单音可接受的变体，为何放进双元音就被拒：毛利语可接受发音区间的三源三角验证

英文题目：Mapping Acceptable Pronunciation Range for te reo Māori through Perceptual, Acoustic, and Marker Evaluative Data

会议身份：conference:interspeech:2026:conference-paper-id:evans26_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：#教育 #主观评测 #语音学与音系 #言语感知 #语音质量评估

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Zoe E Evans：机构信息未能从会议 PDF 纯文本可靠映射
• C. I. Watson：机构信息未能从会议 PDF 纯文本可靠映射
• Peter J Keegan：机构信息未能从会议 PDF 纯文本可靠映射
• Jesin James：机构信息未能从会议 PDF 纯文本可靠映射
• Piata Allen：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文界定te reo Māori学习者发音的可接受范围，输入为大学毛利语课程学生pepeha朗读录音与固定文本，输出为单元音/0/、/5/与双元音/50/、/5i/、/5e/在流利者判断下的可接受边界与教学含义，难点在于变异跨说话人与代际且典范目标存争议。方法链分三步：先由慕尼黑自动切分系统做正字词、音位词与音素三层强制对齐并由语音学家校正边界与感知标签，其对齐与标签结果进入流利者评价；再由约10名流利者按音节做接受或拒绝二值评价，其接受率进入声学验证；最后在自研FRED平台提取F0与11点F1/F2轨迹并做统计检验以验证感知判断。与把双元音视为单元音序列的传统教学观不同，本文把双元音视为具有整体目标与独立容忍边界的单位音位，实际意义在于发音评估须按双元音环境分别设定容忍度。在pepeha朗读语料评测设置下，后化[u]变体的F2指标为1073 Hz，低于典范[0]的F2 1746 Hz。该结论的适用边界仍受限于朗读体短文本条件。结论目前仅适用于朗读体短文本中的2个单元音与3个双元音，不能外推至自发语、韵律层面或其余辅元音。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：为何复兴中的毛利语需要先画出可接受区间？

这篇论文的输入是真实教学场景中的朗读语音，不是实验室中精心控制的单音节表。研究对象是新西兰毛利语 te reo Māori，一种正在复兴、所有当代使用者均为双语者的语言。论文交代，只有约 7.9% 的人口能较好使用该语言，而学习需求广泛存在，教师也被要求达到相应的毛利语使用标准。在这种背景下，发音教学长期缺乏声学语音学支撑，网络资源描述不准，学习者模仿的代际目标本身也在漂移。

目标不是给出一个更漂亮的标准音，而是回答学习者发出的某个音是否会被流利者接受。传统做法假设存在一个典型目标，学生越接近越好。但语音天然随说话人、语境和代际变化，英语等大语种已经用大规模声学与感知研究把这种变化记录为区间。对毛利语而言，哪些是可接受变异、哪些是需要纠正的错误，此前没有正式研究区分。论文因此把任务定义为绘制可接受发音范围。

典型目标 × 可接受范围： 典型目标指教学材料中给出的唯一标准发音，分工是让初学者有明确模仿对象；可接受范围指流利听者实际接受的一组发音区间，分工是包容说话人、语境和代际带来的正常变异。二者搭配的理由是只教典型目标会把合理变异误判为错误，而只讲变异存在又无法指导纠音，只有用接受率标定区间的上下界，才能把发音教学从对错二分改为区间判断，组合后新增的作用是为计算机辅助发音训练提供先标定错误再打分的依据。

输出是面向教学与技术可用的边界知识：一方面告诉教师单音与双元音是否应分开教，另一方面为后续计算机辅助发音训练提供先定义错误再自动打分的基础。本文解读严格依据原文证据写作，不引入外部语料结论。论文声明没有绑定并完成验证的代码与数据资源，因此本解读不声称代码、模型或数据已公开。后续各节按学习依赖展开，先讲已有知识与问题界定，再讲三源方法全景与具体计算，然后讲实验条件、结果与反证，最后讲复现要点。

