轮到谁说话，耳朵怎么提前知道：话轮末尾词拉长的多语料核对

英文题目：Word Lengthening as a Function of Utterance Position: A Multi-Corpus Study

会议身份：conference:interspeech:2026:conference-paper-id:camara26b_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：#统计分析 #韵律 #语音 #轮次切换

评分：5.9/10 | 创新 1.0/2 | 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 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Mateo Cámara：机构信息未能从会议 PDF 纯文本可靠映射
• José Luis Blanco：机构信息未能从会议 PDF 纯文本可靠映射
• Juan Ignacio Godino-Llorente：机构信息未能从会议 PDF 纯文本可靠映射
• Jeung-Yoon Choi：机构信息未能从会议 PDF 纯文本可靠映射
• Stefanie Shattuck-Hufnagel：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为连续对话与朗读语料中库方提供的词切分与说话人轮次边界，输出为轮次末词与句中词的时长差异判定，难点在于词汇选择、语速风格与韵律边界强度都会混淆位置效应。作者先将说话人切换前或长静音标记的轮次完成前最后一个词标为轮次末、其余标为句中，并把同说话人延续的中途句末归为句中以分离句法完成与话轮完成，得到全集比较用的位置标签。接着在剔除回馈词后做整体与分库比较以上一步标签量化位置主效应，再用同说话人同词形严格与宽松配对控制词汇效应，最后用断裂指数分组与音节切分定位效应来源以解释边界机制。在剔除回馈词的基准条件下，轮次末词的平均词时长指标为0.44 s，高于句中词的平均词时长指标0.24 s。与仅对比句法完成的方法不同，该方法以话轮完成为划分并用配对与韵律分层剥离词汇与语速混淆，使约二百毫秒级差异可作为轮次预测与合成的定量约束。同词配对效应减弱但仍成立，朗读与自发、英语与西班牙语均可观察，向音节计时、莫拉计时与声调语言的外推尚未验证。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，这篇解读要保留什么？

这篇解读的输入是论文原文给出的全部可核对证据，目标是让刚进入语音与对话领域的研究生能够复述方法并判断结论的适用边界。必须保留的信息包括语料名称与规模、话轮末尾与句中的操作定义、是否排除回馈词、组比较与配对比较的样本量与效应量、音节定位与边界等级的对照条件。输出是一套按学习依赖展开的说明，不做超出证据的推广。

任务本身来自日常对话的时间压力。一个人停下后另一个人常常在约 200 毫秒左右就接上，这个间隔短于通常的言语计划延迟。因此听者很可能在当前话轮展开过程中提前预判结束点，而不是等到声音完全停止才开始准备。句法与语义给出结构约束，韵律给出即时的声学线索，其中之一就是边界前的拉长。

论文把问题收窄为一个可测量的声学韵律线索：在话轮交接处，最后一个词是否系统性变长，变长是否只是因为末尾用了不同的词，以及变长发生在词的哪个位置。作者明确说明不声称发现末尾拉长这一现象的新颖性，也不把它当作完整的轮末预测器，只量化与位置有关的时长差异。

理解这项工作需要先建立位置的概念。白话说，话轮末尾指说话人把 floor 交出去之前说的最后一个词；英文是 turn-final。句中词指同一说话人还要继续说下去时的词；英文是 mid-sentence。

关键细节是出现在话轮中间的句子结束不算话轮末尾，因为句法完成不等于交接。只有换说话人或出现标示话轮完成的长静音之前的最后一个词才算末尾。这个区分决定了后面所有分组比较的含义。

初学者容易把词变长直接理解为说话人刻意放慢。更稳妥的理解是位置有关的时长差异。论文在讨论中明确提醒，观测到的差异既可以读作末尾拉长，也可以读作句中相对缩短，当前设计不裁定方向。保留这种双向表述很重要，它防止把相关性说成单一因果动作。

