英文题目：A Native-Reference Phone-Class Geometry for Second-Language Pronunciation Analysis
标签：#语音属性识别 | #自监督学习 | #语音 | #语音学与音系 | #教育
评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Tina Raissi：机构信息未在 arXiv HTML 中可靠披露
- Nhan Phan：机构信息未在 arXiv HTML 中可靠披露
- Chenxiao Wang：机构信息未在 arXiv HTML 中可靠披露
- Mikko Kurimo：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
输入为二语学习者自发或朗读语音及其转写与强制对齐边界，输出为相对母语参考的发音偏离距离，难点在于自发语音无固定题面和无平行母语录音，且后验峰值化难以解释对齐与声学模型失配。先对自监督表示按上下文相关音素类求质心形成质心矩阵，其输出减去母语均值后进入下一步，随后对母语质心矩阵做截断奇异值分解构建低维基准并将单句二语质心投影到该基准，最后对匹配音素类计算坐标距离并聚合为句级分数。与基于似然的发音优度和动态时间规整相比，该机制直接比较连续表示几何而非后验分布，且不要求相同文本的平行录音，具有无需标签和题面的实际意义。在S&I Train评测设置下，SVD投影的欧氏距离的Spearman ρ为-0.52，低于全空间的Spearman ρ -0.50。在Speak and Improve 2025自发语料Dev集下偏离距离与综合能力呈负相关（ρ=-0.53，r=-0.53），在UME-ERJ朗读集上与发音分同样呈较弱负相关（ρ=-0.34，r=-0.37），说明距离越小说得分越高。该结论在整体口语与朗读发音之间外推仍受限，短句质心不稳定且难以剥离流利度与覆盖度影响。SVD投影将计算量从2520秒降至8秒，但原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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：要解决的口语评分缺口在哪里？
本文的输入是二语学习者的语音和人工评分，目标是得到可解释的发音偏离度量。自动口语评分系统已经可以给出综合熟练度分数，这类分数把流利度、发音、用词和语法等多个维度压缩成一个数字。对于学习者而言，只知道总分不够，需要知道发音环节具体偏离母语实现多远。论文要补的正是这一环：不训练一个预测分数的回归器，而是构造一个几何空间，让每条二语话语与母语参照之间的距离可以直接与人工评分做单调关联分析。
需要保留的关键信息条件是：方法不要求发音标签，不要求朗读题干已知，不要求母语者和学习者读同一文本。这一点决定了它与传统方法的适用边界。传统发音优度需要已知朗读内容，再用声学模型的似然或后验评价每个音段；动态时间规整类方法需要母语与二语录制相同句子才能对齐比较。自发口语中存在停顿、重复和发音变异，转写和对齐本身就不可靠，因此论文把问题重新表述为：在没有配对文本的条件下，如何定义可比较的发音单位，并在统一坐标系中度量偏离。
输出是一个话语级距离：数值越小表示该话语的音素类实现越接近母语参照，预期与人工评分呈负相关。负号的方向很重要，因为评分越高表示水平越高，而距离越小表示越接近母语，所以好的度量应该随评分升高而下降。论文用斯皮尔曼等级相关和皮尔逊线性相关报告这种关联，并在最终评估中同时给出偏相关和自助置信区间，用来说明关联不是由单一混杂因素完全解释，也不是跨零的不稳定结果。
已有路线为什么在自发语音上不好用？
