句子可预测时，语音细节为何不再左右词汇竞争

英文题目：From Words to Sentences: Contextual Predictability Overrides Phonetic Ambiguity in Lexical Competition

会议身份：conference:interspeech:2026:conference-paper-id:chang26g_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 #统计分析 #言语感知 #语音 #语音识别

评分：7.1/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1.0/1.5 | 可复现 0.4/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：理论研究

👥 作者与机构

• Will Chih-Chao Chang：机构信息未能从会议 PDF 纯文本可靠映射
• Jiaxuan Li：机构信息未能从会议 PDF 纯文本可靠映射
• Xin Xie：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

口语词识别需在声学展开中解决目标词与最小对竞争词的词汇竞争，关键是亚音位细节与句子预测如何加权。该研究先用范畴判定标定24对词首浊清塞音最小对的嗓音起始时间（Voice Onset Time，VOT）边界并挑选无歧义、部分歧义与最大歧义token，再在孤立词中测跨通道启动的身份优势（identity advantage），随后将相同token剪接到高低可预测句中并在目标词偏移处测视觉词汇判断。与锐化账户不同，预测编码与贝叶斯先验主导预测语境应削弱语音证据权重。在孤立词跨通道启动任务条件下，无歧义token的身份优势指标为β=0.051，高于最大歧义token的身份优势指标β=-0.007。句子中高可预测语境身份优势更大且嗓音起始时间调制消失，支持语境覆盖语音证据而非增强其分辨力。结论仅适用于英语词首塞音、先行预测语境与偏移点启动范式，未验证阈值渐变性与编码保真机制。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，要解决的听说矛盾是什么？

本文输入是听觉语音与视觉词汇判断任务的组合，目标是回答研究生最容易混淆的一个问题：孤立词中很灵敏的语音细节效应，到了句子里是否还管用。作者首先交代研究对象不是合成语音识别率，而是人类在声音展开过程中如何在多个候选词之间解决词汇竞争。具体动作是让被试先听一段声音，在声音结束的瞬间看到一个视觉字符串并尽快判断它是真词还是假词，记录反应时与正确率。

核心矛盾在于，一方面大量孤立词工作显示浊音词 gold 若带上接近浊清边界的嗓音起始时间，就会同时激活清音竞争词 cold，使二者反应时差距缩小；另一方面日常听话几乎都有句子语境，语境会强烈约束下一个词可能是谁。初学者需要先建立的直觉是，语音细节提供自下而上的证据，句子语境提供自上而下的预期，二者在句子理解中如何分工并无定论。

本文不提供新的神经网络模型，也不声称代码、模型或数据已公开，本次可核对的事实只限于论文正文报告的实验设计与统计结果。后续所有方法与数字讨论都围绕这一矛盾展开，先讲孤立词能复现什么，再讲句子如何改变它。

已有路线为什么没有直接回答该问题？

已有工作沿两条路线推进，但中间留了一个缺口。第一条路线研究次音位变化如何以渐变方式影响词汇通达，常用孤立词或极简载体句，证明系统在没有其他信息时能够利用精细语音细节。第二条路线研究句子语境对词识别的影响，但多数工作只做到音位归类层面，或者用跨音位类别的语音操纵来调节竞争词激活，而不是在次音位层面参数化地改变同一个词内的嗓音起始时间。

因此，前者说明系统能做什么，后者说明语境有作用，但二者没有正交地回答当语境存在时次音位效应是否持续。作者进一步把理论分歧写清楚：以 TRACE 为代表的交互激活与信号锐化观点认为高层预期会通过反馈锐化低层表征，预期越强应越保持甚至放大对语音细节的敏感性；以预测编码与 Shortlist B 为代表的观点则认为强预测会抑制预测误差或提高先验权重，从而降低自下而上证据在词汇竞争中的相对贡献。