前人从会话到音节研究了什么，本研究接在哪一环？

会话层面的研究把轮替看作可投射的协同系统。也就是说，结束是可以被提前预期的。定量工作发现间隙通常很短，听者在当前话轮结束前就开始准备回应。德鲁伊特等人的观点是投射依赖多种局部线索的增量汇合，包括语用动作完成、句法闭合与韵律完成，而不是某一个决定性触发器。停顿、间隙与重叠的时间分布进一步约束了什么样的交接算顺畅。这意味着任何单一声学线索都只能是拼图的一块。

短语层面的前边界拉长是时间线索中最稳健的一个。在朗读语音中，克拉特报告短语末元音平均长约 40 毫秒。塞法特等人在 10 种类型不同的语言的自发语音中记录了话语末词拉长，说明跨语言稳健性。伯德与萨尔茨曼的模型把拉长形式化为与 ongoing 发音竞争的边界手势，自然地预测等级效应。标注框架用 ToBI 断裂指数区分短语内、中间短语与语调短语边界，使边界强度与时间结果可以系统关联。

词层面是韵律组块与话轮管理相遇的实用位置。在任务型对话中，格拉瓦诺与赫希伯格发现轮替与一组声学韵律线索相关，其中末词时长是信息量较大的预测变量之一。洛卡尔等人描述了与保持话轮和让出话轮相关的语音配置，洛卡尔与沃克进一步说明词尾的精细语音细节支持听者对完成的投射。这解释了为什么论文选择词作为基本计时单位。

音节层面的分析负责定位时间扩张发生在哪里。奥勒在控制材料中报告了可观的末音节增长，元音平均增加约 100 毫秒。后续工作提示边界拉长通常在末音节韵腹最强，且量级随边界强度变化。论文的第 3 个问题直接继承这一脉络：拉长是弥散在全词，还是集中在末音节。把 4 层放在一起，本研究的位置是跨语料与跨风格地量化词级位置差异，并用配对控制与音节定位检验它是否属于边界附近的定时控制。

要回答的三个问题是什么，为什么必须分开问？

第一个问题是稳健性。不同言语风格与不同语言下，话轮末尾拉长是否方向一致。风格包括自发电话对话、任务型双人对话与朗读广播新闻，语言包括英语与西班牙语。如果只在一个语料上成立，就不能当作可复用的线索。

第二个问题是机制归属。观测到的变长究竟是韵律修饰，还是词汇选择的人为假象。举例说明，假如说话人习惯在末尾说谢谢这类本身较长的词，组均值差就会被夸大，但这不代表同一个词被拉长了。必须用同词比较才能分离这两种来源。这里的例子只是教学用词，不代表论文统计了该词。

第 3 个问题是定位。拉长是分布在整个词，还是集中在末音节。如果是整体放慢，非末音节也应显示跨位置差异；如果是边界手势的局部作用，差异应主要出现在紧邻边界的末音节。这个问题决定了后面建模时应该对全词加时长，还是只对词尾加时长。

3 个问题必须分开，因为它们对应不同的对照。稳健性需要跨语料重复，词汇问题需要配对设计，定位问题需要音节切分。混在一起就会用组均值回答本该由配对回答的问题。

方法全景：一个样本如何走完输入到输出？

先沿一个词 token 走完流程。输入是语料自带的词边界时间戳，研究不重新做强制对齐。系统根据说话人切换或长静音判断话轮边界，把边界前最后一个词标为话轮末尾，其余标为句中。注意话轮中间的句子结束仍标为句中。接着根据语料特定的标注与统一词表识别回馈词，基线分析排除这部分。输出是每个 token 的位置标签与时长，时长由词边界相减得到。

随后进入 3 条分析支路。第一条是组比较，直接比较两类位置的词均值，给出毫秒差、倍率与科恩 d。第二条是配对比较，按说话人与词形索引，为每个词在两种位置各选一个出现，严格配对还要求同一录音会话，用配对 t 检验检验差值。第 3 条是定位与边界对照，分别用带音节切分的语料比较词内音节，用带断裂指数的语料比较低中高三档边界。

