用可编程凸轮搬动声道积木：物理模型如何做出鼻化协同与丛集 timing

英文题目：Articulatory Dynamics using Physical Vocal-tract Models

会议身份：conference:interspeech:2026:conference-paper-id:arai26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#信号处理 #发声与构音 #语音 #语音合成

评分：5.7/10 | 创新 1.0/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 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 1.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Takayuki Arai：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为目标词的手势时序，输出为物理声道模型发出的连续语音，难点在于用机械结构复现协同发音与辅音丛时序重叠带来的声学渐变。首先将唇孔径、舌体收缩度与软腭耦合等声道变量写成手势谱，明确各手势的起始保持与释放时序，其输出直接作为凸轮形状的设计图纸。接着把谱线转译为直线凸轮的斜坡与矩形板组合以驱动六个可动模块与鼻咽耦合阀，使重叠时序转化为凸轮间距进入下一步发声。然后经扫频激励测传递函数并用自动语音识别检验可懂度，其测得的极零点变化与识别转折回证手势重叠是否生效。与计算机构音合成相比，该机制差异在于时序重叠直接体现为凸轮间距，鼻化与元音插入可被肉眼观察到，具有教学直观意义。原文未提供可核对的关键定量结果。结论限于[bɑb]、[bɑm]与[ɑbɹɑ]等固定语料，未验证连续语流、外推至其他元辅音或跨说话人泛化。该物理模型的连续语流与跨说话人外推能力尚未验证，受限于固定语料与手工调参的适用边界。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，输出是什么，为什么要看动态声道？

这篇论文的输入是发音动作的时间组织问题，输出是用物理声道模型实际发出的声音与可测量的频谱。初学者可以这样理解学习目标：先能说清声道形状如何决定声音，再能复述作者用什么机械结构改变形状，最后能说明在什么测量条件下观察到什么变化。需要保留的关键信息是模型编号、积木与凸轮的对应关系、手势变量的定义、两个实验词表与操作步骤，以及记录与统计的具体条件。 论文把静态观察与动态观察分开。

静态路线从千叶与梶山的 X 射线 3 维测量开始，后来用磁共振成像得到元音与近音、鼻腔与副鼻窦、梨状窝等结构的形状，再做成塑料、计算机或可发声的机械模型来验证形状与共振峰的对应。动态路线关注发音器官随时间如何运动，早期用电影 X 射线，后来用 X 射线微束减少照射，再用电磁中矢面发音仪、电磁发音仪、实时磁共振成像与超声成像跟踪传感器或切面。两条路线的共同动作是先观测形状，再基于观测合成声音并听辨与测量。

对研究生而言，复述时要先交代研究对象是随时间变化的收缩动作，而不是单个静态截面。 物理模型在这里不是计算机仿真的替代品，而是另一种合成路径。作者强调的理由是直观与参数设置直接：转动刻度盘就改变鼻咽耦合，搬动积木或更换凸轮小板就改变收缩位置与 timing。理解这一点后，后续的手势谱、线性和旋转凸轮、鼻化与丛集实验才有依托。本解读只讲论文实际做的两个词序列实验，不扩展到未报告的语种或连续语流。

已有路线如何从观测走到合成？

观测侧已有成熟工具链。X 射线微束把照射限制在感兴趣区域附近并在发音器官上放置金属小球，用较小的剂量得到动态点位；电磁方法利用电磁感应检测传感器位置，给出中矢面的运动轨迹；实时磁共振成像以较快帧率给出切面影像；超声成像给出舌体轮廓的动态信息。

初学者复述时要抓住每种方法的输出形式不同：前两者输出传感器坐标随时间变化，后两者输出图像序列，都会进一步抽象为收缩程度与位置。 合成侧有两条并行路线。一条是计算机发音合成器，以前田模型为代表，把测得的声道形状转成面积函数再计算传递函数。另一条是动态物理模型，包括说话机器人、计算机控制的梅田与寺西模型、凝胶柔性舌模型、宝马系列模型等，靠机械部件与执行器模仿发音运动。

