对人还是对 AI 说话：粤语对话中时长与声调的细粒度调整

英文题目：Modulation of Phonetic Realizations in Cantonese Dialogue with Human and AI Interlocutors

会议身份：conference:interspeech:2026:conference-paper-id:chen26m_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 #语音学与音系 #社会语音学 #语音 #语音交互

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 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

• Xinyi Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Grace Wenling Cao：机构信息未能从会议 PDF 纯文本可靠映射
• Yusheng Tian：机构信息未能从会议 PDF 纯文本可靠映射
• Manson Chun Man Wong：机构信息未能从会议 PDF 纯文本可靠映射
• Miko Hoi Tung Ng：机构信息未能从会议 PDF 纯文本可靠映射
• Tan Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Peggy Pik Ki Mok：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为17名香港粤语母语者在脚本化人机对话中面对人类与AI对话者的产出语音，输出为时长、声调基音频率轨迹与元音共振峰三角面积的身份与情感效应判定，难点在于剥离音色语速混淆并在声调语言中捕捉细粒度调节。方法链由四步构成：先以向导式巫师范式采集20组中性转负面六轮对话，再用蒙特利尔强制对齐器初切加母语者人工校对切分话语与目标词，然后经ProsodyPro提取话语语速、目标词时长与归一化基音频率及中点共振峰，最后以线性混合效应模型与广义加性混合模型检验身份与情感效应。与既有英语德语研究直接调用现成助手音色不同，本工作以同一女声约3000句录音训练时长感知DurIAN合成AI音并复用原视频姿态，从而将身份效应归因于交互认知而非声学跟随。在中性对话语料条件下，AI条件的声调1的基音频率时间指标从2.55的时间指标升至7.73的时间指标，显著区别于人类条件的时间指标，且目标词时长指标效应为-10.891毫秒。结论仅适用于脚本化短对话中的粤语六声与三个边角元音，快速中性负面切换与小元音词例数限制了情感外推。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

输入是什么？要解决的矛盾是什么？

这篇论文的输入是真实的对话录音，目标是回答一个很具体的问题：当粤语母语者跟真人和跟人工智能说话时，他们发出来的音在细微声学层面是否不一样。研究者关心的不只是语速变快还是变慢这种整体印象，而是目标词有多长、6 个声调的音高曲线在时间轴上哪里抬高哪里压低、3 个角元音围成的空间是扩大还是缩小。输出是一组可复述的比较结论，说明交谈者身份是否带来系统性偏移，以及负面情绪是否进一步改变这种偏移。

必须保留的信息包括实验条件和测量口径。被试是 17 名香港粤语母语者，在隔音室里完成 20 段 6 轮次的剧本对话，其中 10 段对真人、10 段对人工智能，每段都包含中性开头和负面后续。目标词是固定的 20 个双音节词，每个被试预期产出 80 个含目标词的话轮。声学上只报告 3 类指标：目标双音节词和目标音节的时长、按说话人归一化后在 10 个等距时间点采样的声调 F0 轨迹、由角元音 F1 和 F2 在听觉尺度上算出的元音空间面积。

统计上用线性混合效应模型处理时长和面积，用广义相加混合模型处理随时间变化的 F0 曲线。 初学者容易把这项工作误解为测试合成语音有多像真人。实际恰好相反，被检验的是人类这一侧。合成语音在这里是自变量的一部分，研究者用同一位女性说话人的约 3000 句粤语录音训练了一个定制合成声音，再把合成音频贴回与真人条件姿态和面部朝向可比的视频上。

这样做的目的是排除以往用现成助手声音带来的音色和语速混淆，让人与人工智能条件的差异更干净地落在交谈者身份上。

语音调节 × 语音趋同： 语音调节指说话人根据交谈者特征调整自己发音的倾向，语音趋同是其中一种方向，即向对方靠拢。二者搭配的原因是前者是总称，后者是可测量的具体形式，本研究把与人和 AI 对话时的时长、F0 和共振峰差异都放在调节框架下检验，而不是只看是否学对方。

本解读按学习依赖展开。先讲已有路线为什么多集中在英语等语调语言和积极情绪，再讲本研究如何用剧本对话平衡控制与互动，接着走完一个样本从输入到标注再到建模的完整链路，然后交代实验条件、主结果与反证，最后说明复现时先做什么以及还有哪些验证没有做。

