看得见才改得准：NewAppVoice 用同步可视化与多算法对照修正共振峰测量

英文题目：NewAppVoice: Tools for Visualizing and Correcting Acoustic Measures

会议身份：conference:interspeech:2026:conference-paper-id:elmerich26_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：#开源工具 #信号处理 #语音学与音系 #语音 #语音属性识别

评分：5.1/10 | 创新 1.1/2 | 技术严谨 1.0/1.5 | 实验充分 0.3/1.5 | 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：后50% | 文档类型：系统技术报告

👥 作者与机构

• Amélie Elmerich：机构信息未能从会议 PDF 纯文本可靠映射
• Yao Dong：机构信息未能从会议 PDF 纯文本可靠映射
• Louise McKeever：机构信息未能从会议 PDF 纯文本可靠映射
• Katia Chirkova：机构信息未能从会议 PDF 纯文本可靠映射
• Lise Crevier-Buchman：机构信息未能从会议 PDF 纯文本可靠映射
• Claire Pillot-Loiseau：机构信息未能从会议 PDF 纯文本可靠映射
• Angelique Amelot：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作输入为.wav语音与配套.TextGrid标注，输出为经人工核验的声学参数表，难点是羌语与Tibetic变体存在元音uvularization、发声与声调对立且无参考共振峰值，默认自动提取易产生系统性跟踪错误。方法链分为3步：先按tier与interval切分并设定测量点数与分析窗，再并行运行多路基频fundamental frequency / fo与共振峰formant / F1-F4估计并同步叠加显示波形、宽带语谱图、线性预测编码linear predictive coding / LPC包络与原始频谱，最后在可编辑结果表中直接修正错值并自动重算谐波幅度、谐波噪声比harmonics-to-noise ratio / HNR等派生量。与Praat、VoiceSauce、VoiceLab、WaveSurfer、WinPitch、XKL等工具相比，关键差异是3路fo与2路formant跨算法同屏对齐加逐点可视核验，使算法分歧即时暴露而非事后看离群值。原文未提供可核对的关键定量结果。结论仅适用于有人工逐段核验的小规模描写语音学流程，不适用于大规模全自动语料处理与非周期性极短浊音段的可靠外推。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

研究对象是什么：为什么小语种的声学测量容易系统性出错？

这篇论文的输入是野外录制的语音波形文件和人工标注的边界文件，目标是从中量出能刻画发声和共振的声学参数。初学者可以把这件事理解为给声音做体检：先切出要量的元音段，再读出共振峰频率、基频、谐波关系、噪声多少和响度变化。论文聚焦的是羌语和藏语一些变体，白话说就是音系复杂、少见音多、已有参考值很少的语言，例如羌语的元音小舌化、藏语变体的发声态和声调对立都会让自动跟踪算法找错峰。

输出不是一句话结论，而是一张可以复查、可以改的测量表。论文反复强调的矛盾是：全自动批量脚本 1 次跑完整个语料库，看起来高效，但默认参数在特定说话人、特定录音噪声、特定元音上会系统性偏掉；纯手动画频谱量峰虽然准，却无法扩展到大语料。更麻烦的是，没有已发表的共振峰参考值时，程序自己发现不了错误，只能靠人把波形、语图、频谱和多路算法结果对齐起来看。

因此必须保留的关键信息是：研究所用的每一步都要求可视化同步、可回放、可改数、可导出。本解读默认从原文独立写作，不引入外部工具评价。资源可用性方面，本次收到的证据中没有完成超文本传输安全协议状态验证的资源绑定，资源状态为不可用依据不足，故不能声称代码、模型或数据当前已公开，只能按论文文字转述作者的发布意图。后续各节按学习依赖展开，先讲任务与已有路线，再讲软件全景、组件计算、无训练声明、实验条件、结果与反例，最后讲复现与收束。

