小塞音库如何保持清音短延迟：三种法属波利尼西亚语言的 VOT 与浊音证据

英文题目：Oral stop realisation in three French Polynesian languages

会议身份：conference:interspeech:2026:conference-paper-id:fletcher26_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 #语音 #语音属性识别

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Janet Fletcher：机构信息未能从会议 PDF 纯文本可靠映射
• Adele Gregory：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为塔希提语、马克萨斯语南北变体和鲁鲁图语的朗读清塞音，输出为嗓音起始时间、词中闭塞时长与浊音占比的跨语言规律，难点在于发音人稀少且既有描写多为印象式而互相矛盾。方法链分三步推进：先以朗读录音与词表为输入，用适配法属波利尼西亚音位的WebMaus强制对齐并经Praat逐token核对波形语图，输出词、音段与嗓音起始时间边界，再以上步边界为输入，经emuR转为emu-sdms数据库并标注主重音、词位与后接元音，输出可检索的层级标注库，最后以该标注库的闭塞与嗓音起始时间区间为输入，用线性混合效应模型检验音位、后接元音、词位与重音效应，输出效应估计与事后比较。与既有印象式描写相比，关键机制差异在于将元音协同发音与韵律位置分离建模，证明后接元音而非语言或重音主导变异，具有澄清描写矛盾的实际意义。在塔希提语句框朗读语料下，/t/的平均VOT指标为22.57 ms，高于/p/的平均VOT指标16.98 ms。其适用边界受限于实验室窄焦点朗读的双音节或三音节词，尚未验证自发话语中的词汇重音、词首lengthening与弱化变体。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：为何要测量法属波利尼西亚语的塞音？

本文的输入是 3 种法属波利尼西亚语言的朗读语音：塔希提语、马克萨斯语北部与南部变体、鲁鲁图语。目标不是做语音识别或合成，而是回答一个语音学描写问题：这些语言被记作只有一列清塞音，它们在声学上是否真的是短延迟、不送气、完全闭塞，以及哪些语言学因素会系统改变其时长。必须保留的关键信息是语种归属、音位库大小、说话人构成与录音任务差异，输出是一组可复述的测量结论与适用边界。

对于刚入门的研究生，白话是：嗓音起始时间，英文为 voice onset time，缩写为 VOT，指塞音破裂释放之后、到后面元音声带规则振动开始之前的那段噪声加过渡时长。正值越大听感上越接近送气。闭塞时长指从口腔完全闭合到释放之间的静默或低能量保持段。浊音比例指整个塞音区间内能检测到声带周期性振动的时长占比。本文同时看这 3 个量，是因为只看 VOT 会把协同发音拉长的释放误读为送气对立，只看闭塞会漏掉释放变异，只看浊音比例会把结尾拖尾误读为浊化。

法属波利尼西亚有 7 种本土语言，属于东部波利尼西亚语支。原文报告塔希提语在社会群岛使用人数最多，但代际传递水平被认为较低，其他语言因长期接触法语与塔希提化而被视为濒危。音系上这些语言辅音对立少，只有 8 到 10 个，元音为 5 个基本元音加长短对立，音节以辅元相间的开音节为主，重音被描写为轻音节词中的倒数第二音节凸显，长元音的末音节也可吸引重音。理解这一背景才能明白为何本文强调喉部控制与口头传统的 soundscape，而不是把小音位库直接预设为高变异。

同类任务走过哪条路：夏威夷语、毛利语与印象式描写的分歧

相关工作沿两条路线展开。第一条是同语族、同目标的声学对照。夏威夷语有两个清塞音/p,k/，报告为短延迟，均值约为双唇 24 ms、软腭 39 ms，且词中软腭有约三成九实现为清擦音的弱化。毛利语/p,t,k/相对新西兰英语送气较短，但有代际变化，年轻毛利说话人送气变长。汤加语词中/k/可任选弱化为[x] 或[ɣ]。这些工作给出可比基线：东部波利尼西亚语的单列塞音可以是短延迟，但也可能出现位置性擦化，因此本文必须同时检验 VOT 与是否擦化。

