数闭合而不是数峰：西班牙语颤音两种计数单位为何得出相反性别结论

英文题目：Counting Closures in Spanish Trills: A Multi-Corpus Acoustic Study

标签：#音频事件检测 | #信号处理 | #统计分析 | #语音学与音系 | #社会语音学

评分：7.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Mateo Cámara：机构信息未在 arXiv HTML 中可靠披露
• Maria F. Alcala-Durand：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

该研究输入为西班牙语颤音/r/音段音频，输出为闭合数量与闭合间周期，难点在于自然语料常混杂清化与擦化变体且包络峰值会将闭合与其释放重复计数。首先质量过滤器筛选出时长与浊音及周期性达标的规范颤音，其输出进入基于中频能量极小值的闭合检测器以定位经释放验证的闭合，随后独立周期估计器用自相关推算周期做一致性核查，最后聚合到说话人层面做非参数检验与混合效应建模。与包络峰值计数同时报告闭合与释放不同，新机制锚定能量谷并要求释放验证，从而消除了与基频耦合的过计数偏差。在六个西班牙语语料评估条件下，TEDx语料的闭合数指标为2.0，高于DIMEx100语料的闭合数指标1.0。整体上语境效应达中等强度而性别效应不显著，独立周期估计器复现了语境排序。上述参考值仅适用于通过筛选的浊音周期性颤音，不能外推为自然连续语流中的成颤率。该结论的适用边界受限于仅覆盖浊音周期性规范颤音且词首样本稀少而尚未验证非规范变体。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/MateoCamara/trillscope — 链接可访问（HTTP 200）

• 复现相关资源：https://github.com/MateoCamara/trillscope — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，这篇解读要交付什么？

输入是论文原文证据与本次收到的官方原图像素，目标是让刚进入语音、音乐、音频方向的研究生能核对并复述方法。必须保留的信息包括任务定义、6 个语料库的构成、闭合与包络峰两种计数单位、质量过滤器的 3 条固定阈值、检测器阈值与验证逻辑、聚合到说话人层面的统计做法，以及中位数 2 个闭合、约 36 毫秒间隔、语境中等效应、性别无稳健效应这组结论及其适用边界。

输出按学习依赖展开，先讲颤音为什么难测，再讲语料与标注，然后走完一个样本从波形到闭合数、周期、统计量的全链路，最后讲稳健性与复现。全文只讲论文实际做的颤音闭合计数任务，教学举例会明确标为例子，不引入无源数值。西班牙语颤音是舌尖在龈嵴处多次快速阻塞气流形成的 r 音，典型例子是 perro 中的 rr 与 pero 中的闪音相对。初学者容易把它理解为声带振动次数，但论文测的是舌尖阻塞节律。

阻塞本身在声学上表现为中频能量突然掉下去，打开时出现释放突起，一个完整的阻塞加打开才算 1 次循环。难点在于自然语料中大量 r 实现是部分浊音、不规则或带噪声的，自动对齐边界也可能切错，如果直接数包络上有几个小峰，就会把浊音谐波起伏也算进去。论文因此把研究对象限定为成形良好、有浊音、有周期性的颤音实现，先过滤再计数，报告的参考值只刻画这类目标构型，不回答连读中颤音成功率有多高。

同类研究在测什么，为什么结论会打架？

相关工作可以按同输入、同目标、同监督来对照。声学描写路线输入是颤音段音频，目标是给出阻塞次数、时长与浊音范围，经典西班牙语工作给出 2 到 3 次接触、几十毫秒量级的基线，监督来自人工在语图上数闭合。社会语音学路线输入也是自然语料中的 r 音，目标是判断方言、语体、性别等条件是否导致弱化、擦化或近音化，多处理分类交替而非精细闭合数。两条路线都承认颤音是渐变、多维的，难在部分浊音与不规则实现。本研究直接相关的分歧是性别效应。

多米尼加和赫雷斯安达卢西亚语料报告众数为 1 个闭合，委内瑞拉自发语料为 2 个闭合，半岛非 scripted 数据报告中位数 2 个收缩、范围 0 到 5 个并称性别是最强预测因子，而马拉加研究发现性别不显著。论文的判断是，分歧可能来自计数单位不同。人工数闭合通常数能量谷，自动包络峰计数则同时数阻塞与释放，峰数还会随浊音频谱密度变化，而频谱密度又与说话人特征相关。