第一条相关路线是基于似然或后验的发音评价。白话说，就是先用声学模型判断每 1 帧像哪个音，再看目标音的概率够不够高。英文名是发音优度，缩写为发音优度评分。这类方法在朗读场景很自然，因为题干已知，只要把语音强制对齐到预期音素序列，就能取出每个音的证据。但在自发语音中，文本需要自动识别得到，识别错误会污染对齐；即使文本正确，基于联结时序分类的帧级模型输出往往很尖锐，空白标签的角色也让帧级后验难以直接解释为发音证据。
第二条路线是直接比较母语与二语的声学序列，例如用动态时间规整先对齐再算距离。这条路线保留了连续表示的信息，但在论文讨论的设定下要求双方读同一文本，且对不流利现象敏感。自发语音的停顿和重复会拉长或打断对齐路径，使得距离既反映发音又反映流利度，难以分离。
第三条路线是研究自监督语音模型编码了什么语音信息。已有工作显示，按音素对齐切分后取出的表示包含上下文相关音素信息，甚至超出中心音素而带有更宽的上下文。但这些发现本身没有给出可用于评分的度量。本文的定位是承接第三条路线，补上从表示到评分的几何构造，并用第一和第二条路线的困难来解释设计选择：保留连续表示比较，但把比较单位从整句改为上下文相关音素类，把配对比较改为语料级母语参照。
强制对齐 × 发音优度： 强制对齐负责在已知文本或自动转写下给出每帧属于哪个音素，发音优度负责用声学模型的似然或后验来评价该音段发得好不好，二者搭配的原因是传统朗读评分需要先知道哪里是哪个音再评价似然高低，组合的局限是自发语音中转写和对齐不可靠，且峰值化输出和空白标签会让帧级后验难以解释，因此本文转向直接比较连续表示。
问题如何形式化：比较谁和谁，在什么坐标系中？
形式化地说，设母语语料给出若干音素类，每个类有一个中心向量；二语的每条话语也给出它实际出现的音素类中心。问题是两边的文本内容不同，话语长度不同，直接比较帧序列没有共同基准。论文的做法是先在母语侧建立一个固定坐标系，再把所有二语话语投影到同一坐标系，只比较同名音素类。
举一个教学用的例子，不代表论文数据：假设某条二语话语出现了三音子类别，中心音是元音，左邻是鼻音，右邻是塞音。母语语料中同一个三音子类别有一个语料级平均实现。二语话语中该类别也有一个话语级平均实现。例子到此为止，真实计算需要回到下文的帧平均、去均值、投影和距离聚合步骤。关键约束是：比较只发生在交集类别上，即母语和当前二语话语共有的音素类；母语全局均值和投影基对所有二语话语固定不变。
评价方式也需要形式化。论文不训练模型去拟合评分，而是计算话语级距离后，用斯皮尔曼相关度量距离与人工评分的单调关联，用皮尔逊相关作为线性关联的补充。在自发口语数据上，人工评分是综合熟练度；在朗读数据上，人工评分是发音质量。因此同一个距离在 2 个任务上的含义不同，前者混有流利度和内容因素，后者更贴近发音，这一点在解读相关强度时必须分开。
方法全景：从一句话语走完到距离输出
沿一条二语话语走一遍全流程，有助于建立学习依赖。输入是一段语音波形和它的音素转写或对齐结果。先用自监督语音模型的编码器抽取帧级表示序列，论文在不同任务上选用语音表示模型编码器的不同层。接着按强制对齐得到的每帧音素标签，把帧划分到上下文相关音素类中，对每个类求平均得到音素类中心。母语侧同样求中心，但它是在整个母语语料上池化，得到语料级估计。
然后进入坐标系构造。把母语中心矩阵做中心化，再做截断奇异值分解，保留前若干个方向作为母语参照基。母语每个音素类的坐标就是它在该基下的投影。二语侧把话语级中心向量减去同一个母语全局均值，再乘以同一投影基，得到二语坐标。最后只取双方共有的音素类，对每个共有类计算母语坐标与二语坐标之间的距离，再聚合成话语级距离。距离度量在欧氏距离、余弦距离和对角马氏距离之间选择。
这个流程中有 3 个不变式需要记住。第一，母语均值和基一旦由母语语料确定，就不再随二语话语改变。第二，二语矩阵是话语级的，只包含当前话语出现的类别。第三，聚合只在交集上进行，因此每条话语的比较类别数量不同，短句的估计更不稳定。理解这三点后，再看具体公式和实现选择就不会迷失。