已有路线走到哪里：五个元音稳定吗，双元音是拼接吗？

毛利语有 5 个元音的音位格局是公认的，但单个元音的实现是否稳定并不确定。论文回顾指出，/u/曾被描述为类似高元音，又曾被比作辅音/w/，而 MAONZE 项目的声学数据表明这是历时音变：19 世纪末至 20 世纪初出生的说话人发得更靠后，1970 至 1980 年代出生的说话人明显前移。因此不同年代文献的矛盾描述可能各自在其说话人群体中成立，学习者今天模仿哪一代就会瞄准不同的正确实现。除/u/外，/e/有高化迹象，/a/在非重读或功能词语境中可能出现央化，这与亲属语言夏威夷语的观察以及新西兰英语中 schwa 的普遍性相互呼应。

双元音的传统描述是单音序列，教学也常按此处理。但近期声学工作提示毛利语双元音可能正在脱离简单的单音组合。论文抓住一个可检验的推论：如果双元音只是拼接，那么每个组成元音的声学行为应与其对应单音一致，且/a/在/ai/、/ae/、/au/中的表现应彼此相似；如果双元音正在成为整体音位，则应出现语境依赖的分化。此前已发现/au/的第二目标随/u/单音前移而前移，显示二者存在关联，但关联不等于感知等价，这正是本研究要用流利者接受度来检验的缺口。

单音素 × 双元音整体音位： 单音素指/a/和/u/这类可独立成核的稳定目标，分工是提供教学中的基准发音；双元音整体音位指/ai/、/ae/、/au/被作为一个不可拆分的音位单位，分工是拥有自己独立的首尾目标与容忍边界。二者搭配的理由是传统教学把双元音讲成两个单音的拼接，若该假设成立则单音的可接受变体应能平移到双元音中，组合检验新增的作用是当平移失败时就能判定双元音需要作为独立声音来教，而不是单音教学的延伸。

同类技术路线是计算机辅助发音训练中的典型发音评分，例如基于良好度打分的方法通常把学习者发音与母语规范序列比较，隐含假设存在母语常模。论文认为若不先系统识别并声学定义何为错误、直接自动化反馈，容易误用。因此本研究的定位不是再做一个打分器，而是先用三角验证标定可接受范围，这是后续技术的前提。

要检验的具体问题是什么：同一个变体换语境还成立吗？

论文把大问题收敛为一个可在数据中判定的案例：考察单音/a/与/u/以及双元音/ai/、/ae/、/au/。这里的符号需要说明。原文为反映/u/的前移与模型说话人的实际发音，用特殊排版表示高元音与开元音，本解读沿用读者可理解的写法：单音部分对应开元音/a/及其央化变体 schwa，以及高元音的前移实现与靠后实现；双元音部分对应 3 个以/a/开头的组合及其首尾目标的高低前后变化。教学例子仅为帮助理解符号对应关系，不代表原文给出新的音位表。

问题沿一个样本的逻辑展开。假设 1 名学生在 pepeha 朗读中把预期为/u/的音节发成靠后的[u]，把预期为/a/的音节发成 schwa，语音学家能听辨并转写这种偏离，声学上能测出 F1 或 F2 的显著位移，流利打分者则按音节判定接受或拒绝。关键检验是把同样的声学性质搬到双元音中：如果双元音是拼接，那么单音中被接受的靠后或央化品质在双元音的对应位置也应被接受；如果出现单音接受、双元音拒绝的不对称，就支持双元音具有独立的接受边界。

第二个检验是合并方向。/ai/与/ae/共享首元音/a/，若二者互相发成对方的形式仍被高比例接受，且声学上难以区分，则提示听者按整体处理而非逐段辨别成分。这种设计把声学相似、感知标签与流利者接受三者分开，避免用声学距离直接代替可接受性。