4 个语料的选择理由是最大化风格与语言多样性，同时兼顾可用的韵律标注。电话对话提供自发风格，游戏语料提供任务型风格，广播新闻与西班牙语语料提供朗读风格与跨语言对照。所有分析都使用语料已验证的标注，研究本身不训练声学模型，也不学习新的分词器。

统计报告统一口径。两组独立比较用韦尔奇 t 检验，配对比较用配对 t 检验，效应量报告科恩 d。论文给出独立样本 d 的计算式，分子为两均值差，分母为合并标准差。这种写法的好处是毫秒差反映绝对时间，d 反映相对分离程度，两者需要一起读。

位置标注与回馈词处理具体怎么做？

位置标注的操作定义是整套方法的基础。每个 token 若为换说话人前或标示话轮完成的长静音前的最后一个词，则为话轮末尾，否则为句中。实现上依赖语料的说话人通道与静音信息。总量上得到 39470 个末尾 token 与 206268 个句中 token，跨约 39500 个话轮。样本不平衡达到 4 到 9 倍，但 4 个语料方向一致，因此不平衡本身不构成方向性偏倚的证据。

回馈词处理是防止短听者回应污染边界效应的步骤。短回应例如 yeah、okay、mm-hm，用各语料标注加统一词表识别，共排除 14525 个 token，占约 5.9%。基线分析排除它们，另设只看回馈词的对照。这种双报告的设计让读者能看到主效应在排除后是增强还是减弱。

话轮末尾 × 韵律边界： 话轮末尾负责界定交互意义上的让出 floor 的位置，由换说话人或长静音标定；韵律边界负责界定发音时间控制上减速的强度，用 ToBI 式 break index 分级。两者搭配的理由是话轮交接处往往也是高等级韵律边界，组合后可以把位置差异解读为边界附近的定时控制，而不只是句法结束。

回馈词 × 话轮末尾效应： 回馈词负责指 yeah、okay、mm-hm 这类短的听者回应，它们常出现在边界但韵律模式不同；话轮末尾效应负责度量末尾词相对句中词的拉长。搭配理由是回馈词若大量计入会稀释或扭曲均值，组合后新增的作用是通过纳入与排除两套分析确认主效应不是由回馈词驱动。

初学者复述时要说清两点。第一，句子结束不等于话轮结束，只有交接处的最后一个词才算末尾。第二，回馈词的基线是排除状态，凡是引用 pooled 差值都要注明是否排除回馈词，否则不同表格的数字会对不上。

配对控制、边界等级与音节切分如何分工？

配对控制负责回答词汇选择问题。做法是按说话人与词形建索引，每对取一个末尾出现与一个句中出现，而不是枚举全部排列组合，避免高频词主导结果。严格配对要求 2 次出现来自同一会话，放宽配对允许跨会话。严格对有 9018 对，放宽对有 6547 对。检验的是末尾减句中的配对差值，报告均值、中位数、配对 d 与正向比例。

边界等级负责提供独立于话轮标签的韵律证据。断裂指数来自语料自带的 ToBI 风格标注，按文件标识与词时间跨度对齐到词。分组为低档零到一表示短语内，中档二表示中间短语，高档三到四表示语调或主边界。如果末尾拉长反映边界定时控制，词时长应随这三档单调上升。

音节切分负责定位。只在有时间对齐音节切分的语料中使用，即电话对话与西班牙语语料，且跨位置比较只用多音节词。词内比较末音节与非末音节，跨位置比较同一音节位置在末尾与句中的差异。这样可以区分词内本就存在的末重模式与真正由话轮位置带来的增量。