也就是说，同样的音频换一种单位就可能出现或消失一个人口学效应，后文的检测器设计就是为检验这个假设。

论文要回答的两个问题是什么？

第一个是方法问题：大规模测量颤音时，应该直接数闭合，还是数整流振幅包络的峰。论文主张数闭合，理由是包络峰会把 1 次阻塞与其释放记成两个事件，大约翻倍，且多记程度随基频与谐波密度变化，可能与性别混淆。第二个是经验问题：在多个西班牙语语料库上，成形良好的颤音的闭合数与闭合间隔是多少，哪些说话人层面与语境层面因素调节闭合结构。

论文要检验的是，此前归因于性别与音位环境的显著性，究竟反映结构良好的颤音本身的差异，还是所选振荡事件单位带来的差异。为此作者设定了可复现的总体定义、固定的检测器参数与独立的一致性检查，并在 6 个语料库上用同一流程重复测量。需要强调的是，由于纳入要求周期性，参考中位数按构造只描述合格颤音，不描述全部候选 r 音的实现分布。

从一段对齐音频到闭合数，全景如何走通？

沿一个样本走一遍有助于建立全景。输入是一段已对齐的颤音区间，例如从 perro 中切出的 rr 段，采样统一转为 16000 赫兹单声道。先经过与检测器无关的质量过滤器，检查时长是否在 50 毫秒到 200 毫秒之间、浊音帧比例是否达到 80%、中频包络在 25 毫秒到 55 毫秒滞后上的自相关峰是否达到 0.40。只有 3 条同时通过才进入分析集，否则丢弃。

检测器只在这类合格音频上运行，先计算低频 60 赫兹到 500 赫兹表征浊音与中频 500 赫兹到 3500 赫兹表征湍流和释放的两条均方根包络，找中频包络的局部极小作为候选，再验证每个候选后方 3 毫秒到 25 毫秒内是否有达到局部最大 40% 的释放峰，通过才保留为闭合。最后输出该样本的闭合数、时长、平均闭合间隔、每秒闭合数与浊音比例，基频用概率 YIN 估计但只用于检验计数机制，不作为结果指标。

统计时为避免伪重复，性别、年龄、教育、语体比较先聚合到每名说话人一个观测值，语境比较聚合到每名说话人乘语境一个观测值，再做非参数检验与混合效应模型。独立的自相关周期估计器并行给出个数估计，用于检查内部一致。

闭合检测器如何定位能量谷并验证释放？

检测器锚定在能量极小值加释放验证，而不是包络极大值。白话说，闭合是舌尖堵住气流的时刻，对应中频能量掉下去；释放是松开后气流冲出的时刻，对应随后能量弹起来。英文是 closure 与 release，保留循环 cycle 指 1 次阻塞加释放的完整区间。之所以用中频而不用低频加中频均值，是因为浊音会让低频一直很高，可能掩盖阻塞造成的掉落。

具体操作是，候选谷必须在 50 毫秒窗内比局部最大低至少 5 分贝且低于最大值的 40%，同时合成包络也下降至少 3 分贝。验证要求其后 3 毫秒到 25 毫秒内的中频包络最大值达到局部最大的 40%，每个闭合只配一个释放，未验证候选直接丢弃。当一个样本至少有 3 个闭合时，再做周期性剔除，相邻间隔都偏离中位数超过 2 倍标准差的闭合被去掉，少于 3 个时该步为空操作。检测在对齐边界两侧各扩 20 毫秒后运行，以便验证恰好落在边界外的释放，但只保留原始边界内的闭合。

阈值先在已知闭合数的合成颤音与首轮语料上设定并冻结，6 个语料库共用同一组参数，两处主要阈值后文会被扫描检验稳定性。

闭合 × 释放： 闭合指舌尖在龈嵴处形成阻塞、在中频包络上表现为能量谷，释放指阻塞打开后紧随的能量突起；两者搭配的理由是只有谷加释放同时成立才能排除浊音波动造成的假谷，组合意义是把计数单位从任意局部极大值锚定为 1 次完整的阻塞加打开区间。

沿同一段颤音看，两个蓝色三角谷各带一个释放即记为 2 个闭合，而其间浊音波动形成的小起伏若按峰计数会被多记，这正是后文性别差异翻转的机制来源。

包络峰 × 闭合： 包络峰指整流后振幅包络的局部极大值，闭合指经验证的能量极小值；包络峰分工是反映声带振动和谐波密度，闭合分工是反映舌尖阻塞节律，两者搭配比较的理由是同一段音频会同时包含两种事件，组合意义是揭示峰计数会把 1 次闭合及其释放记成 2 次，从而随基频高低产生系统性多记。