理解这 1 对照是读懂实验 2 的关键，因为实验 2 的高可预测与低可预测比较正是为了区分锐化还是覆盖。若锐化成立，高可预测句中语音模糊效应应保持或变大；若覆盖成立，该效应应减弱或消失。作者明确指出，孤立词范式建立的理论未必能直接推广到句子理解。

本文把问题收敛成哪一个可检验的预测？

本文把开放问题收敛为一个可操作的比较：用同一批嗓音起始时间操纵的最小对刺激，先在孤立词中检验身份优势是否随模糊度缩小，再把完全相同的语音 token 拼接到高低可预测句子中，检验同样的缩小是否还出现。这里身份优势被定义为视觉探针与目标词相同时比与最小对竞争词相同时反应更快，其大小直接索引目标与竞争词之间的竞争解决程度。举例来说，听到偏向 gold 的声音后看到 GOLD 应比看到 COLD 按键更快，若声音越模糊则二者差距越小，说明竞争解决得越差。

教学例子仅用于说明逻辑，不附加无源数值。作者的检验标准是交互作用：在孤立词中应出现语音模糊度与探针类型的线性加 2 次交互，在句子中则要看该交互是否被语境可预测性消除，同时看身份优势与可预测性本身的交互是否为正。为保证公平，目标词声学属性在孤立与句子条件下保持相同，只有有无句子语境与语境强度发生变化。这一设计使结果具有明确的反证价值：若句子中仍有渐变效应则支持锐化，若效应消失则支持覆盖或先验主导。

跨通道启动的全景流程如何走通一个样本？

先沿一个样本走完全流程有助于建立全局观。以 gold 与 cold 这 1 对为例，听觉启动语是经过嗓音起始时间操纵的 gold 的某一档发音，视觉探针在听觉偏移时刻出现，3 种可能是相同词 gold、竞争词 cold 或无关词 rule，被试对视觉串做词非词判断。实验 1 把听觉部分做成孤立词，实验 2 把同一档 gold 拼接到句子中间的目标词位置，视觉探针仍在目标词偏移时刻出现。实验 1 的教学价值在于建立基线：若语音细节确实塑造词汇竞争，那么从无模糊到最大模糊，相同与竞争探针的反应时差应逐渐收敛。

实验 2 的教学价值在于加入正交的语境维度：同一个 gold-No 或 gold-Max 既可出现在珠宝店戒指这类高可预测句中，也可出现在哲学家点石成金这类低可预测句中，从而分离语音与语境各自的贡献。下图展示了实验 1 的时间结构，听觉与视觉如何衔接是理解后续反应时指标的前提。

词汇竞争 × 身份优势： 词汇竞争指听觉输入展开时多个候选词同时被激活并相互争夺识别结果的过程，身份优势指视觉探针与目标词相同时比与最小对竞争词相同时词汇判断更快所形成的反应时差，二者搭配的理由是直接观察竞争难以量化而反应时差把解决程度转为可测指标，组合意义在于用身份优势的大小和有无来读出语音模糊或句子预测是否真正改变了目标与竞争词之间的胜负关系。

看图路径： 1. 先找到顶部三档听觉输入标注 gold-No、gold-Some 与 gold-Max；2. 再看黑色箭头与竖直虚线标出的听觉偏移与视觉呈现时间点；3. 最后对照右侧三色文字确认相同词 gold、竞争词 cold 与无关词 rule 三种探针

论文图 1。原论文 Figure 1：“Design of Experiment 1. Visual probes appear at the offset of auditory primes (indicated by the vertical dashed line).”。

该图把时间对齐讲得很直白：顶部大括号列出同一目标词的三档模糊输入，黑色箭头指向听觉 gold 的偏移边界，右侧竖直虚线就是视觉呈现时刻，右侧三行分别对应相同、竞争与无关探针。读图后应能复述：自变量是听觉模糊档与视觉探针类型，因变量是视觉词汇判断的反应时，关键比较是相同与竞争之间的差值如何随模糊档变化。作者还用填充词平衡真假词比例，并用理解题保证被试真正听句子，这些都是维持任务有效性的辅助动作。