第二条是法属波利尼西亚语内部的印象式描写分歧。塔希提语各家都同意是清音，但有人记为不送气，有人记为不送气、送气、声门化三可，送气与声门化被解释为与后接/h/或/ʔ/完全协同发音所致。马克萨斯语/p,t,k/多被记为不送气，但有对北部乌阿普变体的描写称有可变送气，/t/变化最小，/k/送气最长，符合跨语言 VOT 随发音部位靠后的普遍趋势。塔希提语此前只有初步 VOT 研究，鲁鲁图语与马克萨斯语则尚无主要定量研究。本文的增量正在于此：用同一套强制对齐加手工校对流程，给出三语可比较的 VOT、闭塞与浊音比例数字，而不是重复印象式标签。

要回答的具体问题是什么：短延迟是否成立，什么因素改变它？

本文提出的主要问题有 3 层。第一，单列清塞音是否为短延迟，平均值是否落在约 20 ms 附近，马克萨斯语的/k/是否因部位靠后而显著更长。第二，除音位与语言外，词位置、后接元音、韵律凸显是否显著影响 VOT 与闭塞时长，特别是后接闭元音是否通过腭化或圆唇协同拉长释放。第三，是否存在其他东部波利尼西亚语中见过的浊化或方式弱化，例如词中浊化、完全擦化为摩擦音。

教学例子仅为例子：设想一个塔希提语双音节词放在载体句中部，目标音节为/p/后接/u/，测量时先定闭塞起点与释放点，再定元音规则共振峰起点，VOT 即释放点到元音起点之差。若/u/圆唇使释放噪声拖长，VOT 数值会偏大，但这不意味着该语言新增了送气音位。本文正是要把这类协同效应与音位效应分开。原文明确说，在当前语料之外，尚需更平衡的语料与叙事语体来确认韵律效应，当前结论限定于朗读体、窄焦点、两到三音节词。

方法全景：从录音到数据库再到混合效应模型

方法全景可沿一个样本走完。输入是一段 44.1 kHz、16 bit 的头戴话筒录音，来自 2018 年 11 月在帕皮提法国波利尼西亚大学安静房间内录制的 12 位说话人：5 位塔希提语女性、4 位北马克萨斯语、1 位南马克萨斯语女性、2 位鲁鲁图语女性，年龄在录音时为 18 到 70 岁，均出生于法属波利尼西亚，双语为本族语加塔希提法语或当地法语变体。

表示阶段先用适配法属波利尼西亚音位库的通用网络 Maus 做强制对齐，再在 Praat 中对照波形与语图手工检查并修正元音、塞音与词边界，另加一层 VOT 层，标注完全闭塞后有清晰非周期能量到后接元音规则共振峰起始的释放后阶段。组件阶段将标注转为 R 环境中 emuR 包的 emu-sdms 数据库，提取词中闭塞时长、词首与词中释放后时长，并用模仿 Praat voice report 的 R 脚本计算浊音比例。目标阶段用线性混合效应模型检验固定效应，输出是各因素的估计值与事后比较。

任务差异必须保留：塔希提语材料为句子框架任务，90 个词覆盖对立塞音与元音，双音节词放在载体句中部，每词读三到四遍，只分析含/p,t/的词；马克萨斯语与鲁鲁图语为改造版斯瓦迪什 160 词表，读孤立词，每词读一到两遍，只分析两到三音节词。作者承认任务不理想但认为均为窄焦点下的谨慎读法而可比。分析的塞音总数为 3839 个，语料明显偏向塔希提语，部位分布也不平衡。南马克萨斯说话人与北马克萨斯词表基本相同，故合并为马克萨斯语。所有塞音都在音节首，因为三语均为辅元音节结构。

组件如何分工：对齐、手工校对、VOT 层与韵律标注

强制对齐负责给出初步的音段与词边界，手工校对负责纠正它在塞音闭塞与释放、元音起点上的误差。VOT 层专门只标释放后阶段，要求同时在波形与语图上看到完全闭塞、释放的非周期能量、后接元音规则共振峰活动三者衔接。词边界另行检查，主重音音节按词汇重音标注，但因语料性质所有词都实现在窄焦点下，主重音音节恒带后词汇语调音高重音，所以本文能对比的凸显是带重音对完全非重读，而无法在无语调凸显条件下单独检验词重音效应。这是一个关键信息条件，复现时不能误标为重读对非重读的纯词重音对照。