该设计把计数单位的选择从实现细节提升为结论决定因素，后文图 1 用同 1 token 直观展示 2 个闭合对应约 5 个包络峰。

质量过滤器与独立周期估计器各自把什么关？

质量过滤器是纳入标准，不是检测器的一部分。它的 3 条规则固定不变并对所有语料库相同：时长在 50 毫秒到 200 毫秒之间，浊音帧至少 80%，包络周期性分数至少 0.40。周期性分数是中频包络在 25 毫秒到 55 毫秒滞后上皮尔逊归一化自相关的峰，对应典型 18 赫兹到 40 赫兹颤音范围。它只依赖音频与切分边界，不依赖闭合检测器，因此分析总体可从信号复现。低于 60 毫秒时该分数无定义并记为 0，所以有效时长下限实际是 60 毫秒。

独立估计器完全不用事件逻辑，只用自相关估计 20 毫秒到 60 毫秒内的主导间隔，再用时长除以间隔四舍五入得到个数。因为过滤器已要求周期性，两者在正负 1 个以内的一致只能界定内部一致，不能替代人工标注精度。

质量过滤器 × 闭合检测器： 质量过滤器分工是先按时长、浊音比例和包络周期性分数决定哪段音频值得计数，闭合检测器分工是在已入选音频内定位闭合时刻；搭配理由是过滤器只读信号与边界而不读检测器输出，组合意义是分析总体可从信号复现，且检测器不再被迫处理清擦化、去浊或切错的片段。

这种分工使过滤造成的数据损失与检测误差可以分开讨论，例如 DIMEx100 候选中位数仅 37 毫秒，约 89% 因低于时长下限被滤掉，尽管 98% 通过浊音规则。

自相关周期估计器 × 闭合检测器： 自相关周期估计器分工是用中频包络在 20 毫秒到 60 毫秒滞后的自相关峰估计平均闭合间隔，再用时长除以间隔四舍五入得到个数，闭合检测器分工是逐个定位能量谷；搭配理由是两者共享包络调制但不共享事件逻辑，组合意义是两者在正负 1 个以内一致只能说明内部一致，而不能证明绝对准确。

后文 4 个大语料库上两检测器一致率在 91% 到 96% 之间，两个小语料库降至 67% 到 79%，但仍落在文献描写范围内，说明小样本噪声大而非方法失效。

没有神经网络训练时，什么被冻结、什么被调用？

本研究没有训练神经网络模型，因此不存在梯度路径、优化器更新或权重重置。需要交代的是 3 类真实计算过程。第一是规则参数冻结：检测器的 5 分贝、40%、3 分贝、3 毫秒到 25 毫秒等阈值在合成颤音 16 项测试与首轮语料上设定后冻结，不随语料库调整，质量过滤器的 0.40 与 80% 等阈值同样固定。

第二是既有模型调用：3 个语料库自带音素级对齐，另 3 个用蒙特利尔强制对齐器西班牙语声学模型与发音词典做强制对齐，基频用概率 YIN 跟踪，浊音比例用已有帧级判断，这些都是推理调用而非本研究训练。

第三是统计估计：说话人层面聚合后的曼惠特尼 U 检验、克鲁斯卡尔沃利斯 H 检验、Dunn 事后比较、10000 次重采样的中位数置信区间，以及带说话人随机截距的线性混合效应模型，都是在已测得的闭合数上做估计，未报告处是人工逐点基准缺失，论文明确把交叉检测器的一致率称为内部一致而非精度，不从冻结参数推定输出确定。

六个语料库如何构成，候选如何筛选到分析集？

比较问题是不同地区、语体与对齐来源下闭合结构是否一致，公平条件是同一质量过滤器、同一检测器参数与同一聚合口径。6 个语料库覆盖半岛与美洲、朗读与自发，候选限定在标准音位预期出现颤音的 3 类位置：元音间 rr 如 perro，词首 r 如 rojo，音节边界上 n、l、s 后的 r 如 enredo。元音间单 r、辅音丛与韵尾 r 被排除，以避免混入闪音与其他 r 实现。DIMEx100 提供毫秒级音素文件，ALBAYZIN 提供音素边界，Glissando 提供 SAMPA 标注，其余三库用强制对齐。M-AILABS 有声书与众包录音按预设政策排除。

下表展示候选与保留的分布，保留率差异主要来自切分宽度而非语言差异，DIMEx100 候选中位数远窄导致大量低于时长下限，过滤后没有任何单一语料库主导样本，这与包络峰分析中 DIMEx100 占四分之三形成对比。