已有工具各自解决了什么，为什么还需要一个对照界面？

要理解定位，先把输入、目标、监督和运行阶段对齐。输入都是语音波形，目标都是基频、共振峰、强度和谐波噪声比、倒谱峰突出度等声学量，但各工具在可视化与自动化的取舍不同。普拉特语音分析软件和波形冲浪者把丰富的语图、频谱显示与脚本批处理结合起来，功能强，但需要仔细调参和技术经验；语音嗓音分析软件和嗓音实验室强调自动化提取，特别是嗓音质量参数，但交互式视觉反馈有限；温皮奇和详细声学分析软件注重韵律和频谱的交互检查，同时保留自动功能。

论文报告说，虽然多数程序允许导出数据，但工作流不总是标准化或容易复现。领域为了应对日益增大的语料而偏向自动化，但自动化减少了测量过程中的连续视觉监督，当默认设置不适合特定数据集、说话人或类型学上少见的音段组合时，系统性错误风险上升。对缺乏文献的语言，这个问题更突出，因为可靠的共振峰估计经常需要反复调参与常规视觉验证。

新语音应用的差别不在于发明新的声学定义，而在于把自动提取与连续同步可视化放在同一界面，并让多种算法的结果可以直接比较。教学例子：好比同一段元音同时请 2 位测量员各量 1 次，一个给离散点、一个给连续线，如果 2 人读数一致就比较放心，如果某阶差很多，就去看原始频谱谁对上了能量峰。这种跨算法可比性加可编辑结果表，就是论文声称现有流程没有同时提供的能力。

任务到底是什么：从标注区间到可修正的测量值？

把任务拆成可执行的动作更清楚。输入是波形文件加对应的标注文件，标注文件里有层和区间标签。用户先打开文件夹、选中音频，软件自动读入同名标注文件，允许只分析选定层和选定标签的区间，长录音不必整段跑。用户还要指定每个区间内的测量点数，例如一个元音切成 3 段，就得到每阶共振峰 3 个点。

表示层面，界面上方是波形，中部是语图并叠加基频与共振峰跟踪线，中央测量窗同时画出基频、共振峰、强度和倒谱峰突出度等多参数轨迹，左下是频谱与线性预测编码包络，右侧是结果表。组件层面，基频有 3 种算法，共振峰有两种算法，能量、谐波、谐波噪声比和倒谱峰突出度各有固定窗长与窗函数。目标是得到每个测量点的数值，并在发现跟踪错误时当场修正。

输出是选定行导出的文本与矩阵文件，记录区间、测量点、提取值和修正值。论文明确说，修正不是随意把相近数值改一改，而是只有当波形、语图、原始频谱、包络显示与跨算法比较共同指向明显跟踪失败时才改。这个定义很重要，它把人工干预从不可复现的手动调数，变成有同步证据链的透明操作。

软件全景：一个样本如何走完输入到输出？

沿白马藏语月亮一词的例子走一遍。输入是该词的波形和已标好音段的标注文件，分析限制在元音段内。表示上，顶部波形按 3 段测量区间染色高亮，中部语图纵轴为频率、横轴为时间，叠加的跟踪线与波形在时间上垂直对齐，测量点以不同颜色直接画在信号上，信号可在界面内回放，实现听觉与视觉双重核对。

组件按顺序工作：先用基频估计确定浊音窗长，再用两种共振峰方法分别计算一点至四点共振峰及其带宽，同时算出谐波频率与幅度、强度、谐波噪声比和倒谱峰突出度。目标是让点估计、连续跟踪线和原始频谱峰三者互相验证。输出是右侧表格中的分段数值，用户勾选需要保留的行并保存。

控制面板允许开关基频、共振峰、谐波、强度、频谱、谐波噪声比和倒谱峰突出度，细调面板允许改基频上下限、可检测共振峰个数与频率上限、谐波分析设置，以及每区间测量点数。这种把文件选择、参数设置、可视化、测量控制和结果输出放在同一环境的设计，就是为了让错误在同一屏内被发现。论文说，波形、语图、多参数轨迹、谱包络与表格的同时呈现，能高效暴露共振峰跟错、谐波认错和基频跟踪失败 3 类常见错误。

