朗读中停顿落在哪里：同一篇短文里的声学间隙位置比较

📄 朗读中停顿落在哪里：同一篇短文里的声学间隙位置比较

英文题目：Acoustic gap placement in second-language read speech production

标签：#发音评估 | #统计分析 | #语音 | #语言习得

评分：6.5/10 | 创新 1/2 | 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 0.5/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

• Peyman Jahanbin：机构信息未能从 arXiv PDF 文本可靠映射

📌 核心摘要

同一篇固定朗读材料为比较停顿位置提供了固定分母，难点在于全局停顿总数会把出现在句读处与出现在无标点词间的间隙混为一谈。研究先用蒙特利尔强制对齐器得到词边界并计算后词起点减前词终点，对正值区间计数后按标点位置与无标点位置归类，随后用说话人与位置交叉随机截距的逻辑模型检验分组与边界类型的交互，并用强度声学确认为补充验证。在115人同一69词朗读材料250 ms阈值下，以标点位置间隙计数均值为指标，普通话组为5.56、英语组为5.47，两组基本相同。在同一115人同一69词朗读材料250 ms阈值评测设置下，以无标点位置间隙计数均值和年龄性别调整后比率为指标，普通话组3.67高于英语组0.43，对应比率为11.98。在115人同一69词朗读材料250 ms阈值交叉模型中，以组间差异交互优势比为指标，普通话组相对英语组的组间差异在无标点位置大于标点位置，交互优势比为9.44。结论只适用于该固定朗读段落的破裂流利度观测，未验证自发话语、熟练度解释与可懂度影响。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://accent.gmu.edu/ — 链接可访问（HTTP 200）

• 第三方资源：https://praat.org/ — 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

这篇论文在看什么样的语音现象

这篇论文看的是朗读英语短文时语音断掉的地方。读者可以先把朗读想象成一条连续的声音带，词和词之间有时会出现一段可测的空隙。论文把这种空隙叫声学间隙，定义是强制对齐给出的后一个词起点减前一个词终点，得到正数才算一段间隙。它不直接等同于人工听辨的无声停顿，因为里面可能混有呼吸、低电平信号，也可能是词边界放得不准。

论文把研究范围收得很窄。它只讨论话语流利度，也就是信号上能直接量到的时间特性，再往下只做其中管中断的一支，即中断流利度。认知过程是否费力、听者觉得是否流利，都不在本文证据里，因为档案录音没有加工实验数据，也没有听者评分。

话语流利度 × 中断流利度： 话语流利度指语音信号上能直接观察到的时间特性，中断流利度是其中专门管中断的一支，管停顿出现多少次、在哪里出现和累积多长；本文只做这一支，不碰认知过程效率和听者打分。

对刚入门的同学来说，关键是区分总量和位置。总量回答断了多少次、累积多长，位置回答断在短文的哪里。两个人总量相同，断点分布可以完全不同，一个多在句号逗号处，一个多在没有标点提示的词串中间。只报总量就会把这两种情况记成同一个分数。

已有研究为什么要保留停顿位置

二语流利度文献早就提醒不要只看总数。句中或从句内部的停顿曾区分过学习者和母语者，有实验显示听者对停顿位置敏感，不只是对次数和时长敏感。德容的研究发现第一语言和第二语言说话人在话语内部有差异，在话语边界处没有差异，说明组间对比可能取决于停顿落在哪里。最近还有人提出用句法距离连续地表示停顿位置，也有人把位置敏感的停顿和可理解度连起来看。

和本文最接近的是阿尔法菲等人对 10 名汉语晚双语者和 10 名单语英语者朗读北风和太阳的研究。他们从选定的标点和韵律位置出发，看停顿时长和句法复杂度的关系，说明边界级别和句法复杂度是相关的。本文换了一个互补的问法：不先挑容易停的位置，而是把全篇所有词间正向间隔都抽出来，把全部标点位置和全部非标点位置一起对比，看组间差异是铺满全篇，还是集中在可见边界，还是集中在没有可见边界的地方。