表中 TEDx 自发泛西班牙语 138 人 4144 候选保留 1481，Heroico 朗读 112 人 2573 候选保留 1151，Glissando 混合 27 人 2226 候选保留 762，三者合计占过滤后 3560 中的约 94%，DIMEx100、ALBAYZIN、PRESEEA 保留仅 81、46、39。总计 356 人 16836 候选保留 3560，保留率约 21%。有文档性别标签者 217 人，其中 76 名女性、141 名男性，DIMEx100 无性别元数据不进入性别比较。国家或地区不做分析，因为过滤后每库多由一国变体主导且样本极不平衡。指标方向是闭合数越多、周期越短、速率越高表示颤动越密，聚合对象是说话人或说话人乘语境，不是原始 token 数。

主结果：中位数、语境效应与性别零效应如何同时成立？

测量问题是合格颤音的典型闭合数与间隔是多少，比较条件是同一流程跨六库重复。3560 个分析 token 的闭合数中位数为 2，均值 2.03，标准差 0.83，平均闭合间隔中位数约 36 毫秒，各库中位约 30 毫秒到 38 毫秒，时长中位约 80 毫秒，落在经典 2 到 3 次接触、30 毫秒到 50 毫秒范围内，且六库稳定。下表给出分库中位数与双检测器一致率，4 个大库一致率超 91%，两个小库虽降至 67% 到 79% 但中位数仍为 1 到 2 个闭合、30 毫秒到 35 毫秒。

该表说明结果不由单一大库驱动，小库噪声主要影响一致率而非典型值方向。语境是唯一达到中等效应的因素，闭合数效应量 0.083，速率效应量 0.128。方向与直觉相反：元音间 rr 最少最慢，均值 1.81 个、22.8 赫兹，n、l、s 后最快 2.21 个、27.6 赫兹，词首最多最长 2.30 个、91 毫秒。词首部分效应来自时长长约 12 毫秒，但 n、l、s 后与元音间时长差不足 2 毫秒而速率差约 5 赫兹，混合模型在固定时长后仍保留每 token 多 0.22 到 0.23 个闭合、高 2.8 到 3.0 赫兹。需注意词首仅 73 个 token 来自 52 人，估计最不稳，但留一库方向不变。性别上直接数闭合无稳健证据：两组中位数均为 2，曼惠特尼检验不显著，秩 2 列相关 0.10 可忽略，混合模型男性差 0.04 个、置信区间包含 0。

音位环境 × 说话人性别： 音位环境分工是区分元音间 rr、词首 r 和 n、l、s 后 r 3 种预期出现颤音的位置，说话人性别分工是区分有文档记录的男性和女性说话人；搭配比较的理由是两者都要在按说话人聚合后做组间比较，组合意义是判断颤音结构差异究竟来自发音位置的空气动力学条件，还是来自计数单位与基频的混淆。

为理解单位如何决定结论，先看同 1 token 两种规则的像素对比导读，图前已说明比较对象与时间范围。

看图路径： 1. 先看上面板同一段颤音波形中蓝色三角标记的能量谷位置与红色圆点标记的包络峰位置；2. 数一数蓝色闭合为 2 个而红色峰约为 5 个，确认同一信号两种规则计数差；3. 再看下面板横轴男性多出事件数，比较红色长条与蓝色短条的长度与标注显著性

论文图 1。原论文 Figure 1:：“The counted unit decides the sociophonetic conclusion.”。

上图显示同一段中频振幅在约 45 毫秒与 80 毫秒处有两个深谷即 2 个闭合，而其间浊音起伏形成约 5 个红色峰；下图显示包络峰计数下男性多 1.79 个且高度显著，而闭合计数下仅多 0.22 个且不显著。机制检验支持这是计数伪影：包络峰数与基频负相关约负 0.35，而闭合数与基频相关约 0.01，多记程度随基频降低而上升。语体仅有小效应，朗读更长稍慢，年龄与教育因分箱小而不解释。

扰动过滤器与检测器阈值后结论还站得住吗？

反证组织为 3 组扰动。第一组是留一库：去掉任意一个语料库，元音间 rr 仍是闭合最少、速率最慢的一组，6 次全成立，效应量在计数的 0.05 到 0.13、速率的 0.08 到 0.16 之间，去掉 TEDx 时最低。独立周期估计器复现排序且给元音间更高计数 2.07 对 1.81，说明语境效应不是漏检造成。第二组是 15 格过滤器扫描，周期性 0.30 到 0.50 乘浊音 70% 到 90%，中位数恒为 2 个闭合，语境保持中等 0.06 到 0.09，性别始终不显著，p 值在 0.07 到 0.65 之间，即使在最宽松、样本最大时零效应也不是功效不足。