基频与共振峰组件：三种线与两种符号如何分工？

基频部分集成 3 种算法：基于听觉模型的分解方法、次谐波谐波比法和普拉特自相关法。为保证可比，三者使用相同的窗长、步长和分析参数。显示上，基于听觉模型的方法画成实线，普拉特方法画成虚线，次谐波谐波比法画成点线，3 条线在中央测量窗里与声学信号直接对齐。用户可在专用基频设置面板调整基频上下限等参数。

基频 × 次谐波谐波比法： 基频是声带振动的每秒周期数，是划分浊音窗长和计算谐波位置的基准，次谐波谐波比法是用谐波与次谐波能量比判断周期性的基频算法，分工是前者提供时间基准、后者提供一种对局部不规则敏感的估计，搭配理由是不同算法对噪声和特殊发声的失误方式不同，组合意义是把平滑过的 STRAIGHT 与 Praat 自相关结果和未经平滑的该方法并排显示，就能看出哪段是八度跳变、哪段是局部信号波动。

论文特别说明，次谐波谐波比实现保留原始输出，不做平滑或噪声滤波，也不加最小浊音阈值、静音检测或周期性滤波，因此对局部信号不规则更敏感，轨迹会出现断裂。如果加上与普拉特或听觉模型方法相当的平滑与浊音约束，它也会变连续。保留原始输出是刻意选择，目的是让人看到细粒度基频变化并透明比较算法行为。

共振峰部分集成两种互补方法。第一种在中央测量窗显示为彩色圆点，颜色固定为一点共振峰红色、二点绿色、三点紫色、四点黄色，基于线性预测分析，窗长由基频估计决定，点的个数等于用户定义的区间数。第二种基于普拉特的伯格线性预测算法，在语图上显示为点状跟踪线，在中央窗显示为同色系连续点线。关键参数包括最多可检测共振峰数、最高共振峰频率、帧移和窗长，两类方法的分析窗都取 3 个基频周期以保证稳定可比。

共振峰 × 线性预测编码： 共振峰是声道共振在频谱上形成的能量集中区，是要测的目标量，线性预测编码是把声道建模为全极点滤波器并用少量极点拟合平滑包络的计算手段，二者搭配的理由是包络的极点位置可以直接读作共振峰估计，组合意义在于一旦模型阶数选得不合适，极点就会放错位置，因此必须把包络与原始频谱并排放回信号上检查。

STRAIGHT 法 × Praat Burg 法： STRAIGHT 法在本工具中按基频自适应窗长给出若干离散测量点的共振峰，Praat Burg 法用 Burg 线性预测给出连续跟踪线，分工是一个提供可数的点估计、一个提供连续轨迹，搭配理由是点与线在同一坐标下应当重合，组合意义是当某阶共振峰的点明显偏离虚线和语图能量带时，就可以判定为跟踪错误并用另一算法的值替换。

频谱与包络组件：原始峰与平滑极点如何互相检验？

左下面板同时给出两种视角。一种是原始幅度谱，对约 1.5 倍基频周期的分段加汉明窗后做离散傅里叶变换，按分贝画出，不做预加重。另一种是线性预测包络，用自相关法按用户指定阶数估计，在高分辨率频率网格上求值，图中画成平滑实线，极点对应的共振峰频率用垂直虚线标出。当元音被分成多段时，每段独立估计，得到各自的包络与极点。

谐波噪声比 × 倒谱峰突出度： 谐波噪声比是把落在谐波附近的能量与剩余噪声能量相比，反映嗓音嘶哑或漏气程度，倒谱峰突出度是倒谱中代表周期性的峰高出回归线的程度，反映发声稳定性，分工是一个在频域按能量比计算、一个在倒谱域按峰突出程度计算，搭配理由是二者都依赖可靠的基频和浊音分段，组合意义是在同一时间轴上对照波形、基频与强度，才能判断是发声本身不稳定还是算法在清浊边界算错。