朗读在这里是一个控制手段。所有人读同样的词序和标点，每个词间位置可以直接跨人比较。标点对朗读停顿影响很大，但标点不是完整的句法或韵律标注。自发对话里选词、组句、取词、修正和互动混在一起，固定短文去掉了大部分这类变异，但代价是结论不能自动搬到自发 speech 或别的文本。

论文要回答的四个具体问题

论文围绕固定短文提出 4 个问题。第一，两组在词间声学间隙的总数和累积时长上有没有差异。第二，这种差异是否取决于位置是标点标记还是非标点。第三，非标点处的差异能不能经住阈值、邻接、文本偏离、人工抽查和声学确认等检查。第四，差异是否延伸到被标成短语内部的位置。方向性预期是汉语组和英语组的对比在非标点处更大，句法细分只算探索，不把任何位置直接当成某种认知机制的证据。

标点标记位置 × 非标点位置： 标点标记位置指前一个词带句号、逗号、冒号或分号的 7 个词间位置，非标点位置指其余 61 个词间位置；前者是有可见边界提示的地方，后者是没有可见提示的地方，两者合起来构成全篇 68 个位置的完整分母，对比才能看出差异落在哪里。

这里的位置划分完全按规范文本写死。69 个词对应 68 个词间位置，前词带句号算句末 3 处，前词带逗号冒号分号算标点内部 4 处，合计 7 处标点标记位置，其余 61 处都是非标点位置。所有人分母相同，这是后文能算机会率和做位置模型的前提。

从录音到位置计数的整体流程

输入是语音重音档案里同一诱发段落的公开录音，规范短文 69 个词。输出是每个人在标点处和非标点处的计数和累积时长，以及位置模型里的组别和位置交互估计。流程可以按一个样本理解：先按档案传记字段选人，再用英语声学模型把规范文本对到录音上得到词级时间，接着对每个相邻词对算后词起点减前词终点，保留正数作为声学间隙，按 250 毫秒和 500 毫秒两个阈值计数并归到固定边界图，最后做说话人层和位置层的统计。

选人规则写在档案页面字段上。汉语组要求母语写普通话且出生地在中国大陆，台湾、香港、澳门、新加坡或其他国家都不算满足地理规则。英语组要求母语英语且出生在美国人口普查中西部 12 州。项目语料 2026 年 3 月组建，2026 年 7 月 15 日复核 118 个项目编号，发现 mandarin11 生于台湾、mandarin12 生于新加坡、mandarin20 生于台湾，不符合大陆出生规则，在拟合任何模型前剔除。最终 115 人进入分析，汉语母语 57 人，英语母语 58 人，没有因间隙多少而增删录音。

作者资源方面，只有归属明确且当前可达的才能说已公开。语音重音档案链接当前可用，Praat 是论文提到的第三方工具，不代表作者开源。本文复现主要靠档案录音和派生数据加代码，不涉及重新发放音频。

对齐和边界图怎样把每个间隙放到位置上

对齐用蒙特利尔强制对齐器 3.3.9 版本，配英语词典和英语声学模型，对每段录音和规范文本生成词级 TextGrid。每个相邻词对算 1 次间隔，零时长记在质控输出里，最终对齐没有负间隔。达到 250 毫秒计入主分析，达到 500 毫秒计入更严分析，计入的间隙按词位置归到边界图，累积时长是每个人在相应类别里计入间隙时长的总和。

强制对齐 × 声学间隙： 强制对齐指把规范文本和录音按词逐段对上时间，声学间隙指后词起点减前词终点得到的正向间隔；对齐给出间隔的边界，间隙是被测的时间对象，边界放偏了或间隔里有呼吸都会影响解释，所以后文还要做声学确认。