作者把本研究定位在后者，选用梅田与寺西系列的可编程版本。复述时不要把类别差异当成同条件胜负：计算机模型易于批量计算，物理模型易于课堂演示与手动干预，两者的公平比较需要相同的形状输入与声源条件，而原文并未做这种横向评测。 理论侧是构音音系学与任务动力学。构音音系学把话语表示为手势谱，横轴是时间，纵轴是多个声道变量的激活区间，协同发音被解释为手势在时间上重叠的自然结果，而不是额外的同化规则。

任务动力学解释这些收缩目标如何组织成协调动作。作者引用该框架的意图很具体：线性凸轮的空间形状可以直接对应手势谱的时间形状，从而把 timing 实验变成更换小板与拉开间距的可重复操作。

论文要回答的两个具体 timing 问题是什么？

第一个问题是鼻化协同能否在物理模型上被制造并测出。词对是 Bob 与 bomb，美式英语记为 [bɑb] 与 [bɑm]，结构都是辅音、元音 [ɑ]、尾辅音。首辅音 [b] 靠双唇完全闭合后突然释放实现，中间元音 [ɑ] 靠左侧两块积木抬起在舌根与咽壁之间形成收缩实现，尾辅音的区别只在软腭咽端口的开闭：[b] 关闭，[m] 打开。关键 timing 在于软腭端口不是在 [m] 起点才突然打开，而是提前且渐进地打开，使 [ɑ] 后半段逐渐鼻化。复述时要强调这是一个重叠手势问题，而不是换一个元音目标。

第二个问题是辅音丛集何时听成一个丛集、何时听成中间插入元音。非词是 abra，目标英语发音为 [ɑbɹɑ]，包含双唇塞音 [b] 与卷舌或束舌近音 [ɹ] 组成的丛集。作者固定元音 [ɑ] 的舌根收缩始终存在，只系统地推迟 [ɹ] 的舌体手势 onset，观察中间是否出现元音样片段并被语音识别系统转写为插入元音。该片段在文献中被称为目标缺失的 schwa，意思是没有独立元音手势，而是间隙暴露的过渡。

两个问题共用同一套变量定义：唇开度、舌体收缩度、舌根收缩度与软腭端口，区别只在操作哪个变量的时间位置。

VTM-UT30-D9 与两类凸轮如何组成可编程实验台？

实验台的主体是一条直声道，底部有六块可上下移动的黑色积木。声音从右侧输出，最右块充当下唇，抬起则唇孔变小，可模拟圆唇或双唇闭合；右起第二块对应舌尖，抬起模拟齿龈收缩；右起第三与第四块对应舌体，抬起模拟硬腭后与软腭区收缩；最左两块对应舌根，抬起模拟咽腔收缩。

每块顶部到对应腭面的距离为 20 mm，这是收缩量的物理上限。积木用聚甲醛减少摩擦，内部含黄铜配重以便靠重力回落。D9 与 D6 的区别是 D9 在口腔前部有鼻腔侧支，并用刻度盘控制小阀门开度，即鼻咽耦合度。初学者可沿一个样本走完全程：设定积木高度得到面积收缩，设定刻度盘得到鼻支路耦合，给声道供声源则输出对应频谱。 凸轮是把时间程序变成机械运动的部件。

手动搬积木适合课堂快速演示，但要精确控制保持时间与渐变斜率就需要凸轮。旋转凸轮是一根轴串起 6 个圆盘，每个圆盘对应一块积木，转动时以不均匀圆周形状把积木顶到设定高度，形状决定短语，适合重复合成。线性凸轮是一块带 6 条沟槽的底板，每条沟槽里摆放小板，直角三角板提供 onset 的上升斜坡或翻转后提供 offset 的下降斜坡，长方板提供保持段，小板沿长度方向的位置决定手势先后。

旋转凸轮 × 线性凸轮： 旋转凸轮负责由转轴带动 6 个圆盘以不均匀圆周形状周期性顶起积木，适合重复合成同一短语；线性凸轮负责由底板沟槽中小板的排列决定 1 次 utterances 的收缩程度与持续时间，适合做不同时长的短语。搭配理由是同一套六积木主体需要兼顾重复演示与精细 timing 实验，组合意义是研究者可先用旋转凸轮验证发声通路，再换线性凸轮系统地拉开手势间距。

