英文题目：Deep Supervised Contrastive Learning of Pitch Contours for Robust Pitch Accent Classification in Seoul Korean
会议身份：
conference:acl:2026:conference-paper-id:2026.acl-long.1838
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#数据集 #对比学习 #韵律 #语音 #音频分类
评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5
排名：后50% | 文档类型：方法研究
👥 作者与机构
- Hyunjung Joo：机构信息未能从会议 PDF 纯文本可靠映射
- GyeongTaek Lee：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
首尔韩语需将连续对数F0轮廓映射为16类重音短语调型，难点在于性别音域差异、类别高度不均与基频断裂及追踪噪声造成的整体形状变异。作者先构建10093个重音短语人工标注基准并提取对数F0序列，再以共享卷积编码器加投影头把干净视图与随机抖动缩放掩膜等增强视图映射到归一化隐空间。接着以干净视图有监督对比损失拉紧同类干净样本的类内紧致性，并以增强到干净的有监督对比损失约束跨扰动不变性，两项损失联合训练后冻结编码器接逻辑回归等浅分类器输出类别。相对局部未来预测与统一跨视图对齐，双分支独立监督避免逐帧马尔可夫假设，直接优化整体轮廓结构一致性，因而更能抵抗表面不规则并保持细粒度调型可分性。在5折交叉验证的编码器维度1024设置下，逻辑回归的准确率为0.7775，高于随机森林的0.7740。该最优配置下宏平均F1为0.5154，但尾部低频类召回仍极低且长拖低音持续音易被误判为多低音序列。该结论适用边界受限于广播式清晰朗读语料与纯F0输入，跨语体泛化尚未验证，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，目标是什么，为什么直接套模型不够？
本解读的输入是论文正文与官方原图像素，目标是让刚进入语音与音频方向的研究生能够核对并复述方法。必须保留的信息包括任务定义、数据规模与类别、模型双分支结构、损失构成、评估协议与关键数字，输出是 1 篇按学习依赖展开的技术解读。
任务是首尔韩语重音短语的基音重音分类。白话说，重音短语是韩语语调中承载一串高低起伏的基本语音块，例如一个包含两三个词的小短语会呈现先低后高再低再高之类的走向；语调短语是更大的停顿单元，由一个或多个重音短语组成，末尾带有边界调。模型输入是一段重音短语对应的连续基频曲线，基频是声带振动频率的声学度量，人耳听感上接近音高，输出是 16 个离散调类之一，例如高（H）、低高（LH）、高高低高（HHLH）等。
难点在于连续实现与离散类别之间存在很大可变性。同一标为低高低高的短语，在男女声、朗读与广播语体、不同辅音开头与音节数量下，基频绝对高度、斜率与断裂位置都不同。传统做法依赖专家按韩语语调标注体系逐段听辨标注，既有主观偏差也难以扩展到大规模数据。直接把声音丢给通用时间序列分类器也不够，因为通用模型容易记住局部抖动或说话人音高，而忽略决定调类的整体形状。
重音短语 × 语调短语： 重音短语负责承载高低声调序列的基本调型单元，语调短语负责把一个或多个重音短语组织成更大的边界单元，二者搭配的原因是首尔韩语的边界音高既出现在重音短语边缘也出现在语调短语末尾，组合意义是分类时必须以重音短语为输入单位，同时理解其右边缘可能受到语调短语边界调的影响。
论文因此提出两件事。第一是构建首个大规模人工标注基准，包含 10093 个重音短语，每个短语对应一条基频时间序列与一个 16 选 1 的调类标签。第二是提出名为双全局的深度有监督对比学习框架，用干净视图与增强视图的一致性学习整条轮廓的不变结构。以下先看韩语语调层级在图中如何组织，再进入方法。