边界图之外还有一层规则句法标注，把 68 个位置分成 35 个短语内、26 个无标点短语边界和 7 个标点位置。短语内包括限定词加名词、形容词加名词、复合词、不定式标记加动词、介词加宾语等连接处，短语边界是无标点但分隔较大成分的位置。标注由 1 名编码员在地理修正重分析前完成，属于粗的探索性细分，不是多编码员句法金标准，也不是韵律标注。

阈值和声学确认各防哪一种误判

阈值管的是多长的间隔才算 1 次中断。250 毫秒是二语流利度常用主阈值，500 毫秒是故意设严的敏感性阈值。阈值不同，计入事件的数量和分布都会变，所以两个都要跑。

250 毫秒阈值 × 500 毫秒阈值： 250 毫秒阈值是二语流利度常用主阈值，500 毫秒是更严的敏感性阈值；前者保留更多中断事件，后者只保留更长的事件，两处都看才能判断结论是不是靠阈值挑出来的。

声学确认管的是对齐正向间隔是否真像静音。用 Parselmouth 实现、Praat 算法算强度，最小基频 100 赫兹，低于录音 99 分位最大强度 25 分贝以上的帧判为静音帧。每人算间隙平均强度和本人 speech 中位强度的差，只有间隙平均强度比本人 speech 低至少 10 分贝且至少 1/2 区间被判静音，才算保守确认的静音。标准独立于对齐器内部的静音判断，但区间边界本身来自对齐。主计数模型和机会模型都会用仅确认静音重跑一遍。人工抽查是另一路，用 Praat 听 10 段覆盖两组、两类位置和典型与 flagged 情形的区间，区分有没有可听间隙和词边界放得准不准，其中一段属于后来被地理规则剔除的 mandarin11，最终样本人工小结是 9 段。

本研究没有训练模型，实际计算是什么

本研究没有训练神经网络，也没有更新声学模型参数。对齐用的英语声学模型和词典是现成调用，Whisper large-v3 只做辅助文本偏离筛查，不做替换文本也不当地面真值。统计部分是拟合回归和混合模型，不是梯度训练，因此不存在冻结层、梯度路径或重置状态的说法。

实际计算分三块。第一块是信号和对齐计算，得到每人 68 个位置的二值结果和计数时长。第二块是说话人层回归，计数用泊松回归，泊松离散统计量超过 1.5 改用负二项，累积时长因右偏和大量零值取 log1 加秒后用最小二乘加 HC3 稳健标准误，协变量只有组别、年龄和性别。

第三块是位置层和机会层推断，交叉随机效应逻辑模型每人贡献 68 个观测，固定效应是组别、边界类型、交互、标准化年龄和性别，随机截距是说话人和段落位置，用最大似然加拉普拉斯近似估计，聚合机会模型每人两行表示 7 个标点机会和 61 个非标点机会，用按人聚类的标准误。显著性取双侧 0.05，焦点是 250 毫秒组别乘非标点的交互，其余是敏感性和探索，不做多重校正。

样本构成和质控条件

下面这张表回答比较是在什么样本上做的。两组人数接近，英语组平均年龄更大，录音总时长汉语组更长。表前需要点明公平条件：所有人读同一短文，机会数相同，年龄性别只做协变量调整，档案里自报的英语起始年龄、学习方式、居住史和其它语言不足以做标准化能力协变量。

上表说明比较问题是两组基线是否可比，公平条件是同文同分母，指标方向是人数和时长只做描述。结果是汉语组录音更长、名义语速更慢，但论文明确不把总时长解读为发音速率，年龄性别调整也不等于控制了水平和录音条件。限制是样本是按规则穷尽的项目语料，不是概率抽样，也不是档案的实时普查。

质控方面，115 份 TextGrid 都对上 69 词规范序列，无缺词多词层，无负间隙。Whisper 筛查在开和关语音活动检测两种设置下分别跑，取两种设置下被判严重偏离记录的并集，共 4 条，编号是 english361、mandarin24、english204 和 english95，地理修正后剔除这 4 条剩 111 人做敏感性分析。这个并集写法很重要，不是两种设置同时判严重才剔。音频检查没有过短过长或削波标记。

