有物理基础的音高联想，为什么会被性别经验推着走

英文题目：Listeners’ gendered experiences and beliefs affect iconic pitch associations

会议身份：conference:interspeech:2026:conference-paper-id:calhoun26_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：#心理声学实验 #韵律 #社会语音学 #言语感知 #音频理解

评分：5.3/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.2/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Sasha Calhoun：机构信息未能从会议 PDF 纯文本可靠映射
• Paul Warren：机构信息未能从会议 PDF 纯文本可靠映射
• Sara Gilbert：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为英语母语成人听者对嗓音音高与身体尺寸的内隐联想，输出为该联想强度能否被短时经验改变以及是否受听者性别与嗓音性别调节，难点在于物理相似性与性别意识形态纠缠难分。方法链分三步：先用人工智能生成的虚构大与小生物图片搭配语音合成的弱与不确定语句和高低重合成版本构建聚合启动与分离启动以激活尺寸与情感链接，再用目标加颜色尺寸相近干扰项的记忆辨认任务保证编码有效，最后用动物图片尺寸分类与无意义词音高分类的内隐联想测验比较相容组块与不相容组块反应时差异。相对既往仅报告群体相关的频率编码观察，本研究引入因果启动并交叉听者性别与嗓音性别，具有机制检验意义。原文未提供可核对的关键定量结果。结论仅适用于英母语成人对频率编码式音高与尺寸联想的短时可塑性，未验证自然语调、长期信念与跨语言外推。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

为什么高音小、低音大不只是一个物理事实？

输入是这篇论文要解释的现象：人们把高音高与小体型、弱顺从联系起来，把低音高与大体型、强支配联系起来。目标是让刚入门的读者能复述作者的立场：这种联系有身体基础，但不只由身体决定。必须保留的信息是频率代码的原始主张和作者加上的社会建构主张，输出是一套可以检验可塑性的实验设计。

白话先说频率代码，英文是 Frequency Code。它的意思是发声体的尺寸与音高有物理关联：声带小振动快，声音平均更高；声带大振动慢，声音平均更低。动物行为观察进一步把这种关联延伸为表观体型信号：示弱时用高音显得小，示强或攻击时用低音显得大。人类语言中对应的情感含义就是高音或上升语调表示恭敬、礼貌、顺从、不自信，低音或下降语调表示自信、权威、攻击性、威胁。原文把基频记为 F0，作为音高的主要声学相关量。

频率代码 × 社会建构： 频率代码负责给出物理相似性的起点：小发声体对应高音高，大发声体对应低音高，并由此延伸出顺从对支配等情感含义；社会建构负责解释为什么在多个可能的相似性中只有特定链条被固定下来，即顺从与女性气质、支配与男性气质等既有世界观和语境可供性使高音小弱、低音大强的联想更容易成为社会意义，二者组合的意义在于把有身体基础的联想同时看作可被经验和信念塑造的对象。

对初学者而言，关键动作是区分两层主张。第一层是物理相似性确实存在，所以跨语言、跨文化容易出现相似联想。第二层是相似性有很多可能的取舍，哪些被固定为社会意义取决于听者的世界观和语境可供性。作者引用社会语音学传统，认为顺从与女性气质、支配与男性气质之间的意识形态联系长期没有被频率代码研究充分考虑。本文就是要检验这种性别化经验和信念是否影响音高体型联想的强度。

此前用内隐联想测验发现了什么性别差异？

相关工作要按同输入、同目标、同测量阶段来对照，而不是把不同任务的胜负混在一起。作者团队此前的两项内隐联想测验研究是直接前史。第一项用无意义词的声音检验音高与体型、音高与性别的联想。报告显示英语听者把高 F0 与小体型和女性、低 F0 与大体型和男性内隐地联系起来，符合频率代码。但联想强度有社会差异：对性别概念的联想强于对体型概念的联想。

男性听者特别是年长男性的联想强于女性听者；对性别概念而言男声的联想强于女声。作者当时解释为与大强支配有关的意识形态对男性更强，反映基于性别的刻板印象。

第二项研究把对象换成上扬语调对下降语调，测试短语如 you know 的语调与体型和性别的联想。报告显示上扬语调与性别有稳健联想，与体型联想较弱；两种概念都是女性听者更强；男性听者对女声联想更强，女性听者对男声联想更强。作者解释为上扬语调与女性的刻板且被污名化的联系，与频率代码的情感联想相互作用，产生了异性别效应。