前边界拉长 × π-手势模型： 前边界拉长负责描述靠近边界时音段时长增加的现象；π-手势模型负责给出机制解释，即边界手势与正在进行的发音手势竞争并在时间邻域内拖慢发音。搭配理由是仅报告变长不能区分整体放慢还是边缘定位，组合后新增的作用是预测效应应集中在紧邻边界的末音节。

同词配对 × 词汇选择： 词汇选择负责提出一种竞争解释，即末尾用了本身更长的词；同词配对负责固定说话人和词形，只比较同一词在末尾与句中两种位置的时长。搭配理由是组均值差混入了词频与词长差异，组合后新增的作用是得到词汇受控的保守估计。

末音节 × 非末音节： 末音节负责承载紧邻边界的时间调整；非末音节负责充当词内对照，检验减速是否蔓延到整个词。搭配理由是只看词总时长无法定位，组合后新增的作用是用词内差与跨位置同音节差共同支持边缘定位而非全词放慢。

三者缺一不可。没有配对，组差异可能是选词；没有边界等级，位置差异可能只是交互标注的人为划分；没有音节定位，就不知道时长模型该加在何处。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络，也没有学习新的声学参数。没有优化器更新、没有梯度路径、没有冻结与解冻的层、没有训练轮次与早停。所有词边界、音节边界与断裂指数都直接取自语料自带标注，计算过程是确定性的时长相减、分组平均与统计检验。

实际执行的计算包括 4 类。第一是标注映射，把每个词映射到位置标签与回馈词标签。第二是描述统计，计算均值、毫秒差、倍率与科恩 d。第三是假设检验，独立组用韦尔奇 t 检验，配对用配对 t 检验。第四是分层核对，按词形长度、音节数与会话侧重复上述比较，观察效应是否持续。

需要明确指出的缺项是语速与句法没有在统一回归中建模，信息结构如焦点与已知信息也没有控制。论文在局限中承认了这一点。因此不能把配对差值理解为剥离一切混杂后的因果效应，它只是排除了词形与说话人身份这两项主要混杂后的保守估计。

复述时不要把无训练说成确定性求解对话。时长测量仍受语料边界精度的限制，作者只是用同词控制、边界梯度与词内定位 3 条证据共同论证标注误差不是唯一驱动，而不是证明测量完全无误差。

数据、划分、指标与聚合口径是什么？

数据是 4 个已建立的语料。电话对话覆盖自发风格，游戏语料覆盖任务型双人对话，广播新闻覆盖英语朗读，格利桑多覆盖西班牙语。说话人总数超过五百。词 token 总量为末尾 39470 与句中 206268，跨约 39500 个话轮。各语料的末尾与句中 token 数分别为游戏 7437 与 66417，电话 17151 与 79736，广播 7821 与 23954，西班牙语 7061 与 36161。

划分不是训练集与测试集的划分，而是按分析目的的分组。主分析按位置分组，配对分析按说话人与词形分组，边界分析按断裂指数分组，音节分析按音节位置分组，稳健性分析按回馈词、词长、音节数与会话侧分组。会话侧指一个录音中的单个说话通道，不保证跨录音对应同一个人，因此变异分析的单位是会话侧而非跨库统一的说话人标识。

指标方向需要先讲清。词时长越长表示拉长越明显，毫秒差为末尾减句中，正值表示末尾更长。倍率为末尾均值除以句中均值，大于一表示更长。科恩 d 越大表示两分布分离越大，正值同样表示末尾更长。配对分析还报告正向比例，即差值为正的对子占比。

聚合口径分 3 层。词层报告词总时长，音节层报告音节时长，会话侧层报告每个会话侧的 d。论文同时报告 pooled 与分语料结果，pooled 反映总体量级，分语料反映一致性。引用时必须注明聚合对象，否则会把词级约 200 毫秒与配对约 80 毫秒混为一谈。