语音模糊三档与语境高低是如何构造的？

语音部分从 26 对词首塞音浊清最小对开始，经发音部位分组做范畴定级，再筛选出 24 对可用刺激。每对生成 15 步、步长 5 毫秒的嗓音起始时间连续体，并保留嗓音起始时间与基频、送气强度等参数的自然协同变化，范围按部位分别设为双唇、齿龈与软腭 3 段。随后按浊音目标词的相对模糊度选出三档：无模糊与有一些模糊两档在归类上都明确属于浊音，但在连续体上距离最远以最大化次音位差异；最大模糊档取最接近浊清边界、两类反应各占约一半的那一步。

这种选法保证前两档是范畴等价而次音位不等价，从而把效应归因于细节而非跨范畴。语境部分为每个目标词构造高低可预测句框，用 GPT-2 small 计算浊音目标词的惊奇值，惊奇值越低表示越可预测，高可预测句设计为小于 5，低可预测句设计为大于 5。目标词位置的声学直接替换为实验 1 的同档 token，保证孤立与句子条件下的语音完全相同。初学者应记住，语音操纵解决可比性，语境操纵解决预测强度，二者正交才能回答覆盖问题。

嗓音起始时间 × 语音模糊度： 嗓音起始时间指辅音除阻到声带振动开始之间的时间间隔，是区分浊音与清音的关键声学线索，语音模糊度指所选刺激在多大程度上接近浊清范畴边界从而同时激活两个候选词，二者搭配的理由是只说模糊很抽象而嗓音起始时间提供了可在毫秒尺度上连续操纵的具体旋钮，组合意义在于把无模糊、有一些模糊和最大模糊三档 token 与词汇竞争的渐变变化直接挂钩。

上下文可预测性 × 惊奇值： 上下文可预测性指在给定前文后听者对目标词出现可能性的预期强度，惊奇值指语言模型给目标词在该语境下负对数概率所定义的操作化指标，分工是前者为心理概念而后者为可计算实现，搭配理由是人工直觉难以保证高低预测句真正拉开差距而模型惊奇值给出连续可核对的刻度，组合意义在于既能做高低 2 分比较又能用连续差异惊奇值检验预测效应的渐变性。

白话小结是，嗓音起始时间是旋钮，模糊档是刻度，惊奇值是语境强度的尺子。实验 2 每个目标词有 3 套高可预测句框与 3 套低可预测句框，分别配三档语音，形成 24 乘 2 乘 3 共 144 个不同听觉句子，再与探针类型做被试间平衡。这种构造使后续既能做高低 2 分，也能用竞争词减目标词的差异惊奇值做连续梯度检验。

本研究训练了什么，没有训练什么？

本研究没有训练任何语音识别或语言理解神经网络，也就没有优化器、梯度路径、参数冻结与更新、早停或权重下载等事项，这是必须首先说明的缺项，不能从模型名称推定实现。真实计算过程分为 3 类。第一类是刺激合成与剪辑计算：用 Praat 脚本按 5 毫秒步长生成嗓音起始时间连续体，负值嗓音起始时间通过在零毫秒 token 前拼接指定时长的前置浊音段实现。

句子语音用文本转语音模型生成以保证高低预测句语速一致，再手工把目标词替换为实验 1 的同档 token，实现自然跨拼接。第二类是语言模型推理计算：调用已有的 GPT-2 small 前向计算目标词与竞争词在每个句框中的惊奇值，不做微调，只取其输出作为可预测性操作化与协变量，其中 2 分阈值与连续差异惊奇值分别承担主分析与补充分析。

第 3 类是统计建模计算：对数转换反应时后拟合线性混合效应模型，预测变量包括探针类型、语音模糊多项式对照与语境求和编码及其交互，协变量涵盖视觉词频、音位与正字法邻域密度、正字法二元概率、语素数与英语词汇项目基线反应时，随机效应经逐步简化保留被试与视觉词随机截距。