这两项工作的边界是只在群体性别身份层面显示差异，没有直接操作个体经验和信念。本文的推进就是加入启动任务，临时改变被试对音高体型联想的经验，再看内隐联想强度如何变化，以及启动效果是否因听者和声音的性别而不同。

本文要回答的两个具体问题是什么？

第一个问题是有物理基础的象似音高联想是否可塑。操作定义很具体：先让被试经历趋同或发散的虚构生物配对，再用体型内隐联想测验测量音高体型联想的强度，看趋同启动是否增强一致性效应，发散启动是否减弱它。第二个问题是启动操作的效果大小是否受社会因素调节，主要是听者性别和声音性别。启动材料特意同时突出体型、音高和弱不确定对强权威的情感联系，目的是触发频率代码主张的意识形态链条，再观察这种触发对不同性别听者和不同性别声音是否一样有效。

教学上可以举一个例子帮助理解，但它只是例子，不代表论文数据。例如先反复看到大怪物用低沉权威的声音说我很强，小怪物用尖细犹豫的声音说我有点害怕，再去做按键分类任务；与之对照的是看到相反配对后再做同样任务。例子说明的是趋同与发散的方向含义，实际刺激数量、声音参数和统计结论必须回到原文核对。

启动加记忆再加内隐联想的全流程是怎样的？

方法全景先沿一个被试走完输入到输出。被试先进入启动块，看到 10 对一大一小虚构生物图片，每张图片旁出现空语气泡并播放一句话。高音版本配弱不确定内容，低音版本配强权威内容。趋同条件下大生物配低音强话语、小生物配高音弱话语；发散条件下反转。

声音性别在被试间固定为全男声或全女声，且与后续内隐联想测验的声音性别匹配。接着是记忆测验，看到 10 对相似生物，一张来自启动块一张是同体型同颜色的箔片，并播放原配音，要求指出哪张出现过，目的是让被试有动机记住启动配对。最后进入内隐联想测验，对动物图片按大或小分类，对无意义词录音按高音高或低音高分类，记录正确反应的反应时。

启动任务 × 内隐联想测验： 启动任务的分工是临时改变被试对音高体型联想的经验，提供趋同或发散的虚构生物配对并附带弱不确定或强权威的话语内容；内隐联想测验的分工是用一致块与不一致块的反应时差测量该联想的内隐强度，搭配理由是先操作经验再测量内隐强度可以直接检验象似联想的可塑性，组合后新增的作用是把启动条件的组间差异转化为一致性效应的大小差异。

整个设计是被试间 16 组：被试性别男或女，声音性别男或女，启动趋同或发散，内隐联想测验的一致块在前或在后。被试性别在各条件下平衡。启动和记忆任务在 Qualtrics 中实施，内隐联想测验在 PsyToolkit 中实施。分析关注的不是原始平均反应时本身，而是用混合效应线性回归建模正确反应的反应时，看哪些因素影响一致块与不一致块之间的反应时差异，并用被试和刺激的随机截距控制个体速度差异。

启动材料如何同时操纵体型、音高和情感？

启动组件的输入是图片加语音。图片是 AI 生成的想象森林生物或外星人，用 ImagineArt 生成不同颜色和角色。语音先用 SpeechGen 的男女声库生成基线，再用 SSML 功能重合成高低版本。原文报告基线范围和移调量是理解自然度与可辨度权衡的关键。弱不确定高音话语的内容大致是说自己有点害怕、是个弱者、希望得到帮助。

强权威低音话语的内容大致是说环境可能不同但自己很强、能应付。最终 10 大 10 小生物、10 弱 10 强话语、男女各 10 对高低声音，是经过取样研究的规范化后确定的。

趋同启动 × 发散启动： 趋同启动的分工是大生物配低音强势话语、小生物配高音弱势话语，强化高小弱与低大强的意识形态链条；发散启动的分工是把体型与音高话语反转配对，抑制同一链条，搭配理由是两种启动在呈现数量、记忆要求和声音性别上保持可比而只在是否符合预期上不同，组合意义在于形成加强与抑制的对照，从而判断联想强度是否随经验方向移动。