末尾词更长吗，总体与分语料证据是什么？

先看总体组比较提出的问题。在回馈词排除的基线下，末尾词均值是否为系统性高于句中词，公平条件是全部四库 pooled 且统一排除回馈词，指标方向是毫秒差与 d 越大分离越大。结果显示末尾均值 0.44 秒，句中均值 0.24 秒，差 203.1 毫秒，倍率 1.85 倍，d 为 1.22。这是一个大效应，但它包含词长分布差异，需要配对结果一起读。

以下导读针对总体分布图，帮读者把均值差与分布形态对应起来。该图 pooled 全部数据，横轴只有两类，纵轴是毫秒，重点不是单点而是两团分布的整体错位。

看图路径： 1. 先确认横轴两类为 Mid-Sentence 与 Turn-Final，纵轴为词时长毫秒；2. 再比较两把小提琴的中心横线位置与上尾延伸长度；3. 最后读右上标注框中的差值、效应量与显著性

论文图 1。原论文 Figure 1：“Word duration over all datasets (pooled) based on sentence position.”。

该图左侧为句中，右侧为末尾，右侧小提琴的中心明显上移，上尾延伸更长，右上标注给出差约 191 毫秒、d 约 1.14 与显著性。注意图中标注的全量差与正文基线排除回馈词后的 203.1 毫秒口径不同，前者含回馈词，后者排除回馈词，引用时要按是否排除回馈词区分。像素能辨别的只是相对位置与标注数字，不能读出精确到个位的底层均值。

分语料结果支持方向一致。游戏、电话、广播、西班牙语四库的效应量分别约为 0.78、1.19、1.08、1.47，绝对时长在朗读语料更高，反映语速较慢。英语朗读与西班牙语朗读的直接比较显示两库都有清晰拉长，西班牙语在该比较中更强。跨语言的结论应表述为在所考察的朗读对比中成立，而不是对所有语言类型的普遍证明。

上表把总体、配对与跨语言放在同一框架下，比较问题是组均值差中有多少能经受词汇控制。表后解释是配对差约 80 毫秒远小于 pooled 约 200 毫秒，说明一部分组差异来自选词，但剩余的同词增量仍显著且正向比例超过 70%。代价是严格配对只剩下九千多对，覆盖的词形限于在两种位置都出现过的词，不能代表只出现在末尾的罕见长词。未胜出的反例是少数配对为负，词形层面仅 32 个词为负，集中在 yep、nope、mm 这类末尾被截短的回馈类词。

同词还更长吗，边界与音节证据指向哪里？

配对比较的问题是固定词形与说话人后增量是否还存在。公平条件是每对只取 1 次末尾与 1 次句中，不枚举全部组合，严格版还要求同一会话。指标是配对差的均值、中位数与正向比例。结果是严格平均长 79.9 ms，中位数 74.5 ms，配对 d 为 0.59，正向占 77.1%；放宽平均长 81.1 ms，中位数 79.5 ms，d 为 0.69，正向占 81.6%。按词形聚合，92.8% 的词显示正向末尾效应。

以下导读针对配对差分布图，重点是差值相对零点的位置，而不是原始时长。该图横轴为末尾减句中的毫秒差，两行分别为放宽与严格配对，箱体与中线都在零点右侧。

看图路径： 1. 先确认横轴为配对差值毫秒，零点左侧为负向逆转；2. 再比较 Strict 与 Relaxed 两行箱体相对零点的位置；3. 最后观察须线向右延伸的范围与左侧短尾的比例

论文图 3。原论文 Figure 2：“Distribution of paired duration differences (ms): turn- final minus mid-sentence, for strict and relaxed matched-word pairs (backchannels excluded).”。

该图显示两行箱体主体位于正值区，中线在 74.5 ms 与 79.5 ms 附近，右须延伸较长，左侧虽有负尾但占比小。这与正文报告的多数为正、少数逆转一致。像素不能精确读出分位数数值，具体数字以正文报告的均值与中位数为准。