总数相近但位置分布不同

读这张描述表时先看比较问题：在同样 68 个位置里，两组多出来的间隙落在哪里。公平条件是同一阈值同一边界图，指标方向是计数和秒数越大表示中断越多。

上表的主要收益是位置 specificity：250 毫秒标点均值 5.56 对 5.47 几乎相同，非标点均值 3.67 对 0.43 拉开，500 毫秒仍是标点 2.75 对 2.55 相近、非标点 1.54 对 0.09 拉开。换成机会率，250 毫秒非标点平均使用率汉语 6.01%，英语 0.71%，500 毫秒是 2.53% 对 0.14%，这些百分比只是描述机会使用，不是另 1 次推断。中位数和四分位也一样，汉语非标点中位 2，四分位 0 到 6，英语中位 0，四分位 0 到 1。累积时长同样，汉语非标点平均 1.91 s，英语 0.18 s。代价是总量率比 1.67 会掩盖结构，因为它是标点附近 1 和非标点 11.98 的加权合成，只报总量会低估位置特异性。

位置模型把说话人和位置异质性都扣掉后结论不变。250 毫秒组别乘非标点交互 b 为 2.25，优势比 9.44，95% 置信区间 5.23 到 17.02，标点处组别主效应优势比 1.31 不显著。500 毫秒交互优势比 20.30，区间 7.44 到 55.41。年龄性别调整的计数率比是全部 1.67、标点 1.03、非标点 11.98，区间 6.53 到 22.00。时长模型非标点 log1 加秒系数 0.74 显著，标点 0.06 不显著。机会模型交互优势比 9.50，标点主效应不显著，两条路线互相印证。

声学确认和邻接剔除是否改变结论

这一节回答检查针对哪种失败模式。阈值依赖用 500 毫秒重跑，局部集中看非标点间隙是否只来自一两个词对，位置错位看标点邻位和人工边界，假静音看声学确认，文本偏离看 Whisper 筛查。

非标点间隙在 250 毫秒出现在 56 个不同位置，500 毫秒出现在 37 个位置，不是单个词对重复造成。去掉所有紧邻标点位置的非标点位后，250 毫秒均值仍是汉语 3.21 对英语 0.36，调整系数 b 为 2.54 显著，500 毫秒 1.25 对 0.09，b 为 3.77 显著。剔除 4 条严重偏离后剩 111 人，250 毫秒非标点系数 b 为 2.66，标点仍近零，说明偏离规范朗读不能解释主对比。9 段最终样本人工抽查都有可听间隙，6 段词对映射清晰，3 段有真实间隙但 TextGrid 词边界放得不准。

声学确认的数字是地理修正样本共 868 个 250 毫秒间隙，634 个标点、234 个非标点，中位强度下降分别是 23.3 dB 和 22.5 dB，中位静音占比 1.00 和 0.96，保守标准确认 568/634 标点和 195/234 非标点，非标点确认率英语 88.0%，汉语 82.8%。只用确认静音重跑，非标点计数率比 11.30，机会交互优势比 13.96，主对比保留。标点无差异也不是天花板假象，两组平均用掉 7 个标点机会里的 5.47 和 5.56，各有 19/58 和 20/57 人用满 7 处，不少人至少空一处。

短语内部的间隙说明什么，不说明什么

短语细分是探索，不是确证。209 个汉语组 250 毫秒非标点间隙里 101 个落在短语内，占 48.3%，其余 108 个在无标点短语边界。每人短语内均值汉语 1.77，英语 0.07，秩和检验显著，均值比 25.7，汉语 57 人里 32 人至少产出 1 个短语内间隙，英语 58 人里只有 4 人共 4 个。