下面这张层级图展示了从语调短语到重音短语再到词与音节的组织方式，有助于理解分类单位在韵律树中的位置。
看图路径： 1. 从顶部语调短语节点向下追踪到两个重音短语分支；2. 确认最底层音节与声调符号的对应位置；3. 观察右侧弧线表示的语调短语边界调附着位置
论文图 1。原论文 Figure 1：“Intonational structure of Seoul Korean (Jun, 1998).”。
该图自上而下为语调短语节点分出两个重音短语分支，左侧重音短语再分出词与音节，底层标注声调起点与高低目标，右侧弧线回到语调短语边界调。解读时应注意，分类对象是中间层的重音短语，而不是最顶层的语调短语；底层声调符号只是示意，实际基频是连续插值得到的曲线，这正是后文需要用整体形状建模的原因。
同类路线有哪些，各自卡在哪里？
理解本研究需要 3 条路线。第一条是首尔韩语语调的音系学描述。按已有研究，超过 3 个音节的重音短语通常呈现低高低高或高高低高，区别取决于短语首辅音是否为送气或紧音；较短短语则有 14 种可能，包括 LH、HH、LL、HL 等。广播与朗读语体的分布也不同，广播语体更加多样。这说明调类与音节数、首音段、语体都有关，分类器不能只看平均音高。
第二条是语调建模。白话说，构型观强调整条曲线的形状，动力系统观用微分方程描述向目标运动的轨迹，早期支持向量机方法用均匀采样的音高、时长与强度特征加上下文。近期普通话声调工作表明直接对原始基频建模可以超过手工特征。但这些方法或依赖预设参数，或只关注离散特征，没有针对首尔韩语细粒度调类做整体对比学习。
第 3 条是对比与时间序列表示学习。时间序列常用模型能处理趋势分解，但需要大量标注；自监督预测编码通过过去预测未来学习表示，其隐含假设是局部转移决定未来。论文明确指出这种马尔可夫假设不适合整体调型，例如高高低高必须看完整体才能判定，切成两半预测会割裂全局单元。有监督对比学习则把同类样本在隐空间聚拢，天然适合学习对测量噪声与说话人差异不变的调类表示。
自主音段节律理论 × 整体轮廓观： 自主音段节律理论分工是把连续基频解释为高与低等离散调目标的插值，整体轮廓观分工是把整条基频形状本身看作意义载体，二者搭配的原因是离散类别可以命名而连续形状可以度量，组合意义是本研究用整体形状学习去逼近离散类别，既保留音系学可解释性又利用数据驱动的鲁棒性。
教学例子仅为帮助理解，不代表论文数据：假设一条短语基频先平后升再平，局部预测可能只学会上升段的斜率，而整体对比要求把整条先平后升再平的形状与另一条绝对音高不同但形状相同的曲线视为同类。这正是后文双分支设计的动机。
要解决的具体问题与输出形式是什么？
形式化地说，给定一个重音短语的基频时间序列，序列中包含清音导致的断裂与基频提取错误，任务是输出 16 个调类标签中的一个。输入是变长的 1 维实数序列，输出是离散类别。评估用准确率与宏平均 F1 值，准确率越高越好，宏平均 F1 值越高越好，后者对稀有类更敏感。
论文强调两个约束。第一是整体性，判定必须基于整条轮廓，而不是某一段的局部斜率。第二是鲁棒性，同一调类在不同扰动下应得到相近表示。失败模式在后文有具体展示，例如拉长的末尾低音在形状上与多个低音难以区分，若模型只看基频形状而不知道音节边界，就会误判。这解释了为什么需要增强视图与全局损失，而不是更深的局部预测器。
双全局框架让一个样本走完哪条路？
先沿一个样本走完全程。取一条重音短语的干净基频序列，记为干净视图；对其做随机扰动得到增强视图，扰动模拟录音噪声、幅度变化、遮挡、整体音高平移与语速形变。两个视图分别送入参数共享的编码器与投影头，得到归一化隐空间中的两个向量。训练时用对比损失要求同类向量靠近、异类远离；测试时冻结编码器，把提取的表示交给逻辑回归、随机森林或梯度提升树做最终分类。
下图是该流程的总览，左侧为两条曲线，中间为共享编码器，右侧为两个对比损失汇成总损失，顶部还有分类器箭头。