组件一：帧表示如何按音素类折叠成中心？
帧表示是编码器某一层输出的序列，每帧是一个高维向量。音素类是把中心音素加上上下文后定义的类别，二音子只加左邻，三音子同时加左右邻。论文把全部类别记为一个集合，对齐序列告诉每 1 帧属于哪个类。对某个类，把属于它的帧向量求算术平均，就得到该类的中心。白话说，中心就是这个音在特定上下文中的典型实现。
平均有两种策略，需要区分。中心单元平均只用对齐到中心音素的帧；全单元平均把整个上下文相关单元的帧都池化进来，包括邻音部分。前者更纯粹地对应中心音，后者包含更多上下文证据。论文在自发任务和朗读任务上选了不同组合，最终配置是自发任务用三音子加全单元平均，朗读任务用二音子加中心单元平均。选择依据是在训练划分上搜索距离度量、编码器层和分解秩后的最佳配置，而不是事先假定哪种一定更好。
电话集处理也有具体动作：采用 ARPAbet 音素，把带重音的变体合并为同一类，共计 39 个音素加一个静音标签。除提供人工对齐的语料外，其余语料的音素切分用基于卷积增强 Transformer 的因子化隐马尔可夫模型强制对齐得到，该对齐模型在小规模语料子集上训练。数据准备用语音处理工具包，对齐用语音识别工具包实现。
音素类中心 × 自监督表示： 音素类中心负责把属于同一上下文相关音素类的多个帧折叠成一个可比较的均值向量，自监督表示负责提供每 1 帧的声学语音编码，二者搭配的原因是直接比较帧序列会被时长和语速干扰，而先编码再按类平均可以把比较单位固定到语言学可解释的音素上下文上，组合后得到的是每个音素在特定上下文中的典型实现。
组件二：母语中心矩阵如何变成低维坐标系？
把母语所有音素类中心按行堆叠，就得到母语中心矩阵。每一行对应一个音素类，每一列对应表示空间的一个维度。由于不同音素类的绝对位置包含公共偏移，先计算全局母语均值向量，再从矩阵中减去它，得到中心化矩阵。这一步保证后续分解捕捉的是类别之间的差异，而不是整体偏置。中心化公式是原文给出的关键计算之一，符号含义是母语中心矩阵减去全 1 向量与全局均值转置的外积。
\[\text{\(\bar{M}_{\lx@scalerel@obj{\text{nat}}}\)}=\text{\(M_{\lx@scalerel@obj{\text{nat}}}\)}-\mathbf{1}\bar{\mu}^{\top}_{\text{nat}}\]得到中心化矩阵后，做秩为 K 的截断奇异值分解。分解给出左奇异向量、奇异值对角阵和右奇异向量。右奇异向量的列构成母语参照基，它们是原表示空间中的标准正交方向，按解释的类别间方差从大到小排列。秩 K 控制保留多少母语声学语音变化。母语参照坐标矩阵等于左奇异向量乘以奇异值，每行是一个母语音素类在该基下的坐标。
\[\footnotesize\text{\(\bar{M}_{\lx@scalerel@obj{\text{nat}}}\)}\approx U\Sigma V^{\top},\hskip 8.50012ptU\in\mathbb{R}^{|\text{\(\mathcal{P}_{\lx@scalerel@obj{\text{nat}}}\)}|\times K},\;\Sigma\in\mathbb{R}^{K\times K},\;V\in\mathbb{R}^{D\times K},\]二语侧的计算是对齐到同一坐标系的关键。对于第 r 条二语话语，先同样构造话语级中心矩阵，再减去同一个母语全局均值，然后右乘母语投影基，得到二语坐标矩阵。公式上可以写成二语中心矩阵减均值后再乘基矩阵。随后只保留交集类别，对每个共有类别计算母语坐标与二语坐标的距离，再聚合成话语级分数。欧氏距离看直线长度，余弦距离看方向差异，对角马氏距离则按维度做方差归一。