短语内位置 × 短语边界： 短语内位置指限定词加名词、形容词加名词、复合词、不定式标记加动词、介词加宾语这类短语内部连接处，短语边界指无标点但分隔较大成分的位置；前者更不该断，后者相对可断，把非标点类再细分才能看中断是否深入到短语里面。

这个结果说明非标点对比不只限于大成分之间的无标点边界，可见标点和大边界不能穷尽分布。但限制很硬：英语端贴地板，只有 4 个事件，均值比作为一般比较量不稳定；标注是单编码员二分规则，不表示 graded 句法距离或韵律成分。论文因此只说与位置和句法敏感流利度思路相容，不建立群体句法加工差异。

结论在什么条件下才成立

结论成立的条件要连着任务一起记。第一，固定短文朗读，69 词 68 个位置，标点词序恒定，才能谈位置。第二，115 份公开录音的年龄性别调整关联，不是因果效应，没有控制水平、阅读经验、教育、朗读熟悉度和录音条件，没有汉语基线和被试内跨语言比较。第三，间隙是强制对齐定义的声学间隙， aggregate 结果经保守声学标准仍在，但不等于人工语音学地面真值。第四，没有听者判断，不能推感知流利度、可理解度和可懂度。

第五，单篇短文标点词汇句法都特殊，单编码员细分和 9 段人工抽查覆盖有限，Whisper 筛查只是辅助，不能逐词证明规范产出。第六，样本是组建日期下按规则穷尽的项目语料，档案持续更新，不代表 3 类人群的患病率式估计。

容易误解的地方用一段话说清。录音更长不解释为什么断在那里，总量差异大不等于到处都多，标点处相近不等于两组朗读完全一样，非标点多也不等于能力差或听感差。相关不等于因果，缺证据不等于技术有错，只是那部分还没测。

要复现第一步做什么，需要哪些材料

复现第一步是按同样传记规则找回这批人。去语音重音档案按母语和出生地筛，汉语要求母语普通话加大陆出生，英语要求母语英语加中西部 12 州，核对公开编号、年龄性别和页面链接，剔除台湾新加坡等不符合地理规则的记录，再确认 69 词规范文本和 68 位置边界图与附录一致。关键超参数和信息条件是阈值 250 毫秒主分析加 500 毫秒敏感性，对齐器版本词典声学模型、强度最小基频 100 赫兹、静音门限低于 99 分位最大 25 分贝、确认门限低 10 分贝加一半静音、离散超 1.5 换负二项、位置模型双侧 0.05。

接着跑词级对齐算后词起点减前词终点，归类计数累积时长，拟合说话人层、交叉随机效应位置层和机会模型，再跑邻接剔除、严重偏离并集剔除和仅确认静音。派生数据边界标注模型输入输出和 R 代码在附件 S2 和 S3，原文说接受后还会存开放科学框架并补 DOI。代码开源、权重可下载、系统可运行要分开看，这里是档案录音可用、第三方 Praat 可用、作者派生包随文提供，没有训练权重可言。

什么时候值得尝试，还缺哪项验证

当你的任务也是固定文本朗读评估，想在总量之外保留中断落在哪里时，这套标点对非标点全篇对比值得尝试。它实现简单可审计，先建立主位置不对称，再做短语内细化，比直接上连续句法距离更易复现。多篇短文、自发任务、标准化水平读写史和听者评分齐了之后，可以检验位置指标在总数时长语速之外是否多解释感知流利度和可理解度，被试内跨语言或跨任务设计能进一步分开稳定风格和任务二语 timing。

一句话收束：在这批固定短文录音里，两组差异主要在非标点位置的间隙频次和累积时长，不在标点边界，结论经阈值邻接文本和声学检查仍在，短语内结果是探索；它支持位置敏感测量作为中断流利度的可复现维度，但不确定成因、水平差异和听感后果。

⚖️ 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 2026-10-11 语音/音乐/音频论文速递