看图路径： 1. 沿左侧干净与增强两条基频曲线向右追踪到共享编码器；2. 比较上下两个批次框与各自对比损失的汇合点；3. 确认顶部分类器箭头从哪一侧表示中引出
论文图 2。原论文 Figure 2：“Overview of the proposed Dual-Glob framework.”。
从像素看，左侧上方黑色断续曲线为干净视图，下方黄色曲线为增强视图，二者形状相近但细节抖动不同；中间两个蓝色编码器块之间标有参数共享虚线，分别输出浅蓝与浅绿的表示向量；右侧蓝色与橙色批次框分别计算干净与增强的对比损失，最终汇入总损失。顶部深色分类器箭头从干净表示引出，表明下游评估使用冻结特征加外部浅分类器，而非端到端微调编码器。这种设计把表示学习与分类决策解耦，便于用交叉验证比较不同分类器的效果。
编码器与两个对比项各自算什么？
编码与投影是第一组动作。白话说，编码器是把变长基频序列压缩成定长向量的卷积网络，投影头是把该向量映射到适合计算相似度的归一化空间的小型多层感知机。论文附录给出 6 层 1 维卷积加掩码全局平均池化，以及两层投影与预测结构，编码维度实验覆盖 64 到 1024，最优报告在 1024 维。共享参数保证两个视图的几何比较在同一空间进行。
符号与输入先说清。记干净输入为干净视图，增强输入为增强视图，编码器与投影头复合后得到两个投影向量。目标是让同调类向量点积大、异调类点积小，温度系数控制分布锐利程度。
\[zc = P(E(xc)), za = P(E(xa))\]该式说明两个视图经过同一编码与投影得到可比较的隐向量，是后文一切对比计算的基础。实现上原文明确为共享编码器加投影头，梯度同时来自两个分支的对比项。
干净视图 × 增强视图： 干净视图分工是保留原始基频断裂与起伏的真实观测，增强视图分工是用受控扰动模拟录音噪声与语速变化，二者搭配的原因是共享编码器必须对同一调类给出相近表示，组合意义是新增了一致性正则，使模型忽略表层不规则而抓住跨扰动不变的整体调型。
干净分支的对比项负责类内紧致。直观动作是，在一个批次内，对每条干净表示，找到同标签的其他干净表示作为正例，其余作为负例，最大化正例相似度。公式上是对批次内所有正例对取对数 softmax 平均。
\[LClean = − i∈B j∈P(i) k∈B\{i} exp(zi,c · zk,c/τ)\]该式目标是让原始轮廓与其同类实例对齐，输入全为干净投影，监督来源是人工调类标签，温度系数为分母缩放因子。原文未给出温度具体数值，这是复现时需要核对的缺项，不应从模型名推定。
增强分支的对比项负责抗扰动不变性。动作是把增强表示与同类的干净表示配对，要求即使输入被抖动、缩放或遮挡，模型仍能认出同一调类。原文指出真实基频伴随呼吸、爆音断裂与跟踪错误，只在干净数据上训练容易过拟合表层不规则。
\[LAug = − i∈B j∈P(i) k∈B\{i} exp(zi,a · zk,c/τ)\]该式分子为增强与干净正例的相似度，分母为与批次内其他干净样本的相似度，输入跨视图但监督仍来自调类标签。这与自监督中直接对齐同一实例的两视图不同，这里对齐的是同类不同实例，因此是类别感知的有监督对比。
有监督对比学习 × 局部预测编码： 有监督对比学习分工是把同类整条轮廓拉近、异类推远，局部预测编码分工是用前半段预测后半段的时序转移，二者搭配比较的原因是首尔韩语调类由整条形状决定而非马尔可夫转移，组合意义是论文选择前者为主目标，证明全局约束比局部预测更适合此类声调分类。
为说明为何不用局部预测，论文设置预测型变体。预测型干净模型只用前半段预测后半段，预测型增强模型在干净与增强之间双向预测局部未来；全局干净与全局增强则分别在各自视图上做整序列对比；混合模型在增强全局对比之外再加跨视图局部预测。结果显示全局约束全面超过局部预测，这是支持整体性假设的关键反证，后文结果节用量化表展开。
总损失如何加权，数据增强与优化如何执行？