边界等级提供独立验证。问题是词时长是否随断裂指数单调上升，公平条件是统一排除回馈词并使用语料自带标注。结果是低档平均 0.22 s，中档 0.34 s，高档 0.44 s，高减低差 215 ms，倍率 1.97×，d 为 1.35。以下导读针对边界箱线图，重点是三档自下而上的阶梯，横轴为词时长秒数，纵轴为低中高三档断裂指数分组。

看图路径： 1. 先确认纵轴三档为 Low、Medium、High，横轴为词时长秒；2. 再从下往上比较箱体中线向右移动的阶梯；3. 最后比较 High 一档右须明显更长的分布形态

论文图 2。原论文 Figure 3：“Word duration by prosodic boundary strength (ToBI- style break index; backchannels excluded). Categories: low (0– 1), medium (2), high (3–4).”。

该图从下往上三档箱体依次右移，高档箱体与右须明显更长，说明更强的边界对应更长的词。这支持把话轮位置效应解读为与韵律边界标记紧密相关的定时控制，但它仍是相关证据，不是操纵边界的因果证明。

音节定位进一步收窄机制。词内比较显示末尾词中末音节 0.29 s 对非末 0.18 s，d 为 0.89；句中词也有类似的词内模式。跨位置比较同一音节位置，末音节的末尾对句中差异 d 仅 0.09，非末音节 d 仅 0.01。也就是说，位置增量几乎全部由末音节携带。这与全词均匀放慢的解释不一致，更符合边界手势在邻域内作用最强的预测。

上表同时给出词内与跨位置两种口径，避免把词内末音节更长直接当作话轮效应。主要收益是定位明确，代价是跨位置同音节的 d 很小，容易被误读为无效应。正确读法是词级大差异由末音节的小而稳定的增量在多音段累积与选词共同造成，单看音节 d 会低估词级可观测性。

排除回馈词、控制词长后效应还在吗？

稳健性分析回答 3 个具体的反证问题。第一，回馈词是否驱动主效应。结果是只看回馈词时差仅 22 毫秒，d 为 0.13；排除回馈词后 d 从 1.14 升到 1.22。说明主效应不是由回馈词驱动，纳入它们只会轻微稀释。

第二，词长是否解释效应。按正字法长度分层，短词一到四字符差 143 毫秒，d 为 1.07；长词五字符以上差 141 毫秒，d 为 0.85；极短一到二字符差 105 毫秒，d 为 0.85。按音节数在西班牙语语料中分层，单音节 d 高达 3.08，双音节 1.42，多音节 0.75。绝对毫秒差在长词并不更大，但标准化效应在短词与单音节更强，说明定时调整不是选长词的人为产物。

第三，效应是否只来自少数录音。作者以会话侧为单位计算每个单位的 d，要求每条件至少 10 个 token。以下导读针对会话侧变异图，重点是 4 个语料的中位数是否都为正以及离散范围。

看图路径： 1. 先确认横轴为每会话侧的 Cohen’s d，纵轴为四个语料；2. 再比较各行箱体中线是否都明显落在正值区；3. 最后观察 Columbia Games 左须延伸到零附近的离散情况

论文图 4。原论文 Figure 4：“Conversation-side variability in turn-final elongation (Cohen’s d; backchannels excluded).”。

该图 4 个语料的箱体中线都明显落在正值区，西班牙语与电话的中位数最大，游戏语料的左须延伸最长并有个别非正单位。这表明现象不是少数会话侧驱动，但游戏语料的异质性更高，引用时应保留仅游戏语料出现非正单位这一边界。

综合来看，3 个对照都支持主效应的稳健性，但也划出适用条件。回馈类短词、极短词与个别会话侧是已知的弱效应或反例区域，对话系统若把末尾拉长当作特征，需要为回馈词单独建模，而不能指望单一阈值在所有会话侧同样有效。