方法全景如何组织：三路证据怎样汇成一张可核对的图？

论文的方法全景是三源三角验证，不是单一模型训练。第一路是感知分析，由受过训练的语音学家在 Praat 中检查慕尼黑自动切分系统 MAUS 给出的 3 层对齐，包括正字词层、音位词层和音位层，校正错位的音段边界，并把默认音位标签更新为反映实际发音的音标标签。第二路是评价性打分，由约 10 名流利毛利语者按音节给分，只有接受得满分或拒绝得零分两种结果，音节多为辅元结构或单个元音，长短单音与双元音都可成核，3 个连续元音序列按一个音节计分。

打分指令明确按可接受性而非典型目标评价，且对元音比辅音更严格，只评音段不评韵律。第 3 路是声学测量，提取基频与第一、第二共振峰，并在每个元音内取 11 个等距点以刻画轨迹，中点值用于静态比较，全程点用于轨迹比较。

为把 3 路数据放在同一坐标下检查，研究团队开发了名为 FRED 的元音可视化工具，全称为 Formant Research for EDucation。该工具可对包含声学与分类信息的大表格做筛选，并生成可配置的 F1 与 F2 散点、分布图与时间归一化轨迹图。它的作用不是自动打分，而是让研究者把异体分类与接受判断对照声学证据，验证或质疑听辨标签，并在不同音系语境下保持一致的分析框架。论文披露该可视化软件在工程中借助生成式人工智能工具辅助完成。

沿一个样本走完全程有助于理解分工。输入是一段学生朗读的 pepeha 录音与文本，先经格式转换为常见的波形文件并用 MAUS 强制对齐；表示层是校正后的音段边界与音标标签；组件层是逐音节的接受或拒绝标记叠加到同一音节上，以及该音段的 F1 与 F2 数值；目标是判断该标签在该语境下是否落在可接受区间；输出是按音位语境分组的接受率与声学分布，共同支撑双元音是否独立的结论。

每路证据具体做什么：对齐、听辨、打分与声学如何落地？

语音数据来自某大学毛利语课程学生在 2020 年与 2021 年提交的 pepeha 朗读，属于课程评估中的规定文本朗读。学生可获得由 2 名流利者录制的全部可能音节模型与整篇 pepeha 范读，允许多次提交但仅最终提交纳入分析。录音经由多种介质采集后统一转为波形文件，典型为 44.1 千赫与 24 比特，不符合规定文本或噪声过大的录音被排除，最终纳入分析的为 301 名学生的录音。伦理许可已获批准，数据经过匿名化处理。

感知转写 × 评价性打分： 感知转写负责由受过训练的语音学家在 Praat 中校对边界并把默认音位标签改为实际发出的音标，分工是记录变异存在什么；评价性打分负责由约 10 名流利毛利语者按音节给出接受或拒绝，分工是判定变异是否可接受。二者搭配的理由是存在不等于可接受，只有把听辨标签与逐音节接受率对齐，才能区分高频但被拒的偏误和高频且被接受的合理变体，组合后新增的作用是为每个音标变体建立可计数的接受率 ground-truth。

声学侧的细节决定可比性。由于数据集中没有记录说话人性别信息，无法直接按性别设置 Praat 的共振峰上限参数，研究改用基频分组：以 160 赫兹为界分为高低两组，边界上下 20 赫兹的临界案例用人耳核查。F1 与 F2 在每个元音内取 11 个等距点，包括起终点、中间点与中点，轨迹使用全部 11 点，静态比较只用中点。共振峰提取借鉴 Fast Track 插件的思路以减少误跟踪。双元音的起点比较取 20% 处，终点比较取 80% 处，并用线性混合效应模型控制说话人随机截距，多重比较做 Bonferroni 校正。

共振峰 × 归一化轨迹： 共振峰中的 F1 对应开口度高低，F2 对应舌位前后，分工是给出客观声学坐标；归一化轨迹负责在每个元音内取 11 个等距点并绘制从起点到终点的平均走向，分工是保留双元音的动态形状。二者搭配的理由是单点中点值无法区分起点相同但终点不同的双元音，只有把静态中点与全程轨迹结合，才能同时检验单音替代和双元音首尾目标，组合后新增的作用是用可复测的赫兹数值验证听辨标签是否声学可分。