总目标是两个对比项的加权和，权重分别控制干净紧致与抗扰动的相对强度。训练时编码器与投影头更新，分类器在表示冻结后单独训练；基线模型则端到端训练，这是比较时必须注意的不一致条件。原文未报告两个权重的具体取值与温度取值，也未说明是否对投影头做停止梯度，这些属于缺项，复现时只能先按相等权重起步并记录敏感性。
\[LTotal = λ1LClean + λ2LAug\]该式为原始目标的线性组合，不是近似或下界，优化步骤为同时最小化两项。原文未给出梯度路径的特殊处理，故按常规反向传播理解，不猜测额外截断。
增强策略是每次从 5 种变换中随机选 2 到 3 种组合。5 种包括高斯抖动模拟录音噪声、幅度缩放处理强度变化、随机遮挡模拟缺失、整体偏置模拟音高层级平移、时间弯曲模拟局部语速变化。附录比较 6 种选择策略，最优为动态组合 2 到 3 种增强，逻辑回归下达到最高准确率与 F1 值。基线增强对照则是把干净与增强数据拼接后加倍训练，这与对比学习中把增强作为第二视图的用法不同，比较时要区分数据量增益与目标函数增益。
优化配置按原文交代。优化器为带前视机制的修正自适应矩估计，预训练学习率与有监督基线学习率分别设置，权重衰减与批量大小固定，训练轮数按收敛在 50 到 100 轮之间，最终指标取 5 折交叉验证下最后 5 轮的平均，而非单轮最优。这种平均方式减少训练波动带来的偶然高点，复现时应照此聚合，不应只报最优折或最优轮。
性别与稀有类的数字如何读，避免误读？
下表整理论文连续原句中可核对的总体与性别数字。比较问题是：总体最优是多少，性别拆分带来多大变化？公平条件需注意总体为统一模型 5 折平均，性别为按性别划分后的评估，二者聚合对象不同，不能直接相减作为可部署增益。指标方向为越高越好，单位按原文保留，总体用百分比，性别动因为小数。
| 条件 | 指标 | 总体最优 | 男性统一 | 女性统一 | 男性性别特定 | 女性性别特定 |
|---|---|---|---|---|---|---|
| 冻结特征加浅分类器 | F1 值 | 51.54% | 未报告 | 未报告 | 未报告 | 未报告 |
表后解释：主要收益是双全局总体最优明确，性别特定模型在两性上均有小幅提升，女性始终高于男性约 9 个百分点。代价与反例是稀有类 F1 值仍低，总体宏平均仅 51.54%，说明大类主导了准确率；性别提升幅度小且标准差未在此表展开，是否显著需看原文均值加减标准差的完整报告。未评测边界包括跨语体泛化与跨性别迁移，即用女性数据训练能否直接用于男性，反之亦然。百分点与相对百分比不同，此处 9 个百分点是绝对差，不应表述为相对提升 9%。
数据、划分、基线与指标如何保证可比？
数据来自广播内容的对话数据，人工标注 10093 个重音短语，分布极不平衡。大类如低高低高有 2705 条，高高低高有 1463 条，低高有 1318 条；小类如低仅 15 条，低低仅 8 条，高低低仅 26 条。这种长尾直接导致宏平均 F1 值远低于准确率，任何只看准确率的结论都会高估稀有类表现。
准确率 × 宏平均 F1 值： 准确率分工是度量全部分类中猜对的总体比例，宏平均 F1 值分工是对 16 个调类先各自算 F1 再平均以突出稀有类，二者搭配的原因是数据集极不平衡，大类主导准确率而小类只能体现在宏平均中，组合意义是必须同时报告两者才能判断模型是真的学会稀有调型还是只猜对大类。
评估协议是 5 折交叉验证，编码器冻结后分别用逻辑回归、随机森林与梯度提升树评估表示质量。基线分 3 组：标准深度模型包括 1 维卷积、双向长短期记忆网络与变换器；时间序列专用模型包括内 ception 时间网络、时间卷积变体与线性分解模型；高效非深度基线为随机卷积核方法。深度基线端到端训练，对比模型冻结特征加浅分类器，附录还给出是否拼接增强数据的对照。指标方向为准确率与宏平均 F1 值越高越好，报告为均值加标准差。
下表提出第一个比较问题：在如此不平衡的 16 类分布下，大类与小类的样本量差距有多大？公平条件是同一人工标注集，指标方向是样本量本身不分好坏，但决定后文宏平均的上限。