母语参照基 × 二语投影坐标： 母语参照基负责用母语中心矩阵的奇异值分解方向定义低维坐标系，二语投影坐标负责把二语话语的中心向量减去母语全局均值后再投影到同一组基上，二者搭配的原因是只有共享同一均值和同一基，母语与二语的同名音素类坐标才可以直接相减，组合意义在于把发音偏离转化为坐标系内的距离。
没有训练的阶段：什么被估计，什么被冻结？
本研究没有训练神经网络去预测熟练度或发音分数，这一点必须明确。编码器是已有的自监督模型，论文只调用它抽取固定层的表示，不更新其参数。需要估计的量只有母语侧的统计量：每个音素类的语料级中心、全局均值向量，以及中心化矩阵的截断奇异值分解。分解秩在自发任务和朗读任务的最佳配置中取 32。没有梯度路径，没有优化器，没有按评分做监督更新，也没有在距离上拟合回归权重。
真实计算过程分为构造和推理两段。构造段只用母语语料：抽取帧表示，按对齐求类中心，堆叠成矩阵，去均值，做分解，保存均值向量和投影基。推理段对每条二语话语独立进行：抽取帧表示，按该话语的对齐求话语级中心，减去已保存的母语均值，投影到已保存的基，计算与母语同名坐标的距离并聚合。母语侧一旦构造完成就冻结，所有二语话语共享同一均值和基，这是保证跨话语可比的前提。
还需要说明监督来源和重置时机。评分只用于事后计算相关性，不进入任何参数估计。对齐所需的声学模型是外部已训练的因子化隐马尔可夫模型，论文没有报告重新训练它的细节，也没有报告用评分反传更新对齐的步骤。因此复现时应把编码器和对齐器都视为固定调用，把可调的搜索空间限定在音素类粒度、平均策略、编码器层、分解秩和距离度量上，并在训练划分上选择后再到开发集和朗读集做最终评估。
实验条件：用了哪些语料、划分和选择流程？
母语参照语料各取 4 小时，分别来自朗读句子库、朗读音频书子集和母语朗读学习者语料中的母语部分。三者在风格上不同：音频书是连续朗读，学习者语料是受控单句朗读，平衡语料提供音素平衡的朗读并带有真实音素切分。为可比性，平衡语料包含 630 名说话人，音频书子集也采样 630 名说话人，而学习者语料的母语部分只有 20 名说话人。
二语侧用自发口语语料的训练和开发划分，以及日语学生英语朗读的学习者子集。自发语料的训练划分只用带人工转写的话语；朗读语料的母语和学习者部分只用句子分区。自发任务按 4 个熟练度评估任务分别算相关再平均，朗读任务按已有工作的分数聚合方式处理每句多名说话人和多名评分者的情况。相关系数在自发任务上对照综合熟练度，在朗读任务上对照发音分数。
模型与配置选择流程是：以音频书 4 小时子集为母语参照，在自发训练集和朗读学习者集上选择最佳距离度量、编码器层和分解秩。自发任务用编码器第 6 层，朗读任务用第 12 层。测试场景报告自发开发集配音频书参照，以及学习者配母语朗读参照的最佳配置组合。最佳配置包括分解秩 32，自发用三音子加全单元平均，朗读用二音子加中心单元平均。基线覆盖非声学和声学两类，非声学包括词数、语速和匹配音素类覆盖，声学包括静音比例、识别错误率和需要配对录音的动态时间规整。
当前可用性需要按本次收到的资源状态说明。本次没有发现来源绑定且完成网络状态验证的资源，因此不得声称代码、模型或数据已公开。原文虽提到提供实验源代码，但本次未能确认其可达性，复现应以论文描述的语料、工具和参数为准。
主结果之前：非声学因素本身就与分数强相关
在看母语参照距离之前，需要先确认混杂因素的强度，否则会把流利度和长度效应误读为发音效应。自发口语中，词数、语速和匹配音素类覆盖都与综合评分呈较强的正相关，量级在 0.5 到 0.6 附近。这符合直觉：水平更高的说话人往往说得更长更流畅，用词更多，因而当前话语实际出现的音素类也更多，与母语参照的交集更大。而在朗读任务中，同样特征呈弱相关甚至负相关，因为朗读文本固定，评分针对发音质量，长度和覆盖不再是水平信号。