已有路线测了什么？为什么声调语言是缺口？

在人与人互动里，语音调节已经被反复证实。对小孩说话、对成年人说话、对外国人说话都会在声学上留下痕迹，这是本研究的起点。进入人与人工智能互动后，前人主要做了两类工作。第一类看整体韵律是否向有表现力的合成语音靠拢，例如时长和语速是否变化，情绪是积极还是中性是重要变量。第二类看任务类型的影响，例如跟读任务容易看到快速模仿，而互动对话里的调整更微妙、更局部。

这些工作的局限在于语言类型和情绪覆盖。多数研究用的是英语和德语这类语调语言，报告的是平均基频整体升高或降低、语速整体变慢等全局量。粤语有 6 个对立声调，包括 3 个平调、两个升调和一个降调，音高的细微走向直接关系到字义。如果只报平均音高，就会把不同声调相反方向的变化平均掉。情绪上，前人集中在亲社会或积极表达，负面只用了个别感叹词，没有系统分析。

本研究把缺口补在声调语言加负面语境上，问的是交谈者身份是否带来分声调、分时间段的局部效应。 另一个需要对照的是方法差异。前人有用跟读单个感叹词操纵情绪的做法，情绪靠词本身携带。本研究把情绪放在互动序列里，目标词本身语义中性，负面靠上下文的抱怨、指责和批评以及面部表情和自然韵律传达。

这种设计的代价是情绪效应可能被平均掉，因为被试对指责的反应各不相同，而且中性和负面在同一段只有 6 轮的短对话里快速切换，留给语音渐变累积的时间很短。理解这一点，才能理解后文为什么情绪主效应偏弱。

研究问题如何拆成可测量的比较？

论文提出两个探索性问题。第一，与人工智能交谈是否影响粤语的细粒度声学实现。第二，情绪姿态是否进一步调节这种交谈者相关效应。作者的预期是交谈者身份会有全局影响，同时在特定声调上有更细的局部影响，而情绪会进一步调节。 要把问题变成可执行比较，需要固定其他变量。

做法是让同一批被试在 4 种组合里说同样的话：真人加中性、真人加负面、人工智能加中性、人工智能加负面。每段对话前两轮都是中性引入话题，从第 3 轮模型说话人转为负面，被试随后也按负面回应。目标双音节词在模型说话人的第 1 和第 5 轮各出现 1 次，在被试的第 2 和第 6 轮各出现 2 次，这样每个目标词在一段对话里共出现 6 次，在中性和负面轮次里各出现一半。目标词在被试话轮里总是放在句中，以减少韵律边界的影响。 举一个教学例子帮助理解。

假设目标词是中午，被试在第二轮中性语境说 1 次，在第 6 轮负面语境再说 1 次，两种情绪下的句子框架不同但目标词相同。研究者比较的是同一个人在对真人和对人工智能时说中午的时长和声调曲线，而不是比较不同词之间的差异。这个例子只是说明比较逻辑，原文没有为该词单独报告数值，效果判断必须回到后文的模型结果。

方法全景：从剧本到声学指标走完哪几步？

整个流程可以沿一个被试的一段对话走一遍。被试先朗读自己的剧本轮次熟悉内容，然后进入互动阶段，屏幕提示当前交谈者是真人还是人工智能。实验者在隔壁房间通过实时音频监控并控制预录视频的播放时机，被试以为是实时视频通话，但实际是 Wizard-of-Oz 设置。被试不知道机关，录音同时用于后续声学分析。

剧本对话 × Wizard-of-Oz 范式： 剧本对话负责固定词句内容，让每次比较的都是同一个目标词，Wizard-of-Oz 范式负责制造实时互动的假象，由实验者在隔壁房间控制预录视频的播放时机。二者搭配既保住词汇可比性，又保留轮流说话的互动感，新增作用是把生态效度和实验控制结合起来。

真人条件是同一位女性粤语母语者面对镜头录制音视频，保持眼神接触模拟视频通话。人工智能条件用手机虚拟形象生成带负面表情的视觉刺激，音频则是用该女性说话人的约 3000 句录音训练的定制合成声音。合成模型是加入时长信息的 DurIAN 的修改版，以音素时长、音高和能量作为输入参数，从原始真人录音提取这些特征来控制合成，从而在保留原说话人发音风格和音色的同时，带有轻微机械感。