下段先用文字交代三幅照片的分工，再用图位标记对应像素，便于对照实物复现。左图是主体，中图是旋转凸轮，右图是线性凸轮底板与小板。阅读时不要把照片当成示意图去猜内部气流箭头，只确认积木数量、圆盘数量与沟槽数量均为六，以及小板形状与功能对应。

看图路径： 1. 先看左图主体的黑色六积木排布与右侧出声端，确认唇块最窄而其余块等宽；2. 再看中图转轴串起的六圆盘，确认圆盘厚度与偏心形状决定顶起高度；3. 最后看右图底板六条沟槽中小三角板与长方条的位置，确认间距对应手势先后

论文图 1。原论文 Figure 1：“VTM-UT30-D9 model: (a) main part, (b) rotating”。

照片显示左图主体为透明声道加底部 6 个黑色凸起，黑色条带上印有型号字样；中图为转轴横穿 6 个深色圆盘并固定在黑色基座上，圆盘边缘形状不一致；右图为深灰底板上 6 条纵向沟槽，上方沟槽有楔形凸起，下方沟槽有连续小方块排成的平台。这一可见排布支持正文说法：旋转凸轮靠圆盘形状决定短语，线性凸轮靠小板形状与间距决定收缩的起止与保持。复现时应先数清 6 路对应关系，再按实验要求选择旋转或线性驱动，不要混用两种驱动同时顶同一块积木。

六块积木各自模拟哪个收缩？

从右向左数的功能划分是复现时最易出错的地方，需要逐块核对。第一块宽 10 mm，充当唇，完全抬起 20 mm 即双唇完全闭合，突然释放得到 [b] 的爆破；第二块宽 20 mm，对应舌尖，用于齿龈区收缩；第三与第四块各宽 20 mm，对应舌体，用于卷舌或束舌 /r/ 的主要收缩，本研究抬起从唇数第三块以模拟束舌最大收缩位置；最左两块对应舌根，抬起 18 mm 在咽壁形成 [ɑ] 的收缩，全程保持则两个 [ɑ] 与中间丛集共享同一咽部背景。

初学者操作时应先固定 [ɑ] 的两块舌根积木，再调唇与舌体，避免同时改动多个收缩而无法归因。 鼻支路是独立的一路。刻度盘连接小阀门，转动角度控制耦合度，0 度为完全关闭，之后按 15 度步进转到 45 度。Bob 条件全程关闭，bomb 条件在后半段打开。测量 impulse response 时元音 [ɑ] 的其余积木最大打开，仅舌根收缩保留 2 mm 缝隙，这样频谱变化可归因于鼻耦合而非口腔形状漂移。

构音音系学 × 任务动力学： 构音音系学负责把话语切成以收缩目标和收缩位置定义的手势，并用手势谱规定多个手势何时激活与重叠；任务动力学负责说明这些抽象收缩目标如何组织成协调的发音动作。两者搭配的理由是前者给出离散可编程的时间结构，后者给出从目标到运动的实现逻辑，组合后线性凸轮的斜坡与平台可以直接对应手势的 onset、保持与 offset。

该组合在本研究中的落点是四变量手势谱：唇开度取负值表示闭合，舌体收缩度与舌根收缩度取高值表示收缩，软腭端口取非零表示鼻耦合打开。Bob 与 bomb 的谱面区别只有软腭一行，abra 的谱面区别只有舌体 onset 的延迟。这种最小改动设计使后续频谱与识别率变化可以直接对应到 timing 操作。

线性凸轮小板如何写出手势谱？

把手势谱翻译成小板需要 3 类形状语义。直角三角板斜边朝向决定渐变方向：一端低一端高的小板推入沟槽后，积木随底板相对运动逐渐抬高，形成 onset 上升斜坡；左右翻转后则形成 offset 下降斜坡。长方板高度一致，形成保持段，长度决定保持时间。小板沿沟槽长度方向的前后位置决定手势 onset 间距，论文用距离 d 表示唇手势与舌体手势 onset 之间的毫米数，Step 0 为 30 mm，每步加 3 mm 直到 51 mm，共 8 步。