| 条件 | 指标方向 | 自发训练集 | 自发开发集 | 朗读学习者集 |
|---|---|---|---|---|
| 词数 | 越大越熟练 | 0.55 | 0.57 | -0.20 |
| 语速 | 越大越熟练 | 0.54 | 0.52 | 0.13 |
| 匹配二音子覆盖 | 越大越熟练 | 0.60 | 0.62 | -0.23 |
| 匹配三音子覆盖 | 越大越熟练 | 0.60 | 0.62 | -0.22 |
上表整理自发与朗读任务的非声学基线，数值越大表示与人工评分的一致性越好。表后需要强调的代价是：任何在自发任务上与长度或覆盖相关的度量，都可能间接搭上这部分相关。母语参照距离的话语级聚合只在交集上进行，交集大小本身就与水平相关，因此后续必须用偏相关来剥离这部分影响，不能只看原始相关就断言捕捉到纯发音信息。朗读任务的弱相关反例说明，同一特征跨任务不可迁移，解读时必须绑定任务和评分定义。
原始相关 × 偏相关： 原始相关负责报告母语参照距离与人工评分之间的单变量单调关联，偏相关负责在控制匹配音素类数量和静音比例等变量后重新计算关联，二者搭配的原因是自发口语中高水平者本身说得更长更连贯，偏离距离可能间接编码了这些因素，组合后可以区分声学语音信息之外的额外贡献。
声学基线与最终距离：配对方法强但不可用，本文方法可部署
声学基线进一步划清边界。在自发任务上，静音比例呈负相关，尤其用对齐得到的静音比用语音活动检测更强，量级接近负 0.6，说明停顿是综合评分的重要成分。识别错误率呈中等负相关。需要配对录音的编码器动态时间规整在朗读任务上达到负 0.5 左右，但它要求母语与二语录制相同文本，因此不适用于自发任务。母语参照距离的价值正在于不需要配对录音，也能给出可比的声学语音偏离。
| 条件 | 特征 | 自发训练集 | 自发开发集 | 朗读学习者集 |
|---|---|---|---|---|
| 静音 | 语音活动检测静音比 | -0.36 | -0.41 | 0.10 |
| 静音 | 对齐静音比 | -0.60 | -0.57 | -0.07 |
| 识别 | 词错误率 | -0.22 | -0.20 | -0.24 |
| 编码器 | 均值距离 | 不适用 | 不适用 | -0.20 |
| 编码器 | 配对动态时间规整 | 不适用 | 不适用 | -0.50 |
上表比较声学基线的方向与强度，数值越负表示与熟练度或发音质量的一致性越好。表后要指出具体代价与反例：对齐静音在自发任务上甚至强于本文主距离，说明流利度本身就是强信号；配对规整在朗读上强，但部署条件苛刻。本文方法在自发开发集上报告皮尔逊与斯皮尔曼均为负 0.53，在朗读学习者集上报告皮尔逊负 0.37、斯皮尔曼负 0.34，偏相关在控制匹配类数和静音比后分别降至负 0.19 和负 0.27，且自助置信区间完全位于零以下。原文报告这些相关均具有统计显著性。绝对值 0.3 左右对人工评分关联已有意义，0.5 左右属于较强，但与在标签上训练的监督系统约 0.83 仍有差距，后者可用发音之外的信息。
| 评估任务 | 母语参照 | 匹配类数范围 | 皮尔逊 | 原始斯皮尔曼 | 偏斯皮尔曼 | 置信区间 |
|---|---|---|---|---|---|---|
| 自发开发集 | 音频书 4 小时 | 99 到 394 | -0.53 | -0.53 | -0.19 | -0.56 到 -0.49 |
| 朗读学习者集 | 母语朗读 | 22 到 54 | -0.37 | -0.34 | -0.27 | -0.37 到 -0.31 |
上表是最终评估的核心数字，指标方向是越负越好。表后解释新增信息：自发话语的匹配类数远多于朗读短句，前者每条近百到近 400 类，后者每条仅 22 到 54 类，因此朗读的话语级中心更不稳定，相关较弱符合预期。偏相关下降说明距离确实编码了覆盖和停顿因素，但残留的负相关支持它还捕捉到额外变化。朗读任务每条由至多 5 名评分者评价，评分者之间平均成对斯皮尔曼约 0.50，这也限制了任何自动度量可达到的上限。