需要如实记录的缺项是，打分者之间的一致性到目前为止尚未检验，原文明确说明计划未来完成。这意味着接受率反映的是该打分群体的总体倾向，不能直接解读为个体间高度一致的阈值。后续复现时应优先补足这一环，否则无法判断分歧来自音系语境还是打分者差异。

有无模型训练：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声学模型，也没有训练发音评分器，不存在梯度路径、参数冻结与更新、优化器步骤或早停等安排。把无训练等同于结果确定是误解，本文的结论依赖人工听辨与人工打分，其可重复性受标注者与样本覆盖影响，需要用一致性检验与统计检验来约束。

实际执行的计算过程是标注与测量流程。强制对齐调用已有的 MAUS 系统完成 3 层对齐，不在本研究内重新训练对齐模型；语音学家在 Praat 中人工校正边界并改写音标标签，这是规则加专家知识的标注计算；流利者按音节给出二值接受判断，这是人类评价计算；声学侧按固定流程提取基频与共振峰并计算中位数、Mann-Whitney U 检验、Fisher 精确检验与线性混合效应模型，这是统计计算。

FRED 工具负责筛选、绘图与对照，没有学习发音映射。复现时应把这些步骤视为流水线来执行，而不是寻找一个可下载的权重文件。原文未报告训练资源、推理延迟或帧率，本文不做相关声称。

实验条件如何保证可比：样本、分组与指标方向是什么？

比较的问题是同一听辨变体在不同音系语境下的接受度是否一致。公平条件包括使用同一批 pepeha 文本、同一套对齐与校正标准、同一批流利者的逐音节二值打分，以及同一套声学提取参数。指标方向是接受率越高表示越可接受，声学上 F1 越高表示开口度越大，F2 越高表示舌位越靠前，统计上显著性阈值用于判断组间差异是否超出随机波动。

数据划分按预期音位分组，而不是按说话人划分训练与测试。单音部分聚焦预期为/u/与/a/的 token，报告最常见的两种感知实现；双元音部分聚焦预期为/au/、/ai/、/ae/的 token，报告典型实现与最常见的替代实现。样本量差异较大，例如单音/a/的典型实现接近 2000 个 token，而/ai/与/ae/之间交叉替代的小样本仅有个位数至十余个 token，这直接影响统计效力的解读。小样本组的统计比较被原文明确视为信息不足，不做过度推断。

下表整理数据规模与评价协议的关键条件，用于核对后续结果表的分母与口径，表中数字与单位均来自原文连续句的逐字证据。

表后需要说明代价与边界。301 人的规模在毛利语研究中已属较大，支撑了单音部分的高统计效力，但双元音交叉替代的小样本天然受限，不能把接近全接受的百分比直接推广为已证明合并完成。未做评分者一致性检验是明确缺项，意味着接受率的误差条中包含未量化的打分者变异。复现时若更换文本、更换打分指令或放宽噪声排除标准，接受率将不可比，因此必须保留原文的按音节二值与元音从严的指令口径。

单音部分测到什么：高频替代为何仍被接受？

单音部分的比较问题是典型实现与最常见替代实现的接受率是否存在差异。公平条件是同一预期音位内的分组比较，指标方向是接受率越高越可接受，统计工具为 Fisher 精确检验。结果显示典型实现占主导，/u/的最常见替代为靠后实现，/a/的最常见替代为 schwa，但两组内典型与替代的接受率均无显著差异。

具体而言，预期为/u/时，前移典型实现与靠后替代实现的接受率分别约为 95.7% 与 93.7%，检验 p 值为 0.23；预期为/a/时，开元音典型实现与 schwa 替代的接受率分别约为 97.8% 与 98.7%，检验 p 值为 0.11。原文同时给出计数分母，/u/组分别为 577 与 268 个 token，/a/组分别为 1998 与 920 个 token，其中/a/组约 31% 被实现为 schwa，仍被几乎同等接受。这支持单音/a/存在广泛的央化容忍，/u/存在前后维度的容忍。