复述时要说清毫米是底板上的空间距离，经匀速驱动后才等价于时间延迟，不能直接读成毫秒。 旋转凸轮的语义不同：圆盘一周对应 1 次短语，转动即重复，适合演示稳定发声；线性凸轮拉动 1 次对应 1 次 utterances，适合做不同时长与不同间距。作者明确指出线性凸轮与手势谱对应更好，这也是 abra 实验选用线性凸轮的原因。教学例子是：若要让软腭提前渐开，就在线性底板上把软腭路的三角板起点前移并拉长斜坡。

若要让 [ɹ] 推迟，就把舌体路的三角板整体后移若干毫米。该例子只说明操作方法，不附加原文未给的效果数值。

线性凸轮 × 手势谱： 线性凸轮负责把高度随底板位置变化的物理形状转成积木的上推高度与时机，直角三角板形成渐变的 onset 或 offset，长方板形成保持段；手势谱负责规定唇、舌体、舌根与软腭等变量在时间轴上的激活区间。搭配理由是线性凸轮沿长度方向的空间排布天然对应时间轴，新增作用是把原来画在纸上的手势谱变成可更换小板、可重复推动的机械程序。

实际装配时还需核对每路小板只驱动对应积木，6 路互不串扰；三角板与长方板的拼接处要平滑，否则会引入非预期的 2 次凸起并在声谱上表现为额外的过渡段。

本研究有无训练阶段？真实计算过程是什么？

本研究没有神经网络训练阶段，也就没有梯度路径、参数冻结与更新、优化器或早停需要报告。需要明确说明未训练的对象包括声学模型与发音控制器：VTM-UT30-D9 是机械装置，凸轮形状是手工摆放的程序，语音识别侧调用的是现成 wav2vec 2.0 封装的 speech2text 函数，语言模式设为英语，未做微调。把无训练等同于确定性求解是误解：机械摩擦、积木回落速度、气流与话筒位置都会带来 trial 间差异，因此作者对 abra 每步重复 10 次，共 80 次试验，再做趋势与相邻比较。 真实计算过程分为 3 类。

第一类是机械仿真与发声：按手势谱摆放小板或手动搬积木，给模型供气流发声，用录音得到波形，再用 WaveSurfer 估计共振峰轨迹并画语谱图。第二类是传递函数测量：话筒放在声门端，扫频正弦信号从口端馈入，信号长 65536 点、采样率 48 kHz，经扬声器、功放与音频接口播放并录音，多次同步平均提高信噪比，再求不同鼻耦合角度下的频率特性。第 3 类是识别与统计：对 80 条 [ɑbɹɑ] 录音调用 speech2text 判是否含插入元音，按二值结果做 Cochran-Armitage 趋势检验与 7 组相邻 Fisher 精确检验并做 Bonferroni 校正，双尾显著性水平为 0.05。

复述时要保留软件与硬件型号，因为它们是可重复性的条件而非装饰。 缺项也要点名：原文未报告凸轮驱动速度与气流压力的具体数值，未报告 WaveSurfer 共振峰跟踪的窗长与阈值，未报告 speech2text 的解码阈值与版本号之外的细节。这些缺项不构成技术错误，但在复现时需要自行固定并记录，否则 timing 到声学映射的绝对值无法跨实验室对比。

两组实验各测什么，条件如何固定？

第一组 Bob 与 bomb 测鼻化协同。发音条件固定为首辅音唇完全闭合 20 mm 并短暂保持后释放，元音 [ɑ] 舌根收缩 18 mm，尾辅音同样唇闭合，唯一变量是软腭端口是否在后半段打开以及打开的渐变斜率。记录条件包括用线性凸轮或手动操作录制多套 [bɑb] 与 [bɑm]，再用 WaveSurfer 看语谱图与共振峰轨迹。传递函数测量把口腔形状固定为 [ɑ] 且其余积木最大打开、收缩缝 2 mm，只转动刻度盘从 0 度到 45 度按 15 度步进，话筒在声门端、扫频从口端馈入、采样率 48 kHz、信号长 65536 点、多次同步平均。