预测编码 × 贝叶斯推断： 预测编码强调强自上而下预测会解释掉预期输入并抑制向上传递的预测误差，贝叶斯推断强调强先验会提高先验概率的权重从而相对降低自下而上语音证据的权重，二者分工不同但搭配理由是都预测高预测语境下语音细节对词汇竞争的影响应减弱而非增强，组合意义在于与信号锐化假设形成对照，共同约束本研究孤立词有效应而句子中效应消失这一结果的理论解释空间。

上述 3 类计算的分工是，合成保证语音可比，语言模型保证语境可度量，混合模型保证效应可分离。复现时应先重做定级与选档，再重做拼接一致性检查，最后重跑混合模型对照编码，任何一步缺失都会使交互解释失去依据。

被试、试次与测量条件如何保持一致？

3 组英语母语者分别完成定级、实验 1 与实验 2，均经 Prolific 招募并在线完成。定级任务 50 人，按发音部位随机分配连续体做二选一浊清归类，用于定边界与选档。实验 1 与实验 2 各 66 人起测，按词汇判断正确率与反应时离群标准纳入分析，最终实验 1 纳入 58 人、实验 2 纳入 60 人，试次层面剔除超出个人均值 3 个标准差的反应时并做对数转换。每个试次都是听觉呈现后在目标偏移处呈现视觉串并做限时词非词判断，实验 2 另在部分填充试次后加是非理解题以保证听句注意力。下图展示实验 2 把同一语音嵌入不同语境且探针时机仍锁在目标偏移处的设计，这是理解高低预测比较公平性的关键。

看图路径： 1. 先对比上下两栏高可预测与低可预测句框与例句语境差异；2. 再沿耳机图标到下划线斜体 gold 的听觉句路径找到目标词嵌入位置；3. 最后确认竖直虚线处同时出现的三种视觉探针与眼睛加显示器图标

论文图 2。原论文 Figure 2：“Design of Experiment 2. Visual probes appear at the offset of auditory primes (indicated by the vertical dashed line).”。

该图上下两栏分别给出高可预测例句与低可预测例句，目标词 gold 仍以下划线斜体标出，黑色箭头与竖直虚线标出三档语音替换点与视觉呈现点，右侧探针三行与实验 1 完全平行。读图后应能复述：自变量多了语境 1 维，但语音 token 与探针集合不变，时间锁定方式不变，因此语境效应与语音效应的比较是在相同测量点上进行的。为核对试次平衡与纳入标准，下表把两实验的试次结构与样本筛选放在一起，表中数字均来自正文连续原句，阅读时注意关键试次与填充试次的分工不同。

上表提出的问题是两实验的比较是否公平，公平条件是语音 token 相同、探针类型相同、每人关键与填充试次数量相同，指标方向是反应时越快表示促进越强。表中 72 与 144 的分工是前者承载身份优势与模糊交互的检验，后者平衡词非词比例并支撑注意力检查。未胜出项在此体现为无关探针始终最慢但不参与身份优势解释，复现时若改变填充比例会直接改变基线启动的估计，需谨慎。

孤立词复现了什么，句子中什么消失了？

实验 1 首先确认基线启动与身份优势同时成立：无关词慢于相同与竞争词平均，竞争词慢于相同词，语音模糊主效应为模糊越大反应越快。关键是身份优势受语音模糊的线性和 2 次调制，线性交互为负表示竞争与相同之差随模糊增大而缩小，2 次交互为负表示在最大模糊处收敛加速。事后比较显示无模糊与有一些模糊时身份优势显著，最大模糊时差值接近零且不显著。图 3 把这一收敛画得很清楚，是后续与句子对比的参照。下图前导读需要先明确坐标含义再看开口变化。

看图路径： 1. 先看横轴三档语音模糊度与纵轴模型校正后对数反应时；2. 再比较蓝色相同词折线与黄色竞争词折线在 No 与 Some 处的开口；3. 最后确认顶部显著性标注从显著变为不显著以及粉色无关词虚线位置