以下导读针对单音接受率柱状图，图中黑色为接受段，灰色为拒绝段，柱顶标注拒绝百分比，柱中标注接受百分比，柱下标注听辨标签与样本量。

看图路径： 1. 先看横轴四个柱子对应的预期音位与实际听辨标签，以及柱下 n 值代表的样本量；2. 再对比黑色接受段与灰色拒绝段的比例，重点看/u/的两种实现是否都接近全黑；3. 最后把左侧/u/组与右侧/a/组的拒绝灰条高度放在同一纵轴下比较

论文图 1。原论文 Figure 1：“Acceptance and rejection rates for the most common phonetic productions of expected /0/ and /5/ phonemes.”。

该图的解释应紧扣分母与高度。左侧两根柱子显示/u/的两种实现接受段均占据绝对主体，灰色拒绝段仅在柱顶露出窄条；右侧两根柱子显示/a/的两种实现接受段更高，灰色几乎不可见。关键不是比较左右两组谁更高，而是确认同一预期音位内部替代实现没有塌陷。结合声学证据，/a/的典型与 schwa 在 F1 上差异显著，中位数分别为 845 赫兹与 670 赫兹。

/u/的前移与靠后在 F2 上差异显著，中位数分别为 1746 赫兹与 1073 赫兹，说明听辨标签有真实声学对应，但声学可分并未带来接受度分裂。这为后文双元音中的不对称埋下对照：同样的声学距离在不同语境下可能对应不同的接受判断。

下表把单音与双元音交叉替代的核心计数放在同一口径下，便于核对分母、接受率与检验结论，表中单位保留原文写法。

表后解释需同时给出收益与反例。收益是单音部分的大样本给出清晰结论：央化与后缩在单音语境下属于可接受变异，教学上不必苛求唯一舌位。代价是该结论不能外推到双元音，下一节将显示同样的靠后品质在/au/终点被惩罚。未胜出项在这里体现为拒绝侧：单音中仍有少量拒绝 token，论文未进一步分解这些拒绝是否集中于特定词汇或特定说话人，复现时应补做按词与按说话人的分层检查。

换到双元音会怎样：同样的靠后品质为何被惩罚？

双元音部分的比较问题是典型实现、首目标抬高变体与尾目标靠后变体的接受率是否一致。公平条件仍是同一预期双元音内的分组比较，指标方向相同。对/ai/与/ae/，典型与交叉替代之间无显著差异；对/au/，尾目标靠后变体显著更易被拒绝。

数字上，/ai/的典型与发成[ae] 的替代接受率分别约为 98.3% 与 100%，检验 p 值为 1.00；/ae/的典型与发成[ai] 的替代接受率分别约为 96.4% 与 93.3%，检验 p 值为 0.47。/au/呈现不同模式，最常见的不是典型实现而是首目标抬高的央化变体，其接受率与典型实现无显著差异，p 值为 0.84；但第三常见的尾目标靠后变体被明显拒绝，p 值小于 0.001。结合柱状图的具体百分比，/au/三根柱子的接受率分别约为 89.4%、90.5% 与 71.4%，对应拒绝率分别约为 10.6%、9.5% 与 28.6%，样本量分别为 161、105 与 91 个 token。

以下导读针对双元音接受率柱状图，分组从左至右为/au/、/ai/、/ae/，每组内柱子从左至右为典型与替代实现，柱下给出听辨标签与样本量。

看图路径： 1. 先按/au/、/ai/、/ae/三组分组，看每组内典型实现与替代实现各占几根柱子；2. 再重点对比/au/第三根柱子的灰色拒绝段与其他柱子的高度差异；3. 最后检查/ai/与/ae/交叉替代的两根小样本柱子的接受段是否仍接近全黑

论文图 2。原论文 Figure 2：“Acceptance and rejection rates for the most common phonetic productions of expected /50/,/5i/, and /5e/ phonemes.”。