哪些结论不能下，缺了哪些验证？

首先是语料异质性限制直接跨库比较。4 个语料在通道、语速、标注精度与任务上都不同，分语料数字的方向一致可以报告，但把西班牙语效应更强解读为语言本质差异需要待验证，因为风格与说话人构成并不完全可比。跨语言比较在论文中被收窄为朗读对比，推广到音节定时、莫拉定时或声调语言仍是开放问题。

其次是没有统一建模语速与句法。语速慢本身会放大绝对毫秒差，句法结构与信息结构如焦点与已知信息也会调节时长。论文未在回归中同时控制这些变量，因此配对估计仍可能混入语速与信息结构的贡献。缺失这些控制不是技术错误，但意味着不能把 80 毫秒读作纯粹的边界手势大小。

第三是测量精度。语料自带的词边界在话轮末端可能不够精确，尤其是有延长、喉化或静音交界的地方。作者用同词控制、边界梯度与词内定位 3 条间接证据论证标注误差不是唯一驱动，但没有逐词重标或给出边界误差的定量上界。复现时若更换对齐器，需要单独报告边界误差。

第四是方向性。论文明确说明设计不裁定是末尾拉长还是句中缩短。任何把结果写成说话人刻意拉长末尾的因果表述都超出了证据。更准确的表述是位置有关的时长差异在末音节处可观测，且随边界等级增强。

要复现这套结果，先做什么、用什么条件？

先准备数据与标签。获取 4 个语料的词级时间戳与说话人通道信息，按换说话人与长静音复刻位置标签，话轮中间的句子结束必须标为句中。用语料特定标注加统一词表复刻回馈词表，先跑排除回馈词的基线，再跑全量与仅回馈词两套对照，核对 d 从 1.14 到 1.22 的变化方向。

再复刻配对流程。按说话人加词形建索引，每对只取一个末尾与一个句中样本，严格版限制同一会话。不要枚举全部排列，否则高频词会主导均值。核对严格 9018 对平均 79.9 毫秒与放宽 6547 对平均 81.1 毫秒，以及正向比例与配对 d 是否落在相近区间。若样本量对不上，优先检查回馈词排除与大小写归一化是否一致。

然后复刻边界与音节分支。边界分支只在有断裂指数的语料上运行，按零到一、低二、高三到四分组，核对 0.22 秒、0.34 秒、0.44 秒的阶梯与高减低 215 毫秒。音节分支只在有音节切分的语料上运行，且跨位置比较限多音节词，核对词内 d 约 0.89 与跨位置非末 d 约 0.01 的分离。

资源状态需要如实记录。本次收到的证据中没有来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开。论文正文给出补充材料网址，但本次未能确认可达，复现前应先自行确认链接与语料许可，不能默认可下载。可运行的最低配置是能读取语料标注并执行分组统计的脚本，不需要训练加速器。

何时值得借用这套发现，还需补哪项验证？

当任务需要对交接点附近的时长做显式建模时，这套发现值得借用。例如在轮替建模与语音合成中，可以把约 200 毫秒的 pooled 组差异当作观测上限，把约 80 毫秒的同词配对增量当作词汇受控后的保守目标，并把调整集中在末音节而不是全词均匀拉伸。边界等级的结果提示可以用断裂指数或韵律边界预测作为辅助条件，而不是只用话轮标签。

不值得直接套用的是把单一阈值当作轮末检测器。论文只研究一个声学韵律线索，且回馈词、极短词与个别会话侧是已知弱区。实际系统需要与句法闭合、语用完成与基频、音质等多线索汇合，这与德鲁伊特等人的增量汇合观点一致。

还需补的验证包括统一控制语速、句法与信息结构的回归，在更多节奏类型与声调语言中重复，以及量化词边界误差的上界。补完这些后，才能更准确地说清 80 毫秒中有多少属于边界定时，多少属于可预测的语速与信息结构效应。

⚖️ 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