下面这张表整理启动刺激的构造条件，比较问题是不同性别声音的基线和移调是否一致，公平条件是同一性别内高低版本来自同一嗓音的重合成，指标方向是移调量越大感知差异越清晰但自然度可能下降。

表后解释需要同时说清收益与代价。主要收益是内容把体型音高与弱强情感绑在一起，正好对应频率代码的高小弱、低大强的链条，使启动不仅是物理配对重复，也触发意识形态联系。主要代价在讨论部分作者自己指出：因为启动同时操纵了音高重合成和情感内容，无法分离到底是音高、情感还是二者共同触发了启动效果。未胜出或未解决的边界是未来计划用未操纵的自然声音来拆分二者，本研究内没有提供该对照。

内隐联想测验的按键映射如何定义一致与不一致？

内隐联想测验组件的输入是两类刺激。概念刺激是 12 张黑白动物照片，白色背景，6 大 6 小。大动物包括熊、骆驼、鳄鱼、大象、长颈鹿、熊猫；小动物包括乌鸫、青蛙、豚鼠、老鼠、兔子、松鼠，两组在熟悉度和效价上匹配。属性刺激是 3 女 3 男每人 2 个无意义刺激 yerwer 和 ernerm，经 Praat 和 MATLAB 做时长和音高归一化，女声基准 195 Hz、男声基准 110 Hz，每条施加 0.7 ERB 下倾，再整体上移 1.7 ERB 生成高音版本、下移 0.7 ERB 生成低音版本。

一致块 × 不一致块： 一致块的分工是让同一按键同时负责大动物加低音高和小动物加高音高，符合频率代码的预期配对；不一致块的分工是把配对交叉为小动物加低音高和大动物加高音高，制造与预期冲突的反应映射，搭配理由是两类块只在映射一致性上不同而刺激集合相同，组合意义在于用一致减不一致的反应时差异作为联想强度的操作性定义。

流程共五块。块 1 熟悉化：大动物对小动物分占左右键。块 2 熟悉化：低音高对高音高分占左右键。块 3 一致块：同一键负责大动物加低音，另一键负责小动物加高音。块 4 熟悉化：把大小动物的左右键互换。

块 5 不一致块：同一键负责小动物加低音，另一键负责大动物加高音。一致先行条件下顺序如上；不一致先行条件下块 1 与块 4、块 3 与块 5 互换。被试用 E 和 I 键反应。分析只用正确反应，并对右偏的反应时做逆平方根变换再乘 1000，避免数值过小，再用 buildmer 选择最佳拟合模型，固定效应包括一致性与顺序和启动的三方交互、一致性与启动和声音性别和被试性别的四方交互、刺激类型与年龄的交互及低阶效应，随机效应包括被试截距、刺激截距和刺激上的一致性斜率。

本研究有没有训练神经网络？实际计算是什么？

本研究没有训练神经网络，也没有冻结或更新模型参数、反向传播路径或优化器步骤，因此不能从模型名称推定任何实现细节。该节的真实计算是统计建模与刺激生成。刺激生成侧的计算包括语音重合成移调、时长音高归一化和 ERB 操作；统计侧的计算是对正确反应时做分布正态化、混合效应线性回归拟合、模型比较和事后估计。

具体可复述的动作是：先探索多种正态化方法，选择逆平方根变换拟合正态分布最好；再用 buildmer 从包含上述交互的固定效应设计出发确定最佳模型；再用 car 包的 anova 做模型比较；再用 emmeans 做事后分析，对涉及一致性的结果用 eff size 度量一致性效应量。原文明确报告了年龄越大反应越慢、一致块快于不一致块、图片快于音高刺激等主效应，以及刺激类型与年龄的交互表现为年龄对图片反应时的影响更强。这些都是回归模型的输出，不是神经网络训练曲线。

被试、分组和排除标准是否可核对？

实验条件按数据、协议和聚合口径交代。被试招募完成 163 人，年龄 18-65 岁。排除 5 人：1 人母语背景不符合英国、澳大利亚或新西兰英语第一语言的要求；3 人在测验块中缺失数据超 10% 或正确率低于 75%；1 人在启动后记忆测验中低于随机水平。