论文强调，线性预测不会自己发现共振峰，它只是按所选阶数放极点。阶数太低会漏掉真实共振，太高会造出假峰。因此必须把包络与未平滑的原始谱对照看，确认极点是否落在真实谱峰上。频谱叠加显示支持时间维度的检查：粉色代表元音前三分之一，深黄色代表中三分之一，蓝色代表后三分之一，3 条曲线层叠就能看出谱结构随时间的变化。谐波显示窗把 0 至 2000 赫兹内的各次谐波画成竖条，叠在包络上，并允许调整频率范围与幅度检测阈值，前 4 次谐波的频率与幅度会自动进入结果表，还按文献方法给出修正后的谐波幅度与差值。

有没有训练：本研究冻结了什么、实际计算是什么？

本研究没有训练神经网络，也就没有梯度路径、优化器更新、参数冻结与解冻或验证集早停这类安排。必须明确说未训练的不是系统输出确定：同样的音频在不同参数下会得到不同测量值，人工修正也会改变结果。论文实际做的是调用与集成已有算法、组织交互式标注与计算流程、编译为可执行程序。

真实计算过程是规则与信号处理：按标注区间切分波形，按基频估计确定窗长，加汉明窗后做傅里叶变换或线性预测，用峰 picking 与极点求解得到频率与带宽，再按能量比或倒谱峰高算出嗓音质量指标。监督来源不是标签训练，而是人工视觉监督：人对照波形、语图、频谱与多算法轨迹判断跟踪是否失败，只在证据收敛时改表，改谐波幅度后相关的谐波噪声比会自动重算以保持内部一致。

缺项也要指出：原文没有报告自动寻优阈值的搜索过程，没有给出算法内部梯度或概率目标，也没有说明说话人自适应参数的学习规则。因此不能从工具名称推定它会自动选出最优阶数或最优基频上下限，这些仍需用户按说话人与数据集手动调整。衍生出的线性预测应用和谐波应用同样没有训练，只是把完整流程拆成只测共振峰或只测谐波的简化界面，改用滑块拖动直接对准谱峰。

实验条件：用什么数据、什么参数、什么导出方式验证？

论文不是用大规模测试集比准确率的实验，而是用典型语料展示可验证性。数据方面，报告的核心例子是白马藏语月亮一词中的元音，由男性说话人发出，分析限制在标注好的元音 3 段区间内；线性预测正确检测的对照例子是马窝羌语黑熊一词中的元音。划分、采样数、说话人总数与聚合统计方法原文没有系统报告，因此不能把单个词的修正推广为全库错误率。

协议上，用户选择文件夹、层、音段与测量点数后，软件对每段独立开窗计算，测量点直接画在信号上并可回放。参数按原文交代：宽带语图用汉明窗计算，线性预测包络在高分辨率网格上求值，谐波噪声比当前只算 0 至 500 赫兹频段并在正 -20 赫兹窗内累加前 4 次谐波能量，倒谱峰突出度按 3 个基频周期的窗计算且只能在浊音段得到，强度同时给出对数分贝与线性两种尺度并与基频并排显示。

指标方向是越贴合谱峰越好，而不是数值越大越好。导出时用户勾选表格行并保存为文本与矩阵文件，文件中保留区间、测量点、提取值与修正值，以及分析参数设置文件以保证复现。未来计划包括增加 1500 赫兹与 2500 赫兹频段的谐波噪声比、电子声门图参数、气流参数与更高分辨率语图显示，并实现衍生应用的矩阵文件直接导入完整工具而不必重跑。

主结果：黄色 F4 点为什么被判定为测错并替换？

先提出比较问题：在同一元音 3 段内，离散点法与连续跟踪法对 4 阶共振峰的读数是否一致，若不一致，哪一个对上了原始频谱峰，公平条件是两者看的是同一分段、同一窗长基准与同一语图时间轴，指标方向是估计值落在真实谱峰上为好。论文用白马藏语月亮一词的元音展示了完整的证据链。顶部波形 3 段染色与语图时间对齐，中部测量窗里一点至三点共振峰的圆点应分别落在同色虚线上，底部 3 段频谱应显示稳定的峰形。