论文图 3。原论文 Figure 3：“Model-adjusted log RTs (marginal mean estimates accounting for covariates and random effects) as a function of VOT ambiguity and visual probe type for Experiment 1.”。

该图横轴为无、一些与最大三档模糊，纵轴为模型校正后对数反应时，蓝色实线为相同词，黄色实线为竞争词，粉色虚线为无关词，误差条为跨被试均值的置信区间。可见蓝色线基本平稳，黄色线从左向右下行并在最大模糊处与蓝色线会合，顶部标注从显著变为不显著。解释是孤立词中次音位变化连续塑造了目标与竞争词的胜负，最大模糊使二者几乎同等激活。为保留可运行策略的完整数字，下表汇总两实验事后比较的身份优势估计，表中数值为竞争减相同的模型系数，正值越大表示竞争解决得越好。

上表的主要收益是孤立词从显著到消失的梯度在句子中不再出现，高低预测句三档估计始终显著且数值波动远小于孤立词。具体代价是该表只呈现身份优势本身，不能替代基线启动与主效应的检查，复现时必须同时报告无关词对照，否则无法排除一般快慢混入特异性竞争。未胜出项是低预测句虽有数值上的轻微递减但远未达显著，作者明确报告语音与身份优势的 2 维交互与 3 维交互均不显著，不能把数值趋势解读为效应。

语境效应本身成立吗，语音效应真的处处不显著吗？

实验 2 的模型同时复现基线启动与更强的身份优势，但语音与语境主效应均不显著。关键发现是身份优势与语境可预测性的交互显著，高预测句中竞争与相同之差大于低预测句，说明语境确实更好解决了词汇竞争。用竞争词减目标词的差异惊奇值替换 2 分高低因素后，该语境效应得到加强，支持语境以渐变方式调节竞争。相比之下，语音模糊不再调制身份优势，线性和 2 次的 2 维交互与包含可预测性的 3 维交互均远未达显著。

唯一显著的是 2 次语音趋势与可预测性的 2 维交互，但它不特异于身份优势，更可能反映高低语境的一般加工差异。下图把高低两面板并置，最直观地显示语音线几乎平行而语境间隔稳定存在。

看图路径： 1. 先区分左栏高可预测与右栏低可预测两个面板的整体高低；2. 再看每面板内蓝色相同词线与黄色竞争词线之间稳定的垂直间隔；3. 最后核对每档模糊度上方竞争词与相同词比较的显著性标注是否始终显著

论文图 4。原论文 Figure 4：“Model-adjusted log RTs (marginal mean estimates accounting for covariates and random effects) as a function of VOT ambiguity and visual probe type across HP (left) and LP (right)…”。

该图左为高可预测、右为低可预测，横轴同为三档模糊，纵轴同为模型校正后对数反应时，图例与实验 1 一致。可见左面板蓝色相同词线明显低于黄色竞争词线且间隔在三档上几乎不变，右面板间隔变小但三档内同样平稳，顶部 6 组比较全部显著。这与图 3 的收敛形态形成对照，说明句子中语音细节不再可检测地改变候选词胜负。为核对语境操作与样本基础，下表把惊奇值分布、基线启动与纳入人数放在一起，阅读时注意 2 分阈值与连续指标分别承担什么角色。

上表解释了语境操纵确实拉开差距，高预测均值远低于低预测且阈值以 5 为界，全距覆盖从极可预测到极不可预测。基线启动在两实验中方向一致，说明听觉对视觉的一般促进始终存在，身份优势总量在句子中更大则与高低预测交互一致。反例是语音主效应在实验 1 中存在但作者不做竞争特异性解读，在实验 2 中主效应消失，提醒总体快慢趋势不等于每组竞争变化，复现时需严格区分主效应与交互。