剩余 158 人为 80 女 78 男，在 16 个条件中每组 8-11 人。被试性别在各条件平衡，声音性别在启动与内隐联想测验之间匹配。

下面这张表整理被试规模与分组结构，比较问题是样本是否足以支撑多因素被试间比较，公平条件是各组都经历相同的记忆动机和五块测验结构，指标方向是每组人数越多估计越稳但本文每组约 10 人属于小样本被试间设计。

表后解释要指出代价与未评测边界。主要收益是排除了语言背景、数据缺失、低正确率和未记住启动材料的被试，使启动经验的可比性更强。代价是每组 8-11 人在四因素被试间设计下对高阶交互的估计必然较 noisy，显著性依赖大量试次水平的混合模型而非被试均值。未评测边界包括没有报告听力筛查、语言能力细节和硬件耳机条件，复现时需要补记这些信息才能保证反应时可比。

启动是否按预期改变了音高体型的内隐联想？

结果按问题组织：测什么、与谁比、条件是否一致、指标方向、关键数字、支持的判断与限制。测的是正确反应时在一致块与不一致块的差异，趋同启动组与发散启动组相比，刺激集合和按键任务相同，只在先前经验是否符合预期上不同。指标方向是一致性效应为正表示一致块更快，效应越大表示高小、低大的内隐联想越强。

听者性别 × 声音性别： 听者性别的分工是携带被试自身的性别化经验和刻板印象，例如女性听者对弱强情感联想的体验可能更敏感；声音性别的分工是决定启动和测验中所听声音是男声还是女声，从而触发对特定性别声音的信念，搭配理由是二者分别代表感知的主体侧和刺激侧，组合意义在于检验同一种启动经验是否因谁在听和听谁的声音而产生不同大小的效果。

报告显示一致性、声音性别与启动的三方交互显著，趋同启动下一致性效应更强，数值上女声的差异更大，女声两启动条件下的效应量置信区间不重叠而男声重叠。一致性与启动的交互也显著，两种启动下一致性效应都显著但趋同更强。一致性与被试性别的交互显著，女性被试的一致性效应强于男性被试，但二者都强显著。一致性、顺序与启动的三方交互显著：趋同启动下两种顺序都为正；发散启动加一致先行时为正。

发散启动加不一致先行时为负且显著。一致性与顺序的交互显著，一致先行时显著，不一致先行时不显著。

下面这张表整理关键交互的统计报告，比较问题是哪些交互支持启动有效且受性别调节，公平条件是同一混合模型内的 F 检验，指标方向是 F 越大、p 越小表示交互越可靠，但不能直接当作效应量大小。

表后解释要给出主要收益与具体反例。主要收益是启动方向按预期移动了联想强度，支持象似联想可被经验暂时改变。反例是发散启动加不一致先行时出现显著负的一致性效应，说明顺序效应很强，不一致先行本身就会削弱甚至反转测量到的差异。另一个未胜出项是男声的两启动条件差异不稳健，虽然联想本身在两性别声音和两启动下都显著，但启动对男声的调节较小。作者的有限解释是启动突出了性别化情感联想，对女声的强化或破坏更强，覆盖了原本可能对男声更强的物理联想，这属于支持性解释而非直接验证。

哪些对照说明效应不是单一因素能解释的？

本文没有神经网络消融，但有可比的对照条件承担反证职责。第一个对照是顺序对照。一致先行与不一致先行互换后，发散启动的效果从减弱变为反转，说明测量到的启动效应与测验顺序相互作用，不能只归因于启动本身。第二个对照是声音性别对照。女声显示出清晰的趋同强于发散，男声则差异不稳健，说明启动不是对所有声音一视同仁地起作用。

第三个对照是听者性别对照。女性听者整体一致性效应更强，但该差异不与启动条件交互，说明仅做启动任务本身无论趋同还是发散都可能激活了女性听者对刻板联想的体验，这与此前体型联想中女性边缘显著的结果不同，也与上扬语调研究中女性更强的方向一致。

对初学者重要的是区分直接报告与推测。直接报告是上述交互显著且方向如上；有限解释是作者用性别化情感信念来理解为什么女声和女性听者更敏感；未验证推测是这种敏感是否来自长期语言经验、短期启动内容还是二者叠加，因为启动同时改变了音高和情感内容，本文数据无法拆分。缺失证据不是技术错误，但复现时必须保留这一缺项声明，不能写成拿掉情感内容后必然如何。