第 3 组是检测器扫描，显著度 3、5、8 分贝乘阈值 0.30 到 0.50，所有阈值不低于 0.40 时六库都通过，生产点 5 分贝加 0.40 稳定且非挑选。选择性流失也单独检验：在有性别标签的 8286 候选上，女性保留 28.1%、男性 29.7%，卡方不显著，说话人层面亦然，男性候选浊音比例不更低，说明浊音规则未不成比例剔除男性。未胜出项是小库一致率偏低与词首小样本，论文未将其包装为优势，而是标为噪声大与估计暂定。

哪些边界未被评测，不能从本研究推出什么？

论文明确区分直接报告、有限解释与未验证推测。直接报告的是合格颤音的参考值与效应量，有限解释是用空气动力学兼容语境差异，未验证的是性别零效应背后的发音机制。缺失证据不是技术错误，但必须划定边界。第一，总体是按构造限定的：过滤器去掉了擦化、近音化、去浊等弱化变体，因此不能推出连读中颤音成功率，也不能把中位数 2 推广到全部 r 音。

第二，没有人工逐点基准，交叉检测器同读一段包络，不能替代专家数闭合，未来需在平衡子集上对比并随管线发布。第三，词首仅 73 个 token，方向虽稳但量级暂定，需平衡语料库补充。第四，方言、年龄、教育因样本不平衡或分箱过小未做可辩护比较，不能用总体趋势断言每组每步都成立。第五，未测量误判率、延迟与计算成本，不能承诺实时或低资源优势。相关性也不是因果，包络峰与基频相关支持混淆解释，但不等同于证明发音无差异。

复现先做什么，需要哪些代码与信息条件？

复现起点是官方管线而非重新实现。资源状态是正文开源声明的唯一依据，本次收到的两个资源均为可用状态，地址为管线仓库，状态码 200，当前可用、已公开，包含测量管线、统计脚本与补充材料。先按论文条件重放总体构造：转码为 16000 赫兹单声道，用各自对齐得到边界，按 3 类正字法加音素标签抽取候选，应用固定过滤器时长 50 毫秒到 200 毫秒、浊音至少 80%、周期性至少 0.40，低于 60 毫秒按 0 处理。

检测器用中频 500 赫兹到 3500 赫兹包络找谷，5 分贝加 40% 加合成包络 3 分贝筛选，3 毫秒到 25 毫秒内 40% 释放验证，至少 3 个闭合时做周期剔除，边界外扩 20 毫秒运行但只保留界内。统计先聚合到说话人或说话人乘语境，再做非参数检验与混合模型，效应量按小于 0.01 可忽略、0.01 到 0.06 小、0.06 到 0.14 中等、大于 0.14 大解读。还需补的验证是人工标注子集，因为一致率不等于精度。

区分代码开源与系统可运行：仓库给出流程与参数，但 6 个原始语料库需各自获取，对齐模型与补充表需按文档准备，不能把参数冻结理解为输出确定，边界抖动仍会改变计数。

何时值得尝试这套闭合计数，记住哪条误解？

当研究目标是比较不同人群、位置或语体的颤音结构，且音频含自发、噪声或对齐误差时，值得先用质量过滤器限定合格集，再用能量谷加释放验证数闭合，并用独立周期估计器检查内部一致。保留的关键超参数是时长下限有效 60 毫秒、浊音 80%、周期性 0.40、检测显著度 5 分贝与释放窗 3 毫秒到 25 毫秒，以及按说话人聚合的统计口径。

论文特有的误解是把包络峰当成闭合：峰数随基频降低而虚高，会制造男性优势的假象，直接数闭合后该效应消失，而语境效应在固定时长与换估计器后仍在，说明单位选择可以决定社会语音学结论。最终记住的边界是，2 个闭合与约 36 毫秒只刻画成形良好的浊音周期性颤音，词首估计样本小，小库一致率低，无人工基准前不谈精度，早先归因于人口学因素的颤音差异值得用闭合单位重新检验。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1

• 评分模型：muse-spark-1.3-contributor

• 评分请求协议：openai_responses

← 返回 2026-09-17 语音/音乐/音频论文速递