合成音频替换原视频音轨，保证两种条件在内容、姿态和面部朝向上可比。 声学处理分层进行。录音先用蒙特利尔强制对齐工具对齐，再由受过训练的粤语母语者手工校正。切分包括话语层、汉字音节层、目标双音节词层及其分音节层、音节内浊音段层和元音层。随后用 ProsodyPro 提取数据，分别计算话语层语速、目标词时长、目标字时长、每音节 10 个归一化时间点的 F0 以及角元音的 F1 和 F2。

这种分层保证时长比较落在目标词上，而不是被整句语速带偏。

三个声学组件各自算什么？如何建模？

第一个组件是时长。用线性混合效应模型分析话语层语速、目标双音节词时长和目标字时长。固定效应是交谈者身份和情绪姿态，随机截距包括被试和对话。目标双音节词时长包含两字之间的短停顿，不是两个单字时长简单相加。建模目标是回答时长缩短是整句变快还是只发生在目标词上。

基频 F0 × 声调范畴： 基频 F0 是声学上按时间采样的音高曲线，声调范畴是粤语里 6 个有辨义功能的音高模式。二者分工是 F0 提供连续测量，声调提供分类解释，搭配理由是在声调语言中不能只报平均音高升降，必须分声调看轨迹哪里升高哪里降低，本研究因此对每个声调单独建模平滑曲线。

第二个组件是 F0 轨迹。对每个目标音节，在浊音段上取 10 个等距归一化时间点，F0 在说话人内做标准化以减少音域差异，再用广义相加混合模型拟合随时间变化的非线性曲线。模型为交谈者身份、情绪和声调范畴的每种组合分别拟合平滑项，并加入被试相关的随机平滑和自相关结构。判断差异的方法是看两条曲线差值的置信区间在哪些时间段不包含零，用专门工具标出显著区间。这种做法能定位效应发生在声调的前段、中段还是后段，而不是只给一个均值。

第一二共振峰 × 元音空间面积： 第一二共振峰 F1 和 F2 分别对应元音开口度和前后位置，元音空间面积是由 3 个角元音在 F1-F2 平面围成的三角形面积。二者分工是共振峰给出点的位置，面积给出整体离散度，搭配后可以用一个数概括发音是否更夸张，本研究用它检验负面情绪是否让发音更用力。

第 3 个组件是元音空间。选取 6 个含角元音的目标词，分析只限于情绪效应，以避免数据不平衡带来的过度推广。除双元音外，元音取 10% 到 100% 段测量以避开辅音过渡，双元音取 10% 到 40% 段。每个被试在每种交谈者和情绪下对 3 类元音取中点 F1 和 F2 均值，转到听觉尺度后再算三角形面积。随机截距只放被试，以处理说话人间差异。需要提醒的是角元音样本量小，这是后文情绪效应边缘显著的重要背景。

本研究训练了什么？没有训练什么？

本研究没有训练用于识别或分类的主模型，也没有报告神经网络的优化器、轮数或梯度路径。所谓训练只出现在刺激材料一侧，即为人工智能交谈者定制合成声音。训练数据是同一位女性说话人录制的约 3000 句粤语，模型是修改版的时长信息注意力网络 DurIAN，输入参数包括音素时长、音高和能量，这些特征从原始真人录音提取后用于控制合成过程。目标是让合成语音在韵律和节奏上接近原始录音，同时保留说话风格，只留下因分辨率和音色差异带来的轻微机械感。

原文没有给出该合成模型的训练超参数、损失曲线或主观自然度评分，因此不能从模型名称推定合成质量的具体数值。 真正的计算发生在统计建模一侧。时长和元音面积用线性混合效应模型估计固定效应，F0 用广义相加混合模型估计随时间变化的平滑差异。这些模型没有传统意义上的训练集和测试集划分，也没有做交叉验证选型。随机效应和自相关结构是预先设定的，用来处理重复测量，而不是通过搜索学出来的。