指标方向是随着耦合增大，频谱中逐渐插入极零点对，第一共振峰被零点抵消后最低极点成为新的第一共振峰，但听感仍为 [ɑ]，即知觉补偿。 第二组 abra 测丛集 timing。发音条件固定为两个元音均为 [ɑ] 且舌根收缩全程保持，[b] 唇完全闭合后释放，[ɹ] 抬起第三块形成束舌收缩并让唇与舌手势重叠以压低第三共振峰。唯一变量是唇 onset 与舌体 onset 的间距 d，从 30 mm 起每步加 3 mm 到 51 mm，共 8 步，每步 10 次重复。

测量条件是用 VTM-UT30-D9 加不同线性凸轮录制 80 次，再用语谱图对比 Step 0 与 Step 7，并调用 Matlab R2025b 的 speech2text 统计被识别为含插入元音的比例。统计在个体响应层面进行，总样本八十，二值结果，趋势检验看单调下降，相邻 7 组 Fisher 检验看突变位置并做 Bonferroni 校正。复现时必须同时固定 d 的起点、步长、重复次数与识别语言模式，否则正确率曲线无法对齐。 资源状态需要如实说明：本次收到的证据中没有经超文本传输安全协议状态验证的代码、模型或数据资源，不得声称代码或数据已公开。

复现依赖的是论文文字给出的机械尺寸、角度步进、声学设备型号与统计方法，以及本次收到的官方原图像素中的三幅照片。

鼻化实验显示了什么，可比条件是什么？

比较问题是口腔闭合相同而鼻耦合不同时，频谱与听感如何分叉。公平条件是首尾唇动作、元音舌根收缩与录音链路保持一致，唯一改动是尾段软腭端口的开闭与渐变。在语谱图层面，两条 utterances 的元音段共振峰都在起点上升，主要分叉出现在 [bɑm] 元音后半段：出现反共振峰，传递函数上表现为极零点对，听感上后半段元音鼻化。可比的基线是 [bɑb] 全程关闭鼻端口，因此该分叉可归因于鼻支路而非唇动作差异。

表前需要提出可核对的尺寸与角度问题：每块积木多宽、收缩上限多少、手势最大值多少、刻度盘如何步进。下表把这些分散在正文的尺寸集中为可执行的装配检查单，指标方向是数值越大表示收缩或耦合越大，单位保留原文写法。

表后解释主要收益与代价。收益是物理模型能连续展示鼻化加深过程：刻度盘从 0 degrees 转到 45 degrees，极零点对逐渐插入，第一共振峰被抵消但听感仍判为 [ɑ]，与协同发音的知觉补偿文献一致。

代价是该结论依赖固定口腔缝 2 mm 与特定话筒摆位，一旦口腔形状漂移或鼻腔侧支共振变化，极零点位置会移动。未胜出项也要说明：手动操作虽能录出 [bɑb] 与 [bɑm] 的定性差异，但保持时间与斜率不如线性凸轮可重复，因此定量比较应以凸轮条件为准。

唇开度 × 软腭咽端口： 唇开度负责规定双唇闭合与释放的程度与时机，负值增大表示闭合，最大 20 mm 对应完全闭合；软腭咽端口负责规定鼻咽耦合的开闭程度，bomb 词尾段打开而 Bob 全程关闭。搭配理由是口腔闭合相同但鼻支路不同才能最小对比鼻化，组合意义是元音鼻化表现为口形基本保持为 [ɑ] 而频谱中逐渐插入极零点对。