哪些边界使因果与推广必须谨慎？

限制先讲测量与操纵的纠缠。启动刺激把高低音重合成与弱强话语内容绑定，记忆测验也用原配音呈现，因此启动效果可能来自音高重复、情感语义、嗓音自然度变化或三者组合。原文明确承认无法分离音高与情感各自的作用，并提出未来用未操纵声音来拆分。这是具体缺项，不是泛泛的样本不足。

再讲顺序与样本。每组 8-11 人的被试间设计对四因素交互的估计能力有限；顺序主效应和交互非常大，发散加不一致先行的负效应提醒我们内隐联想测验的块顺序本身会塑造结果，推广到无顺序的自然感知时要谨慎。再讲概念范围。本文只测了体型概念的音高联想，没有同时重测性别概念，因此不能直接断言性别联想也会同样被启动。

也没有测量误判率以外的显式信念、反应延迟分解、训练部署成本或纵向保持，启动被描述为暂时的改变，不承诺长期效果。相关性不等于因果，显著交互支持调节关系，但不证明性别刻板印象是唯一机制。

要复现这项实验先做什么、记什么？

复现先做材料与分组的可重放清单。图片需要 10 大 10 小虚构生物加同体型同颜色箔片；语音需要男女各 10 对高低版本，男声基线约 105-139 Hz、女声约 200-238 Hz，低版本下移 3 半音、高版本上移 4 半音，并经规范化取样确定；话语内容需要 10 弱不确定配高音、10 强权威配低音。内隐联想测验需要 12 张动物图片与无意义词高低音版本，女声基准 195 Hz、男声基准 110 Hz，施加 0.7 ERB 下倾后再上移 1.7 ERB 生成高音、下移 0.7 ERB 生成低音。分组必须保留 16 格：被试性别、声音性别、启动趋同发散、一致先行或不一致先行，并记录每组人数、年龄分布、语言背景、排除规则和记忆测验通过标准。

分析复现要记录正态化选择、混合模型固定与随机结构、模型选择工具和事后估计方法。原文用逆平方根变换乘 1000、buildmer 选模型、car 做比较、emmeans 度量一致性效应量，随机结构含被试截距、刺激截距和刺激上的一致性斜率。资源状态必须如实写：本次收到的证据中没有发现来源绑定且完成验证的开源代码、模型或数据，不得声称代码模型数据已公开；生成式 AI 只用于部分刺激生产，图片与语音工具及话语辅助工具在方法中有交代，复现时应记录具体版本与提示词。

何时值得尝试是当研究问题涉及象似联想的可塑性和性别化信念时，这种先启动后内隐联想的范式比单纯相关调查更直接；还需补的验证是用自然音高与中性内容拆分启动成分，并预注册顺序效应的处理方案。

这篇论文改变了我们对音高象似性的什么理解？

收束回到中心矛盾：频率代码既有跨物种可观察的身体基础，又在人类语言中只固定了符合既有性别意识形态的那条链条。本文的贡献是用可操作的启动加内隐联想流程证明后半句：趋同经验增强高小弱、低大强的联想，发散经验减弱它；且这种可塑性本身被性别调节，对女声的调节更清晰，女性听者的整体联想更强。重提结果时增加的新对照是，与此前男性更强的体型联想相比，本次女性更强，作者把差异归因于启动任务本身激活了性别化情感联想，无论趋同还是发散都如此，这说明测量前的经验会改变我们以为稳定的象似强度。

对刚入门的研究生，带走的动作有三件。第一，复述时先说物理链条再说社会筛选，不要把比喻当证明。第二，做实验时把顺序、声音性别和听者性别都当作设计因素，而不是事后解释。第三，写结论时区分报告、支持和可能：报告启动方向与交互显著，支持性别化经验影响象似联想，可能的机制是情感刻板印象的激活但待验证。论文特有的误解是以为发散启动消除了联想，实际是减弱但仍显著，除非叠加不一致先行才出现反转；另一个误解是以为女声效应大就是女声本身更象似，实际作者解释为启动内容与女性刻板印象的契合度更高所致。

⚖️ 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