复现时不应把这部分理解为确定性求解，混合模型的估计仍依赖数据和收敛设置，换一批被试或换一种随机结构，结果的显著区间可能移动。

被试、材料和流程的条件是否一致？

被试内设计是公平比较的关键。每人都要经历真人和人工智能两种交谈者，顺序在被试间平衡，并有屏幕提示切换。实验在隔音室进行，先做两段中性练习对话，再做 20 段正式对话。正式对话中真人和人工智能各 10 段，每段 6 轮，被试说其中 3 轮中的目标词。这种安排让词汇内容在 4 种条件下高度重叠，差异更可能来自交谈者和情绪，而不是词表不同。

交谈者身份 × 情绪姿态： 交谈者身份指对方是真人录像还是同人声音定制的合成语音加虚拟形象，情绪姿态指对话前两轮中性、后几轮转入抱怨指责的负面语境。二者都是被试内操纵，分工是前者检验人对机器是否区别对待，后者检验负面表达是否进一步放大这种区别，组合后才能回答情绪是否调节交谈者效应。

材料控制也很细。每轮只有 2 到 3 个短句、少于 20 个汉字，兼顾说起来省力、对话自然和 token 可比。20 个目标词覆盖 6 个声调和 3 个角元音，但原文说明其中部分词还带有粤语语音演变项目的音段特征，本研究只看声学调节，不讨论音变本身。情绪操纵靠对话语境、面部表情和自然韵律共同传达，目标词在两种情绪下出现次数相等。 下表把需要核对的规模信息放在一起。

它不是结果表，而是帮助复现时核对数据量的配置表。阅读时注意单位和聚合对象：人数是被试数，轮次是对话结构，话轮数是每人预期产出量。

表中信息说明样本并不大。17 人、每人 80 个话轮是总量的上限，实际可用 token 还要去掉对齐失败或噪音。声调分析按 6 个声调再拆交谈者和情绪，元音分析只用 6 个含角元音的词，因此每个格子的样本会被切得很碎。这直接解释了为什么后文有些效应只是边缘显著，以及为什么作者强调需要更大样本和情绪更持续的对话来验证。

时长变短了吗？声调哪里动了？

时长上的比较问题是：对人工智能说话是否整体更快，还是只在目标词上更短。公平条件是同一批被试说同样的目标词，指标方向是时长毫秒数越小表示越短。表后结论很明确：话语层语速没有显著的交谈者或情绪效应，但目标双音节词时长有显著的交谈者主效应，对人工智能时更短，目标音节时长也有边缘显著的同方向趋势。也就是说，效应是选择性落在目标词上，而不是整句语速变化。 下表整理时长建模的关键判断。

它比较的是可运行的两种交谈者条件，没有引入事后最优或外部基线。阅读时注意显著与边缘显著的区别，以及没有发现情绪主效应和交互作用。

这个结果与前人报告的对人工智能说得更长、语速更慢相反。作者给出的机制解释是，以往用现成助手声音，人工智能和真人的音色语速本身就不同，可能混淆了结果。本研究用同一人声音定制合成并保持语速可比，因此目标词更短更可能是对人工智能说话更简洁、修饰更少或交际效率更高。但这仍是有限解释，不是因果证明，还需要直接操纵合成语速来验证。 声调上的比较更细。

导读如下：下面这张图把 6 个声调按情绪和交谈者拆成多个小面板，横轴是归一化时间，纵轴是标准化 F0，曲线是平滑后的均值轨迹加置信带。看图时先分清颜色图例，再看显著区间落在前段还是后段，不要把某一段的抬高推广为整个声调都抬高。

看图路径： 1. 先看左侧三列上下面板：上为负面情绪、下为中性情绪，粉色为 AI、蓝色为真人；2. 再看右侧两列：上为 AI 条件下、下为真人条件下，橙色为负面、绿色为中性，横轴都是归一化时间 1 到 10；3. 对比声调 4 在中性和负面下粉线是否整体高于蓝线，对比声调 5 粉线是否反而偏低；4. 检查声调 2 右侧面板中橙线在后段是否明显抬高于绿线

论文图 1。原论文 Figure 1：“Smoothed curves of the tone contours produced contrasted by different interlocutors (right”。