该桥在此处的意义是把频谱差异回指到手势谱差异：唇行相同而软腭行不同，频谱分叉即手势重叠的声学后果，而不是换了元音目标。

丛集 timing 拉开后识别率如何变化？

比较问题是舌体 onset 推迟多少时会从丛集听成插入元音。公平条件是元音背景、唇动作与 [ɹ] 收缩位置固定，只有唇与舌体 onset 间距 d 按毫米步进，识别语言模式固定为英语，统计在 80 次二值响应上进行。指标方向是被识别为丛集的比例越高表示越接近 [br]，越低表示越多插入元音。原文报告 Step 0 与 Step 1 为天花板 100%，Step 6 与 Step 7 为地板 0%，从 Step 2 起急剧下降，整体呈单调下降而非渐变。 表前明确统计口径：趋势检验看 8 步单调性，相邻比较看突变位置并校正多重比较。

下表集中间距、重复数与关键统计量，便于按相同聚合口径复算。

表后解释收益、代价与反例。收益是 timing 到感知的映射可复现：只改舌体 onset 延迟就出现可被识别系统捕获的插入元音，且统计支持单调下降，相邻检验定位突变在 Step 1 到 Step 2 之间。

代价是除该相邻组外其余相邻比较均不显著，说明数据支持整体趋势但不支持每步渐变，不能把末步结果推广为每步等距恶化。反例是 Step 0 到 Step 1 虽拉开 3 mm 但识别率未动，表明小延迟在系统阈值之下。未评测边界包括不同语速驱动、不同 [ɹ] 收缩高度与唇重叠度，这些都会移动突变点。重提鼻化结果时新增对照是：鼻化是软腭渐变重叠导致频谱连续变化，丛集是舌体延迟导致识别二值翻转，两者同属手势重叠度变化，但观测指标一个是极零点，一个是识别率。

拿掉哪段 timing 会翻转结论？

论文没有神经网络消融，但有两个可视为 timing 消融的操作。第一个是把软腭提前渐开拿掉，即 bomb 改为 Bob 的全程关闭，此时元音后半段的反共振峰与鼻化听感消失，语谱分叉不出现，说明鼻化需要软腭重叠而非仅靠唇闭合。第二个是把舌体延迟拿掉，即 abra 回到 Step 0 的 30 mm 间距，此时中间元音样片段消失，识别系统判为丛集，说明插入元音需要足够大的间隙而非 [b] 或 [ɹ] 本身带元音。该对照支持手势重叠解释，但原文未报告拿掉唇与舌重叠后第三共振峰的具体变化，因此不能断言唇重叠对 /r/ 感知的定量贡献。

协同发音 × 目标缺失的 schwa： 协同发音负责解释一个手势的时间区间与相邻手势重叠而使音段带上邻音色彩，如软腭提前渐开使 [ɑ] 后半段鼻化；目标缺失的 schwa 负责解释当 [b] 与 [ɹ] 的舌体手势拉开过大时间隙时中间出现的元音样片段，它没有独立的元音目标而是间隙暴露的过渡。搭配理由是两者都由手势重叠度决定，组合意义是同一套 timing 参数既能产生连续丛集也能产生可听的插入元音。

失败条件也要记录。手动操作虽灵活但 timing 方差大，不适合做 8 步趋势；旋转凸轮虽可重复但不便做不同时长短语，因此 abra 必须用线性凸轮。若误用旋转凸轮做间距扫描，会因周期形状固定而无法等距拉开 d，导致趋势检验失去有序步进前提。另一个边界是识别器只在英语模式下测试，换语言模式或换解码阈值可能改变天花板与地板位置，但原文未测，复现时应固定该条件并报告。

哪些量还没测，不能承诺什么？

直接报告与有限解释要分开。直接报告的是：在固定口腔形状与录音链路下，鼻耦合增大带来极零点对插入，以及舌体延迟增大带来识别为丛集的比例单调下降且突变在 Step 1 到 Step 2。有限解释的是把前者联系到协同发音的知觉补偿，把后者联系到目标缺失的 schwa，这些联系有文献支持但本研究只在一个模型、一个说话人等价体、有限词表上验证。未验证推测是把结论推广到自然语流、其他元音或其他辅音丛集，需要新的形状与 timing 参数。