该图的解释应抓住不对称。/ai/与/ae/四根柱子几乎全黑，仅柱顶有极窄灰条，说明交叉发成对方形式仍被接近全接受；/au/前两根柱子高度相近且灰条相当，说明首目标抬高属于可接受变异；第三根柱子的灰条显著增高至约 28.6%，说明尾目标靠后是被惩罚的偏误。声学上该靠后变体的终点 F2 中位数约为 1011 赫兹，显著低于以靠前终点实现的约 1490 赫兹，差异的效应量大于 0.63，表明听辨标签同样有声学支撑。

于是形成与单音的直接对照：单音中靠后[u] 的接受率约为 93.7% 且与典型无差异，双元音中靠后尾目标的接受率跌至约 71.4% 且显著被拒。同样的声学品质换语境后判断反转，这是支持双元音为整体音位的核心证据。

下表整理双元音起点与单音的声学对照，说明/a/成分并非在各语境下复用同一目标，表中起点取 20% 处，单音取中点，单位为赫兹。

表后解释需点明机制含义。/ae/起点与典型开元音在声学上不可区分，/ai/起点仅温和偏离，而/au/起点高度上与 schwa 相当但更靠后，说明/a/成分被双元音环境塑造，不是跨语境稳定的同一元音。若双元音只是拼接，应观察到 3 组起点一致地复刻单音/a/，实际观察到的分化则支持各自拥有独立的发音目标。未评测边界是/ai/与/ae/交叉替代的小样本，/ae/发成[ai] 仅 15 个 token，/ai/发成[ae] 仅 9 个 token，尽管接受率高但统计效力弱，原文也明确对这类极小样本不做统计比较，复现时需扩大采样后再检验合并假设。

声学轨迹看到什么：起点聚拢与终点分离说明了什么？

声学轨迹的比较问题是双元音的起点与终点在 F1 与 F2 平面上如何分布，以及替代实现的轨迹是贴合典型还是贴合其表面形式。公平条件是同一提取流程与同一时间归一化，指标方向按共振峰的发音学含义解读，不把曲线向下直接等同于性能变差。结果显示/ai/与/ae/的起点聚集在典型开元音均值附近，/au/起点整体更低即 F1 更小；终点侧/ai/与/ae/在 80% 处取值相近，/ae/中被听成[ai] 的极小样本其终点更低且更靠前，与其标签一致；/au/的靠后尾目标在终点显著更靠后。

以下导读针对平均共振峰轨迹图，椭圆为单音中点均值加 1.5 倍标准差，箭头为双元音从起点到终点的平均轨迹，线型按图例区分 3 个双元音，黑色为典型实现，灰色为替代实现。

看图路径： 1. 先确认纵轴 F1 与横轴 F2 的方向，注意 F2 向左增大，椭圆为中点均值加 1.5 倍标准差；2. 再沿虚线、实线、点线的箭头方向跟踪三组双元音从低 F2 高 F1 区向高 F2 低 F1 区的走向；3. 最后对比黑色典型线与灰色替代线在起点与终点的重合或分离位置

论文图 3。原论文 Figure 3：“Ellipses show the mean of F1/F2 at vowel (monoph- thong) midpoint with 1.5 SD; arrows show mean diphthong tra- jectories for /50/ (dashed), /5i/ (solid), and /5e/ (dotted).”。

该图的解释应先确认坐标再读趋势。纵轴为 F1，向上为低 F1 即开口度小；横轴为 F2，向左为高 F2 即舌位靠前。图中可见代表/ai/的实线与代表/ae/的点线从右下方的开元音区出发，向左上方的前元音区收敛，黑色典型线与灰色替代线在起点附近相互缠绕，说明二者起点声学重叠大；代表/au/的虚线起点明显更高即更靠下方的 F1 更小，且 3 条虚线在终点出现分离，靠后替代的终点更偏向右侧即更靠后。参考元音/i/、/e/、/o/与单音椭圆提供了锚点，但像素不能精确读出每个点的赫兹数值，凡需精确引用的中位数仍以正文数字为准，不从图中估读。