下图是本次实际收到像素的官方原图，对应论文中的共振峰跟踪可视化，需要按图例确认对象与时间范围后再判断好坏，不能只看曲线上下。

看图路径： 1. 先看顶部波形三段染色区间与中部语图上四条虚线式共振峰跟踪是否对齐时间轴；2. 再看中部测量窗里黄色圆点与黄色虚线的垂直距离，确认红色箭头所指的 F4 偏高；3. 再看底部频谱三条曲线在 3000 至 4000 赫兹的双峰与黄色虚线位置的关系；4. 最后对照蓝色基频实线、虚线与点线的连续程度，区分平滑算法与原始输出的差异

论文图 1。原论文 Figure 3：“Formant tracking visualization in the word /dzɑ̀ / ‘moon’ (Baima Tibetan) and example of automatic formant-”。

从像素可见，顶部信号面板按粉、黄、青三色划分测量区间，中部语图上叠加红绿紫黄 4 条虚线式跟踪，中央测量窗同时画出蓝色基频线与彩色共振峰点线，红色箭头指向中间段明显偏高的黄色圆点，底部频谱 3 条曲线在低频与中频有稳定峰而高频衰减。论文文字确认，一点至三点共振峰的圆点与虚线基本重合，只有中间段黄色四点共振峰远高于黄色虚线与周围谱结构，原始频谱的四点峰在 3500 至 4000 赫兹之间，而该黄点接近 5 kHz，属于明显高估。

表格中错误值标红、修正值标绿，修正动作是用同段的普拉特估计替换该点，替换后 3 段的四点读数回到 3600 赫兹附近并与虚线一致。这个例子支持的判断是：点线对照加原始谱能暴露单点跟踪错误；限制是这只是单样本演示，没有给出全库的误检率或修正前后分布变化。

下表把该结论涉及的关键数值与单位整理成五列，表头单位与裸值保留原文写法，比较对象是同一区间的两种算法读数。

表后解释如下。表中主要收益是定位到具体错误：只有四点共振峰中间点需要替换，一点至三点不需要动，基频中两种平滑算法连续而原始算法断裂属于预期行为而非错误。具体代价是修正依赖人工逐段查看，若语料很大则耗时；反例是底部频谱显示 3 段曲线整体形态稳定，说明不是整段录音坏掉，而是模型阶数把极点放错。未胜出项是离散点法在该段输给连续跟踪法，但不能推广为连续法永远更好，换一段或换一个说话人结论可能反转。

对照与失败条件：阶数放错极点时会发生什么？

把问题换成参数对照：当线性预测阶数不合适时，包络极点与原始谱峰会如何分开，公平条件是同一段波形、同一窗函数、只看包络与原始谱是否对齐，指标方向仍是极点落在真实峰上为好。论文给出两个对比窗：白马藏语月亮词元音前三分之一在 12 阶下出现失配，马窝羌语黑熊词元音前三分之一在同样思路下对齐良好。

失配窗的现象是算法约每千赫兹放一个极点，导致 3500 赫兹附近的真实峰没有被捕获，极点反而被放到 4861 赫兹。论文说，未平滑谱在 3000 至 4000 赫兹之间清楚显示两个独立峰，外加 4861 赫兹处的峰，因此极点位置与谱峰错开就是参数不当的证据。正确窗的现象是极点与主要谱峰对齐，说明同样的方法在合适条件下可以 1 次放准。

下表把这类分析条件的关键参数整理成五列，用于复现时逐项核对，而不是比较模型胜负。

表后解释如下。主要收益是参数可复现：语图点数、包络网格、阶数与上限都有明确写法，换机器也能重画。具体代价是阶数没有银弹，12 阶在这段元音上偏了，不代表所有元音都该加阶或减阶，加阶可能引入假峰。反例与边界是正确检测窗证明方法本身可用，失败窗证明必须看原始谱；未评测的边界是不同基频、不同元音开口度下最优阶数如何变化，原文没有给出系统扫描，因此复现时应先固定窗函数与网格，只动阶数并记录每次极点与谱峰的对齐情况。