未测量量必须点名：误判率的人听实验、驱动速度与气流压力、推理延迟与实时帧率、制造成本与耐久性。相关性不是因果：识别率下降与 d 增大相关，但在机械摩擦与声源波动未完全控制前，不能说每毫米延迟必然带来固定百分点下降。总体趋势不等于每步成立：趋势检验高度显著而多数相邻比较不显著就是证据。使用物理模型教学时，不要承诺延迟、成本或识别鲁棒性得到改善，这些量原文没有测量。 另一个限制是可比性。

鼻化部分的可运行基线是 [bɑb]，丛集部分的可运行基线是 Step 0，搜索最优或事后最优值没有报告，也不应拿天花板 100 百分比当成可部署收益。不同指标的差值不能混放：极零点频率移动是赫兹量级，识别率是百分比，两者不能放在同一模型列下比较优劣。自动识别结果不能当成人耳感知，原文用 wav2vec 封装判插入元音，缺少人听对照是明确边界。

要复现，先固定哪组参数与测量链？

先做装配核对。确认主体为 VTM-UT30-D9，六积木对应关系为唇、舌尖、舌体两块、舌根两块，唇块 10 mm 宽、其余 20 mm 宽、顶部间隙 20 mm，鼻腔侧支与刻度盘可用。再做发音基线：固定舌根 18 mm 得到 [ɑ]，唇完全闭合 20 mm 后释放得到 [b]，第三块抬起并让唇舌重叠得到束舌 /r/，软腭关闭得到 Bob 基线。用 WaveSurfer 看语谱图，确认元音段共振峰上升且尾段无反共振峰，再转刻度盘到 15、30、45 度看极零点逐渐出现。 再做 timing 扫描。

换线性凸轮底板，按三角板表 onset、长方表保持的语义摆放 6 路小板，固定 Step 0 间距 d 为 30 mm，每步加 3 mm 到 51 mm，共 8 步，每步录 10 次。录音链路固定话筒型号、接口与采样率 48 kHz，扫频测量固定信号长度 65536 点与多次同步平均。识别固定 Matlab R2025b 的 speech2text 英语模式，统计固定总样本八十、二值响应、趋势检验加 7 组相邻 Fisher 检验与 Bonferroni 校正、显著性水平 0.05。先跑 Step 0 与 Step 7 的语谱对照，确认后者中间出现元音样片段，再跑全 8 步统计，预期复现天花板到地板与 Step 1 到 Step 2 的显著突变。

还需补的验证是人听实验、驱动速度记录与气流标定，以及更换 [ɹ] 高度与唇重叠度的敏感性测试。代码与数据状态按证据如实写：本次未发现经安全协议验证的公开资源链接，不能写已公开或当前可用；复现以论文文字与官方照片像素为准，缺失的驱动速度与阈值需自行固定并在报告中注明。

何时值得用这套物理 timing 台？

当教学或研究目标是让学生亲手摸到 timing 与频谱的对应时值得尝试：转动刻度盘听到鼻化加深，拉开小板间距听到丛集变为插入元音，这种操作比改一行代码更直观。当需要批量搜索最优参数或大规模统计时则不适合，机械重复 80 次已需较多人工，计算机合成器更高效。选用线性凸轮还是旋转凸轮取决于问题：要重复演示同一短语选旋转，要系统扫描不同时长与间距选手线性；两者共用同一主体，切换时注意不要同时驱动同一积木。 论文特有的误解需要澄清。

第一，积木抬得越高不总是越好，18 mm 与 20 mm 是特定收缩目标，抬过头会堵死声道而改变音类。第二，线性凸轮毫米数不是毫秒数，必须经驱动速度换算才能谈时间，跨实验室对比要同时报告速度。第三，识别率为零不等于发音失败，Step 6 与 Step 7 的地板表现恰是插入元音被稳定感知的证据，关键是看任务定义的方向。带着这些条件重读手势谱，Bob 与 bomb 的一行之差和 abra 的一距之差就会成为可动手复现的 timing 实验。

⚖️ 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 interspeech-2026 论文汇总