反证与消融：边界误差、参照语料和投影空间是否关键？
第一个反证是电话边界扰动。计算二语中心时，保持音素序列不变，只用零均值高斯噪声随机平移边界，标准差从 0 到 120 毫秒变化。结果是扰动越大，与熟练度的负关联总体越弱，但三音子比二音子更稳健，全单元平均比中心单元平均在较大扰动下保持得更好。无扰动时两种三音子策略几乎相同，大扰动下全单元平均的优势显现。最佳配置下，相关性能承受至多约 60 毫秒的随机边界偏移而保持相对稳定。
| 类别 | 平均策略 | 0 毫秒 | 20 毫秒 | 40 毫秒 | 60 毫秒 | 80 毫秒 | 120 毫秒 |
|---|---|---|---|---|---|---|---|
| 二音子 | 中心单元 | -0.46 | -0.45 | -0.42 | -0.36 | -0.30 | -0.17 |
| 二音子 | 全单元 | -0.51 | -0.50 | -0.47 | -0.41 | -0.33 | -0.19 |
| 三音子 | 中心单元 | -0.55 | -0.55 | -0.52 | -0.48 | -0.42 | -0.29 |
| 三音子 | 全单元 | -0.56 | -0.56 | -0.54 | -0.51 | -0.46 | -0.34 |
上表是在自发训练集上用余弦距离得到的扰动曲线，数值越负表示与熟练度越一致。表后要说明代价：该对照只扰动二语侧边界且固定音素序列，没有测试转写错误或插入删除的影响，因此不能推广为对识别错误的鲁棒性。全单元平均更稳健的可能原因是池化了更多帧，平滑了边界偏移，但这也意味着它混入更多邻音信息，对纯中心音的解释性有所稀释。
第二个对照是母语参照语料与距离度量。在自发训练集和朗读学习者集上，3 个母语参照都给出负相关，说明效应不绑定单一参照语料。音频书 4 小时参照在两项任务上都是最佳，自发用余弦距离达负 0.56，朗读用对角马氏距离达负 0.28。朗读短句观测到的类别少，话语级中心噪声更大，整体相关弱于自发任务。未胜出项也应保留：平衡语料和母语朗读参照的相关较弱，朗读任务的余弦距离明显弱于欧氏和马氏距离。
| 母语参照 | 自发欧氏 | 自发马氏 | 自发余弦 | 朗读欧氏 | 朗读马氏 | 朗读余弦 |
|---|---|---|---|---|---|---|
| 平衡朗读 | -0.44 | -0.43 | -0.51 | -0.25 | -0.26 | -0.13 |
| 音频书 4 小时 | -0.52 | -0.51 | -0.56 | -0.27 | -0.28 | -0.13 |
| 母语朗读 | -0.35 | -0.32 | -0.48 | 缺失 | 缺失 | 缺失 |
上表比较不同母语参照与距离度量的组合，越负越好。表后补充投影空间对照：与全空间和随机投影相比，奇异值分解子空间在自发任务的欧氏和马氏距离上最优，在朗读任务上与全空间差距在 0.01 以内，而随机投影可作为信息存在性的 sanity 检查。原文还报告用梅尔倒谱系数替代自监督特征会大幅削弱相关，用单一口音组构造参照影响较小；分解子空间把计算从 2520 秒降至 8 秒，约 315 倍加速。未报告的是推理延迟与帧率，总体加速不等于每条话语的实时性承诺。
三音子 × 全单元平均： 三音子负责把中心音素加上左右邻音一起定义类别，全单元平均负责在求该类中心时把整个上下文相关单元的帧都池化进来，二者搭配的原因是上下文越完整则类别越细且帧数越多，组合意义在于用更宽的声学证据平滑边界误差，实验中该组合在边界扰动下保持相关性更稳定。
边界在哪里：相关性能说什么，不能说什么？