从像素可见，左侧中性下面板里声调 4 的粉线在前中段明显高于蓝线，声调 1 也有小幅抬高，而声调 5 的粉线在中后段反而低于蓝线。右侧声调 2 的面板里橙线在后段明显高于绿线，且在人工智能和真人条件下都成立。结合原文报告的显著区间，中性下声调 1 的 2.55 到 7.73、声调 4 的 1 到 5，负面下声调 4 的 1.18 到 8.36，都是对人工智能时显著抬高；中性下声调 5 的 4 到 8.45 是对人工智能时显著压低；声调 2 在两种交谈者下都是负面显著高于中性，区间几乎覆盖全程。

这支持交谈者效应是分声调、分时间段的，而不是整体音高平移。其他声调没有显著差异，这是必须保留的边界。

元音空间随情绪扩大了吗？幅度有多大？

元音部分的比较问题是：负面语境是否让发音更夸张。公平条件是同样的角元音在两种情绪下出现次数相等，指标方向是三角形面积越大表示离散度越大。导读如下：下面这张图横轴是 F2、纵轴是 F1 且纵轴向下增大，所有点都是听觉尺度下的单个元音 token，三角形连的是 3 类元音的均值。看图时先确认绿线为负面、红线为中性，再比较两个三角形的包络，而不是只看散点的疏密。

看图路径： 1. 先确认横轴是 F2、纵轴是 F1 且单位都是 ERB，注意纵轴向下数值增大；2. 再看散点颜色：绿色为负面、红色为中性，三角形连的是三类元音的均值点；3. 比较绿色三角形与红色三角形在开口度和前后方向上的包络差异；4. 观察单个元音点云的重叠程度，判断面积扩大是整体位移还是个别点外扩

论文图 2。原论文 Figure 2：“Vowel space by emotion. Points represent individual vowel tokens plotted in ERB-transformed”。

从像素可见，两类散点高度重叠，绿色三角形比红色三角形略大，但差异很小，3 个顶点位置几乎重合。这与原文报告的边缘显著一致：情绪对面积的效应为正向但未达到常规显著阈值，负面相对中性更大。原文同时报告声调 2 在负面下 F0 抬高，这从音高侧佐证了负面可能伴随更强的发音用力，但元音侧的证据仍是支持性而非决定性。由于角元音 token 少、样本切分碎，这个扩大趋势可能待验证，不能承诺负面一定让元音更清晰。

下表把 F0 和元音的关键数字放在一起，便于核对方向和显著性。它同样只包含原文实际可运行条件的比较，显著区间是时间归一化尺度上的位置，不是毫秒。阅读时注意声调 1、4 抬高与声调 5 压低方向相反，不能平均成一句话。

综合来看，交谈者身份的影响体现在时长缩短和特定声调局部偏移，情绪的影响体现在声调 2 抬高和元音空间边缘扩大。作者认为这比以往只报全局均值更细，因为被试能以词和声调为单位做不同方向的控制。反例也要保留：多数声调没有交谈者差异，时长没有情绪效应，语速没有交谈者效应，这些未胜出项说明调节不是无处不在。

如果去掉控制，结论还站得住吗？

论文没有做传统意义上的消融实验，但提供了 3 组天然对照，可以当作反证来读。第一组是话语层语速对照。如果目标词缩短只是因为整句说快了，那么话语层语速应该同步变化，但实际没有显著效应。这支持缩短是目标词选择性效应，而不是全局语速混淆。复现时必须同时报告这两层，否则无法排除全局语速解释。

第二组是声调特异性对照。如果交谈者效应只是整体音高抬高，那么 6 个声调应该同向移动，但实际声调 1 和声调 4 抬高、声调 5 压低、其余声调无差异。这种相反方向的变化很难用单一的音高偏移解释，更可能是被试在扩大音高范围或增强特定声调特征。原文承认相反方向的具体机制还需要进一步研究，这里只能说现象支持细粒度控制，不能断言动机。 第 3 组是情绪操纵方式对照。

前人用跟读单个感叹词得到更普遍的情绪效应，本研究把中性目标词嵌入抱怨和分歧的互动序列，情绪靠语境传达，结果情绪效应变弱。作者指出，同一段 6 轮对话里中性和负面快速切换，可能打断语音调整的累积过程，而且被试对指责的反应存在个体差异，会把微妙效应平均掉。这提示如果要加强情绪效应，需要设计情绪更持续的对话，而不是在同一段里频繁切换。