| Label | Count Label | Count |
|---|---|---|
| H | 200 | 15 |
| HH | 1,168 | 1,318 |
| HHL | 77 | 1,084 |
| HHLH | 1,463 | 81 |
| HHLL | 784 | 2,705 |
该表显示大类样本数是小类的数百倍，例如低高低高与低低相差 3 个数量级。这意味着模型即使完全猜错稀有类，准确率仍可能很高，而宏平均会显著下降。后文主结果中准确率约 77% 而宏平均约 51% 正是此分布的直接后果，解读时必须同时看两者，并预期稀有类的精确率与召回率接近零。
复现前需要准备什么计算与数据条件？
复现先做三件事。第一是数据条件，准备重音短语级别的基频序列与 16 类标签，注意保留清音断裂标记，不要提前插值抹掉断裂，因为断裂本身是真实观测的一部分；划分必须按短语而非按帧，避免同一短语的帧泄漏到测试集；5 折划分的随机种子与分层策略需固定，以复现长尾分布。
第二是模型条件，按附录实现 6 层 1 维卷积编码器、两层投影与预测头，编码维度从 256 起步再试 1024，批量大小 64，优化器按原文用带前视的修正自适应矩估计，并记录温度与损失权重这两个缺项的搜索过程。第三是评估条件，冻结编码器后分别训练逻辑回归、随机森林与梯度提升树，取最后 5 轮平均而非最优轮，对准确率与宏平均同时报告。
资源状态是正文开源声明的唯一依据。本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码、模型或数据已公开。论文引用广播对话数据的公开链接，但本次未能确认可达，复现时应以原文附录的数据处理描述为准，并自行记录基频提取器版本与参数，因为不同提取器的断裂与倍频错误会改变输入分布。
主结果比了谁，数字支持什么判断？
主结果要回答：在相同 5 折协议下，双全局表示加浅分类器是否超过端到端基线？论文报告双全局加逻辑回归达到最优，准确率 77.75% 与 F1 值 51.54%，显著超过 1 维卷积、双向长短期记忆网络、变换器与时间序列专用模型。附录还显示对基线拼接增强数据后，多数基线有提升，但仍未超过双全局，支持增益主要来自目标函数而非单纯数据量。
下面展示隐空间的可视化。论文用降维散点显示验证集表示，大类形成可辨簇，形状相近类别相互重叠。
看图路径： 1. 先看右侧图例中 16 个调类的颜色与符号区分；2. 再观察中间大片粉色与左下深色簇的分离程度；3. 找出形状相近类别之间相互嵌入的重叠区域
论文图 3。原论文 Figure 3：“t-SNE visualization of the validation set.”。
从像素看，右侧图例列出 16 个调类，中间右侧大片粉色点对应低高低高等低起始类别，左下深绿与橙色簇分离较好，中间顶部棕色与紫色点交织。图注明确指出高高低与高高低低等形状相近类别重叠，这与后文混淆矩阵中对角线强但相邻调类互混的现象一致。需注意散点距离不等于分类置信度，只能作为簇结构是否形成的定性证据，不能读出具体数值。
为落实消融与损失变体的比较，下表整理论文正文连续原句中实际出现的、可运行策略的数字。比较问题是：全局对比、混合预测、跨视图与统一对比中，哪种训练信号最有效？公平条件是同一冻结特征加逻辑回归评估，指标方向为准确率越高越好。
| 条件 | 指标 | 双全局 | 混合模型 | 跨视图对比 | 统一对比 |
|---|---|---|---|---|---|
| 冻结特征加逻辑回归 | 准确率 | 0.7775 | 0.7712 | 0.7679 | 0.7732 |
该表的主要收益是双全局最高，统一对比次之，混合与跨视图更低。代价是混合模型显式要求从干净特征精确映射到增强特征，反而分散了对不变全局模式的学习；跨视图直接对齐虽在自监督中常见，但此处不如对干净与增强分别做类内对比再相加稳定。未胜出项是预测型变体，正文指出其准确率远低，全局模型全面超过 0.76 而预测模型明显更低，支持局部预测不适合整体调型的判断。边界是该比较仅在冻结特征加浅分类器下成立，未评测端到端微调编码器时的排序是否保持。