第一个边界是评分定义的混杂。在自发任务上，人工评分是综合熟练度，发音、流利度和音素覆盖相互关联，难以把观测到的关联唯一归因于发音。论文用朗读任务补了一块拼图，因为那里的评分专门针对发音质量，但朗读是受控短句，话语级中心不稳定，且每条观测类别少。偏相关分析也显示，控制匹配类数和静音比后，自发任务的负关联大幅下降，说明距离隐含编码了这些因素，残留部分才可能对应额外声学语音变化。
第二个边界是表示内容的不可保证性。坐标由自监督表示驱动，而这类表示可能同时编码说话人特性、口音和录制条件，没有理论保证坐标只含语音信息。论文没有测量误判率、延迟或成本，也没有验证在不同录音设备和噪声下的稳定性，因此不能承诺这些量得到改善。相关性也不是因果，不能说拉近距离就一定提高人工评分。
第 3 个边界是对切分和转写的依赖。方法虽不使用声学模型的似然或后验，但仍需要强制对齐得到的音素切分，因而需要转写文本。自发任务训练划分只用人工转写，实际部署若用自动转写，误差会同时影响类别划分和边界位置，而扰动实验只覆盖边界平移，没有覆盖序列错误。复现时应把转写质量作为独立变量记录，而不是默认对齐正确。
复现先做什么：按原文重放最小链路
复现的第一步是准备数据划分。母语侧各取 4 小时，注意平衡语料与音频书子集的说话人数可比性，以及母语朗读部分说话人数少的特点。二语侧区分自发训练、开发和朗读学习者，自发训练只保留人工转写话语，朗读只取句子分区。自发任务按 4 个子任务分别算相关再平均，朗读任务沿用已有工作的分数聚合，不要自行改聚合口径。电话集把重音变体合并为 39 个音素加静音，保持与原文一致。
第二步是固定调用链。用语音工具包做数据准备，用识别工具包做强制对齐；除平衡语料用真实切分外，其余用因子化隐马尔可夫模型对齐。抽取语音表示模型指定层的帧表示，自发用第 6 层，朗读用第 12 层。按二音子或三音子定义类别，按中心单元或全单元平均求中心。
母语侧堆叠、去均值、做秩 32 截断奇异值分解并保存均值和基；二语侧逐条减同一均值、乘同一基，只在交集类别上算距离并聚合。距离度量、层数和秩先在训练划分上选择，再锁定到开发和朗读评估。
第三步是报告口径。主指标用斯皮尔曼相关，辅以皮尔逊相关；最终评估加报控制匹配类数和静音比的偏相关，以及原始相关的自助置信区间。基线至少复现词数、语速、匹配覆盖、静音比和识别错误率，朗读部分可加配对动态时间规整作为不可部署的上界参照，但不得用它替代可部署收益。硬件预算按原文交代，原文致谢计算资源支持，但未给出逐步耗时与帧率，复现时应补测推理开销并区分总耗时与实际延迟。
何时值得尝试这个几何，还需补哪项验证？
当任务允许获得音素对齐但拿不到配对母语录音时，这个几何值得尝试。典型情况是自发口语评估：没有朗读题干，无法做逐句配对，但仍希望有一个可解释的发音偏离特征。它不输出分数，而是输出距离，适合作为现有监督评分系统的附加发音特征，而不是替代总分模型。朗读短句场景也可尝试，但要接受每条观测少、估计噪声大的代价，必要时在说话人或句子级别做更稳的聚合。
选择配置时优先复现原文的最佳组合：自发用三音子加全单元平均配余弦或欧氏距离，朗读用二音子加中心单元平均配对角马氏距离，分解秩从 32 起步，母语参照优先考虑风格多样的连续朗读语料。不要把搜索最优直接当作部署收益，任何在训练划分上挑出的度量和层数都应在锁定后的 1 次最终评估中报告。
还需补的验证包括：自动转写下的端到端表现、跨录音条件和跨母语背景的稳定性、与人工发音错误标注的一致性，以及作为附加特征加入监督系统后的增益与成本。只有补上这些，才能把当前的相关性证据推进为可部署的发音反馈依据。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 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