哪些边界没有测？不能说什么？

首先是样本和 token 的限制。17 名 18 到 27 岁的香港粤语年轻人是同质性较高的群体，能否推广到其他年龄和语言背景待验证。元音分析只用 6 个含角元音的目标词，还因缺少一个元音而从双元音前半段补了一个 token，样本小是边缘显著的直接原因。声调分析虽然覆盖 6 个声调，但每个格子再拆交谈者和情绪后样本也被切碎，显著区间的边界可能不稳定。 其次是情绪覆盖的限制。

研究只比较中性和负面，没有积极情绪，也没有测量被试实际感受到的情绪强度。负面靠抱怨和批评传达，但被试可能采取冷淡应对或礼貌应对，发音策略不同会相互抵消。原文没有报告误判率、延迟或交互成本，因此不能承诺对人工智能说话更短就等于效率更高或可懂度更好。时长缩短也可能只是减少 elaboration，不能直接解读为优点。 最后是合成声音的限制。

定制声音保留了原说话人的风格但带有轻微机械感，研究没有系统操纵机械感的程度。如果机械感本身影响被试的投入度，那么交谈者效应里可能混入对音质的反应。原文也没有公开代码、模型或数据的可用链接，本次收到的证据中资源状态为空，因此不能声称材料已公开。复现者需要自行录制和训练对齐的合成声音，这一步的工作量不小。

要复现，先固定哪几件事？

第一步是固定材料和流程。准备 20 段 6 轮剧本，每段指定一个双音节目标词放在被试话轮句中，前两轮中性、后 4 轮负面，目标词在两种情绪下出现次数相等。找 1 位女性粤语母语者录制真人音视频，再用她约 3000 句录音训练时长可控的合成声音，把合成音频贴回同姿态视频做成人工智能条件。每位被试做两种交谈者各 10 段，顺序平衡，全程在隔音室用统一软件控制播放时机，并明确告知之外的 Wizard-of-Oz 安排在复现报告里如实说明。 第二步是固定标注和测量。

录音先强制对齐再手工校正，至少切到话语、音节、目标词和元音 4 层。时长取目标双音节词含字间停顿的值，同时算话语层语速做对照。F0 在浊音段取 10 个归一化时间点并在说话人内标准化，元音取中点 F1 和 F2 并转到听觉尺度再算面积。统计上时长和面积用线性混合效应模型，固定效应为交谈者和情绪，随机截距包括被试，F0 用广义相加混合模型分声调拟合平滑并报告差值置信区间不含零的时间段。 第三步是固定报告口径。

时长报告毫秒均值和模型系数，F0 报告显著区间在 1 到 10 时间尺度上的位置，元音报告面积效应系数和显著性。不要把不同指标的差值混在同一列，也不要把自动对齐未经手校的结果当作最终值。还需要补的验证包括扩大被试量、延长情绪持续轮次、加入积极情绪对照，以及直接操纵合成语速和机械感，以分离交谈者身份本身的作用。

何时值得借鉴？一句话收束是什么？

当你的研究问题涉及声调语言的人机对话，或者需要在互动中分离全局语速和局部发音调整时，这套剧本对话加分层测量的做法值得借鉴。它的价值不在于证明对人工智能说话一定更快或更高，而在于提供了一种可比性强的流程：用同一人声音定制合成来控制音色混淆，用句中目标词来控制边界效应，用分声调平滑来定位时间区间，用话语层语速做反证。 不值得照搬的情形也要说清。

如果目标是优化合成自然度或提升识别准确率，本研究没有提供可部署的模型和收益数字，不能直接拿时长缩短当作优点。如果只有少量被试或只能做跟读任务，那么分声调分时段的结论可能因样本碎而站不住，此时更适合先报全局量，再把细粒度分析当作探索。 收束成可操作的判断：与人工智能对话时，粤语目标词更短且声调 4 和声调 1 局部抬高、声调 5 局部压低，负面情绪主要抬高声调 2 并边缘性扩大元音空间，但多数声调和整体语速没有差异。

复现时先把材料配平和手工校正做扎实，再谈效应方向，任何超出已测条件的因果和优劣判断都应标记为待验证。

⚖️ 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