综合所有证据，什么结论是报告，什么是待验证？
论文直接报告的是：在 10093 条、16 类、5 折协议下，双全局加逻辑回归达到准确率 77.75% 与 F1 值 51.54%，超过所比较的端到端基线与预测型、混合型、跨视图与统一对比变体；增强动态组合 2 到 3 种最优；性别特定建模小幅提升两性表现。这些数字有原文连续句子与表格支持，可复述为报告。
有限解释是：全局对比有效是因为调类由整体形状决定，混合预测有害是因为精确映射分散了不变学习，女性更高是因为音域更宽。这些解释与可视化与误差案例一致，可表述为支持，但音域因果与注意力机制均未直接测量，应保留可能与待验证的措辞。
未验证推测包括：该方法能否推广到日常对话、自发语音与其他方言，稀有类能否通过加数据或类别平衡损失解决，1024 维的计算代价是否值得。原文明确指出需数百样本每类与专用平衡策略，也指出广播语体可能限制变异性，这些都不应承诺为已改善。后续验证应补跨语体测试、分性别与分音节数的分层报告、以及推理延迟与模型大小的实测。
增强组合与编码维度改变了什么，没有改变什么？
增强策略的比较问题是：每次选几种变换、从多大池子选最有效？公平条件是同一编码维度 1024 与同一 5 折协议，指标为准确率与 F1 值。下表为原文附录的 6 种策略结果，原表选择保留全部行列。
| D1 | 1 | 77.25 | 50.12 | 77.49 | 51.25 | 77.48 | 50.39 | 77.41 | 50.59 |
|---|---|---|---|---|---|---|---|---|---|
| D2 | 2 | 77.39 | 49.96 | 77.64 | 51.25 | 77.30 | 50.21 | 77.44 | 50.47 |
| D3 | 3 | 77.23 | 49.74 | 77.61 | 50.35 | 77.24 | 50.78 | 77.36 | 50.29 |
| D5 | 1 | 77.09 | 49.53 | 77.47 | 50.87 | 77.23 | 50.04 | 77.26 | 50.15 |
| D6 | 2 | 77.30 | 49.99 | 77.57 | 50.81 | 77.60 | 51.18 | 77.48 | 50.68 |
表后解释：动态组合 2 到 3 种变换的策略平均最优，逻辑回归下达到峰值，维持最高平均准确率与 F1 值。只选 1 种或固定 3 种略低，只从抖动、缩放、遮挡小池子选也略低。这支持适度多样性有助于学习判别性表示，但过度扰动或单一扰动都不够。代价是该结论仅在 1024 维编码下验证，未说明低维度下最优策略是否相同；且基线拼接增强的提升幅度因架构而异，随机卷积核方法几乎无增益，说明增强收益与模型容量与归纳偏置有关。
编码维度的趋势是总体随维度增大略有提升，逻辑回归最能利用高维表示，在 1024 维达到最优；随机森林与梯度提升树提升不显著。这表明维度增益不是普适的，每组分类器趋势不同，不能把总体趋势推广到每步都成立。训练成本方面原文未报告参数量、显存与耗时，无法判断 1024 维的性价比，复现时需补测推理开销。
哪些错误暴露了只看基频形状的边界？
最具教学价值的失败是持续低音的歧义。论文给出两个误判：标为高高低的短语被判为高高低低，标为高低的短语也被判为高高低低。原因是末音节拉长导致又长又平的低基频，在几何上与多个低音序列不可区分，而模型看不到音节时长与边界位置，只能按形状猜测。
下图展示这两类误判的原始基频曲线，有助于理解为何形状本身信息不足。
看图路径： 1. 对比上下两段蓝色原始基频曲线的下降斜率与平坦尾段；2. 核对黑色竖线标出的音节边界与基频形状的关系；3. 观察底部红色缺失点与横轴时间范围的分布