哪些边界没有被测到，不能说什么？

作者用较大篇幅讨论了 3 个限制，初学者应逐一记住以免过度推广。第一，句子中语音效应消失可能是韵律与局部声学改变了孤立定级时感知的有效模糊范围，而非语境真正覆盖了语音贡献。但作者引用既有工作指出听者在句子中仍对嗓音起始时间保持范畴判断敏感，因此完全用感知丧失解释零效应是可能的但待验证的说法，不能当作定论。第二，范式测的是语音变化对词汇竞争的功能后果，而非语音编码本身的保真度。

已有工作显示精细语音可在句中被编码和维持，但那回答的是编码问题；本文回答的是竞争问题，二者不可混同。尤其当消歧语境出现在目标之后时需要维持细节，而本文预测语境出现在目标之前，允许预期提前调节后续语音加工，机制并不相同。第三，现有证据对语境是增强还是削弱语音编码仍不一致，本文只能约束词汇竞争层面不支持信号锐化，不能在预测编码与贝叶斯先验主导之间二选一，也不能承诺误判率、延迟或计算成本得到改善。

总体趋势不等于每组每步都成立，从阈值何处开始覆盖、过渡是渐变还是突变，仍是未来工作。

复现先做什么，需要保留哪些信息条件？

复现应按学习依赖倒排，先保证刺激可比再跑统计。第一步重做定级：按发音部位分组呈现 15 步连续体，做浊清二选一，定出每对边界并按范畴等价但距离最远选出无与有一些两档，按最接近边界选出最大档，最终保留 24 对可用材料。第二步重做语境：为每词写 3 套高预测与 3 套低预测句框，用同一语言模型计算目标词惊奇值并核对高预测均值约 3.06、低预测均值约 9.41、全距约 0.19 至 15.03，再用文本转语音保证语速一致后手工拼接同一语音 token。

第三步重跑行为：听觉偏移锁视觉呈现，记录反应时与正确率，实验 1 每人 72 关键加 144 填充，实验 2 同量并在部分填充后加理解题。第四步重跑混合模型：探针类型做基线与竞争两正交对照，语音做多项式对照，可预测性做求和编码，纳入词频、邻域密度、二元概率、语素数与基线反应时协变量，随机截距保留被试与视觉词。

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，复现需自行实现上述流程并保留超参数与信息条件。

何时值得借鉴这套分离语音与语境的方法？

当研究问题涉及自下而上细节与自上而下预期如何分工时，本文的正交设计值得借鉴：同一语音 token 跨孤立与句子复用，同一目标跨高低预测复用，测量点始终锁在目标偏移处，关键比较始终是相同与竞争探针之差。这套安排的优点是把语音可比性、语境强度与时间对齐同时固定，使交互具有清晰反证含义。若只在孤立词中发现效应而在句子中消失，研究者应先检查有效模糊范围是否被韵律压缩，再检查任务测的是竞争还是编码，最后才做理论取舍。

跨通道启动 × 基线启动： 跨通道启动指听觉启动后在目标词偏移时刻呈现视觉字符串并做词非词判断的范式，基线启动指无关词比目标加竞争词平均更慢所反映的一般听觉对视觉的促进作用，分工是前者提供任务框架而后者提供必须先成立的操纵检查，搭配理由是只有确认听觉确实启动了视觉加工，才能把目标与竞争词之间的差异放心解释为词汇竞争而非无关波动，组合意义在于区分一般促进与候选词之间的特异性胜负。

对语音与音乐方向的研究生而言，可迁移的动作是，用连续声学旋钮构造范畴等价但细节不等的刺激，用模型惊奇值给出语境强度的连续刻度，用基线启动做操纵检查，用身份优势做竞争指标，用 2 分加连续双重分析检验梯度性。本文报告显示孤立词范式可能高估精细语音在典型句子理解中的作用，但这只是有限解释，支持覆盖类 account 而不支持锐化假设，至于是误差抑制还是先验主导则可能待验证。未来若要推广到自然对话，还需补充不同预测位置、不同信噪比与不同语速下的验证，并明确测量延迟与成本后才能谈部署收益。

⚖️ 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