边界与缺项：哪些量还不能直接当结论用？

论文直接报告的是交互流程与单样本修正链，支持的是可视化能暴露跟踪错误的判断，可能或待验证的是跨语料的错误率下降与效率提升。缺失证据不是技术错误，但必须说清。原文没有报告数据集划分、样本量、聚合统计、显著性检验、标注一致性、运行硬件与耗时，也没有测量修正前后的整体分布变化，因此不能把一个月亮词的例子推广为全库准确率。

功能边界同样明确。谐波噪声比当前只限 0 至 500 赫兹频段，高频噪声与频谱倾斜不敏感，更高频段只是计划；倒谱峰突出度只能在浊音段计算，很短的段可能算不出，且论文展示的是随时间变化的曲线，这与只报平均值的软件不同，读图时要区分瞬时值与平均值；谐波幅度修正依赖阈值选择，阈值不同会改变前 4 次谐波的检出。

另一个常见误解是把无训练等同于确定性求解。实际上窗长、阶数、基频上下限、测量点数与人工改表都会改变输出，冻结的只是已有算法的实现，自由的是每次分析的参数与修正。因此论文的透明性主张成立的前提是导出设置文件与修正记录，否则换人重跑仍可能得到不同表格。论文已意识到这点，正在开发记录分析参数的设置文件与跨应用矩阵文件互操作。

复现先做什么：按原文一步步重放月亮词的检查？

复现的第一步是准备输入：同一文件夹下放波形文件与同名标注文件，打开文件夹后选中音频与目标层、目标音段，把每区间测量点数设为三，先不急着改任何参数。接着打开基频、共振峰、强度、频谱、谐波噪声比与倒谱峰突出度开关，播放该段并确认波形、语图与测量窗在时间上对齐。

第二步是核对基频 3 条线：实线与虚线应连续且贴合，点线允许断裂，若实线出现八度跳变，先调基频上下限再看，不要直接改表。第三步核对共振峰：看彩色圆点是否落在同色虚线上，再看语图能量带是否经过虚线，最后看底部 3 段频谱的峰是否与极点虚线对齐。若黄色四点在中间段偏高而谱峰在 3500 至 4000 赫兹之间，就按原文做法用同段普拉特值替换，并在表中保留替换痕迹。

第四步核对包络：在 12 阶、汉明窗、高分辨率网格下看平滑实线与垂直虚线是否落在原始谱峰上，若出现约每千赫兹一个极点而漏掉真实峰，就尝试增减阶数并记录每次对齐情况，而不是只记最终数值。第五步导出选定行并保存设置参数，衍生应用的共振峰与谐波结果应能以矩阵文件导入完整工具继续核对。按证据展开的两类特有细节是：强度需同时看分贝与线性两种尺度与基频的并排变化，谐波需看 0 至 2000 赫兹竖条与包络的叠加及阈值影响，这些都应在复现记录中截图保留。

收束：何时值得尝试这个流程？

当研究对象是缺乏参考值、自动跟踪容易系统性偏掉的小语种语音，当错误藏在单点偏移而非整段坏掉时，这个把多算法点线与原始谱放在同一时间轴上对照、并允许当场改表重算关联量的流程值得尝试。它把人工从批处理后的表格找离群点，提前到信号旁边的证据链判断，更适合需要逐段负责的描写语音学。

当语料已经很大且参数稳定、错误主要是随机噪声而非系统性跟踪失败时，逐段可视化核查的成本会超过收益，此时更适合先用简化衍生应用快速处理共振峰或谐波，再把可疑段导回完整界面复核。还需要补的验证是多说话人、多元音、多噪声条件下的修正率、耗时与一致性，以及高频段谐波噪声比、电子声门图与气流参数加入后的稳定性。

复述方法的关键句是：输入标注区间，按 3 个基频周期的窗加汉明窗计算，用离散点与连续线互相锁定共振峰，用原始谱裁决分歧，只在波形、语图、谱包络与跨算法比较一致指向失败时替换数值并导出记录。记住这一点，就能在不夸大单样本效果的前提下，把论文的方法搬到自己的语料上。

⚖️ 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