这一节的限制含义是声学相似不保证感知等价。/ai/与/ae/起点相近且交叉替代被接受，似乎支持合并；但/au/起点抬高被接受而尾目标靠后被拒，说明流利者判断编码了超出原始声学距离的期望，可能来自音系结构对目标形状的要求。原文明确这是初步结果，仅覆盖部分元音，剩余元音是否同样受语境调制仍待检验。把轨迹重叠直接推广为全程等价或把末端结果推广为整体合并，都是原文未支持的过度解读。

若要复现这套三角验证：先做什么，需要哪些条件？

复现应从流水线而非模型权重入手。第一步准备同一类型的规定文本朗读，保证文本固定以便按预期音位分组，录音统一转为波形文件并记录采样率与位深，剔除偏离文本与噪声过大文件并记录剔除数量。第二步用强制对齐得到词与音位边界，再由语音学家在 Praat 中按声学标准校正边界并改写为实际音标标签，保留原始默认标签以便审计。

第三步组织流利者按音节二值打分，指令必须写明按可接受性而非典型目标评价、对元音从严、只评音段不评韵律，并记录打分者人数与每音节的接受计数。第四步按固定参数提取基频分组与共振峰轨迹，静态用中点，动态用 11 点全程，起点取 20% 处、终点取 80% 处，统计时控制说话人随机效应并校正多重比较。

关键超参数与信息条件包括 160 赫兹的基频分组界与上下 20 赫兹的人耳核查、11 个等距采样点、FRED 工具中的筛选与绘图配置，以及 Fisher 精确检验与线性混合效应模型的检验口径。原文未给出说话人性别、年龄分层与词汇分层，复现时应如实记录缺项而不是自行编造划分。若要检验双元音独立性，必须保留原文实际可运行的分组：单音内典型对替代、双元音内典型对替代、双元音起点对单音中点的跨语境对照，不能用事后最优阈值代替可部署的判断规则。

下表汇总复现核查清单中的数据与协议要素，便于按图索骥补足缺失验证。

表后收束代价。按此流程复现的主要成本在人工环节：语音学校对与流利者打分耗时且需文化适配，不能简化为众包打分。技术代价是小样本双元音需要持续积累才能收敛，若急于用自动打分替代人工接受率，会把未标定的偏误直接固化进系统。原文的价值正在于先标定范围再谈技术，复现时应保持同样顺序。

何时值得借用该结论：教学与技术分别该怎么做？

论文直接报告的是不对称接受模式：单音中可接受的央化与后缩，在双元音中不再无条件成立；/ai/与/ae/的交叉替代被接近全接受且声学重叠，/au/的首目标抬高被接受而尾目标靠后被拒。这些数字支持把双元音作为整体音位处理，而非单音拼接的有限解释。未验证的推测是这种语境依赖是否适用于其余元音，以及合并是否已经完成，原文明确留待检验，应以可能或待验证的语气引用。

对教学的启示是有条件的。若学习者目标是被当代流利群体接受，则双元音应作为独立声音来教，练习其特有的起点高度与终点前后，而不是在单音/a/与/u/练好后自然拼接。若学习者模仿的是特定年代的老年发音，则/u/的前后目标本身不同，需先明确模仿对象再谈区间。对技术的启示同样有条件：计算机辅助发音训练若沿用典型序列比对，会把/au/首目标抬高这类可接受变异误判为错误，也会低估尾目标靠后的严重程度，因此必须先建立按语境划分的可接受边界，再设计反馈阈值。

常见误解需要澄清。第一，声学相关不等于感知等价，/au/终点随/u/前移而前移的历时相关，并不推出单音与双元音共享同一接受阈值。第二，高接受率不等于发音相同，/ai/与/ae/互相接受可能反映整体处理或正在合并，不能直接改写为二者已无区别。第三，大样本显著不等于每组都显著，极小样本的高百分比不具备相同证据强度。总体上，该方法可推广到其他复兴语言的发音区间标定，但每次推广都需重做三源三角验证，不能把毛利语的具体赫兹阈值搬运到另一语言。

⚖️ 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