论文图 5。原论文 Figure 5：“Failure cases demonstrating the ambiguity in sustained tones. In both cases, the model misinterprets the lengthened final L tone as a sequence of multiple L tones (LL).”。
从像素看，上下面板横轴为时间、纵轴为赫兹，蓝色曲线先高后缓降，尾段出现长平低音，黑色竖线为真实音节边界，底部红色点为缺失帧。模型输入时看不到竖线，只能看到蓝色形状，因此把拉长的单低判成双低。解释段必须强调，这不是标注错误，而是信息条件缺失：仅用基频而不给音节切分时，单长低与双短低在形状上同构，任何纯形状分类器都会面临此边界。论文后文提出需引入音节感知的后续分析，但当前主模型未使用该信息。
另一限制是类别不平衡与语体偏差。稀有类如低、低低在测试中精确率与召回率为零，宏平均因此被拉低；广播语体为清晰传达而调型受限，分布可能无法代表日常对话。性别差异也显著，统一模型下女性准确率高于男性，分开建模后两者均提升，论文解释为女性音域更宽、调型更分明。但相关性不是因果，未测量音域宽度与准确率的直接回归，也未控制说话人数量与语料量，应用时不应简单断言男性语音必然更难。
何时值得尝试这种方法，有什么易错点？
当任务满足 3 个条件时值得尝试。第一是标签对应整段形状而非局部事件，例如声调、语调短语调型、情感韵律的整体走向。第二是有可控扰动可以模拟真实变异，例如录音噪声、音高整体偏移与语速形变。第三是标注不平衡但类别由形状定义，此时有监督对比比单纯交叉熵更能利用同类结构。
易错点有三。第一是把准确率当成全部，忽略宏平均，正确做法是同时看混淆矩阵对角线与稀有类召回率。第二是把增强拼接触发的数据量增益当成目标函数增益，正确做法是同时比较拼接增强的基线与双视图对比，避免归因错误。第三是只用基频而期待区分单长低与双短低，正确做法是意识到没有音节边界时二者形状同构，必要时引入时长或边界信息。论文特有的误解是认为预测未来越准则分类越好，本研究显示局部预测与全局分类目标不一致，预测损失低不等于调类表示好。
按什么顺序复现，结果如何才算对上？
建议顺序是先复现数据分布，再复现增强，再复现损失，最后复现评估。第一步统计 16 类数量，确认大类与小类的极端比例，画出各调类的平均轮廓示意，核对是否与附录 16 宫格形状一致。第二步实现 5 种增强并可视化增强前后曲线，确认抖动幅度、缩放范围、遮挡比例、偏置与时间弯曲的实现与原文文字一致。第三步实现干净与增强两个对比项，先跑全局干净与全局增强单分支，确认两者单独已超过 0.76，再合成为双全局，观察是否达到 0.7775 附近。第四步做损失变体，确认混合与跨视图略低，预测型明显更低，以此验证整体性假设。
对上标准是：在相同冻结加浅分类器协议下，双全局逻辑回归准确率接近 77.75%、宏平均接近 51.54%，且排序为双全局大于统一对比大于混合与跨视图，预测型垫底；性别上女性高于男性，性别特定小幅提升。若排序相反或差距远超标准差，应先检查温度、权重、批量内正例数与最后 5 轮平均的实现，而不是调大模型。所有超参数、基频提取器版本、折划分种子与缺失帧处理都应记录，因为这些信息条件直接决定输入分布。
一句话收束：学到了什么，还缺什么？
学到的是，把整条基频当作整体并用类别监督做对比，可以在保持音系学可解释的同时提升细粒度调类分类的鲁棒性；缺的是稀有类数据、音节边界信息、跨语体验证与完整计算成本报告。下一步最有价值的不是继续加深编码器，而是补齐每类数百样本、引入时长与边界条件、并在新语体上检验全局形状假设是否依然成立。只有这些补齐后，准确率与宏平均的差距才能真正缩小，方法也才能从广播数据走向更自然的语音场景。
⚖️ 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