化。

该研究用同一句英语比较九名普通话背景者的下颌位移比与声学元音起点对齐，发现最低熟练度者呈弱强式结尾加重而最高熟练度者呈强弱式，但所有人的下颌开口峰速度都最靠近声学元音起点，代价是样本小且仅用一句控制元音的朗读句。

本研究用单音节产出、保持与归一化时长的感知和语料分析说明，原长下二三声并不比其他声调更易混，混淆升高主要来自时长归一化，且长短时长分别对应降升与低降两种三声变体。

该研究在普通话六个单元音乘以四个声调的单音节词上比较基频与嗓音质量声学参数，发现闭元音比/a/更规则而三声与四声的扰动效应因元音而异，但样本小且仅量化分析女性数据。

该研究用粤语六声最小对的 AX 辨别任务检验口罩与噪声影响，发现戴外科口罩条件下的辨别灵敏度更高，贝叶斯因子 BF10 为 67.37，而声学分析显示口罩未显著改变基频相关线索，代价是结论限于辨别任务与外科口罩。

该研究用 5 对早闭合与晚闭合歧义句的朗读语料比较母语者与三组中国学习者，报告显示母语及中高级学习者用边界前元音的基频上升与时长拉长区分边界而初学者不能，代价是初学者的理解、节奏分组与语速条件不足。

论文用长字符串检索条件化短串韵律以免除逐条标注，构建四个韵律最小对基准并微调 wav2vec2-base 做二选一分类，在各自验证集上报告均超 90% 但存在音频重复导致偏高估计的代价。

针对开封话低调变体靠专家看图分类、难以刻画动态的问题，论文用函数型主成分分析提取基频曲线动态再用狄利克雷过程高斯混合做不定类数聚类，在 456 个低调音节上得到下降、凹降、上升三类，并以广义加性混合模型回放验证，其中下降类占 284 例为多数而上升类是前人未报告的新发现。

该研究用下一轮回答与听辨到的辅音拉长作为非韵律筛选标准，从 8 名东伦敦加勒比裔青少年的半自发访谈中得到 192 个可用目标，并报告极问句 84%、陈述问句 64%、强调辅音拉长 79% 为升降调，而细部 F0 差异小且分布高度特异。

该研究以一段 8 分 35 秒德语 TED 演讲为样本检验累积线索与补偿线索两种假设，发现有重音和特强音节更易伴随手势且手势更强、强手势顶点更贴近重音音节，但核前重音反而比核心重音更易引出手势，代价是单说话人、小样本且特强样本稀少。