嗓音起始时间 × 闭塞时长： 嗓音起始时间负责刻画破裂释放到元音周期性振动开始的释放后阶段，闭塞时长负责刻画从完全闭合到释放前的保持阶段，二者搭配是因为前者对送气与协同发音敏感、后者对韵律边界与重音敏感，组合才能区分释放变长是发音部位效应还是韵律 lengthening。

短延迟 × 不送气： 短延迟是声学测量，指正 VOT 集中在约 20 ms 附近；不送气是音系描写，指单列清塞音没有对立性送气，二者搭配的理由是不能把短延迟直接等同于音位不送气，本文用三语均值加软腭例外来说明短延迟分布如何支持不送气的定性判断。

闭塞时长只在词中可可靠测量，词首因常有停顿而无法准确定位闭塞起点。为做比较，浊音比例在词首仍保留 Maus 原始时间戳做推定计算，释放段在词首与词中都计入。作者还注意到马克萨斯语与鲁鲁图语中，若邻音节有声门塞音，释放段偶发不规则 creaky 嗓音的非周期声门脉冲，这会影响浊音比例判读，需在复现时回听并查看语图，而不能只看自动阈值。

有无训练：本研究没有训练神经网络，计算是什么？

本研究没有训练阶段，没有神经网络权重更新、梯度路径、早停或冻结解冻可报告。真实计算是 3 类：基于规则与声学模型的强制对齐加人工修正，基于信号处理的时长与浊音比例提取，以及基于统计模型的推断。VOT 模型固定效应为音位、语言、凸显、后接元音、词位置；闭塞模型只纳入词中塞音，固定效应为音位、语言、后接元音与凸显；2 模型随机效应均为说话人与词。

浊音比例用同样结构分析。固定效应间交互纳入模型，并用 emmeans 包做显著交互的事后检验。原文未报告优化器、学习率、训练轮数，因为不适用；也不能把无训练等同于确定性求解，对齐与手工边界仍有人为变异。

词重音 × 短语后词汇音高重音： 词重音是词层面按音节轻重指派的凸显位置，后词汇音高重音是语调层面在窄焦点下赋予主重音音节的音高凸显，二者搭配的理由是本语料所有词都读在窄焦点下、主重音音节恒带音高重音，因此只能对比带重音与完全非重读 onset，无法分离纯词重音效应。

缺项须指明：原文未给出 Maus 适配的具体音素映射表与阈值，未给出浊音比例的帧长、阈值与清浊判决细节，只说模仿 voice report；未给出 lmerTest 中逐步筛选与 get-model 的完整公式与编码细节，只说因素为和编码并报告了显著交互的事后结果。复现时应先固定 Praat 判读标准与 R 包版本，再补记这些参数，否则跨实验室 VOT 差几毫秒难以归因。

实验条件：说话人、词表分布与测量口径如何对齐？

数据划分按语言与词位置组织。塔希提语词首与词中/p,t/数量大，鲁鲁图语与马克萨斯语词表来源的/p,t,k/数量较小且不平衡，马克萨斯语另有词首与词中/k/。聚合对象是音位按语言、位置、后接元音与凸显分组的时长均值与标准差，统计方法为线性混合效应回归加 Bonferroni 校正的事后比较。指标方向需分清：VOT 越长越接近送气，闭塞越长多与重音或边界强化相关，浊音比例越高越接近浊化，但词中前部终止拖尾会虚高，需结合波形判断。硬件预算按原文仅为 Zoom H6 加 Countryman 头戴话筒的安静房间录音，无 GPU 训练开销，推理开销不适用。

公平条件方面，三语任务不同、重复次数不同、说话人数不同，塔希提语 5 人、北马克萨斯 4 人、南马克萨斯 1 人、鲁鲁图 2 人，性别以女性为主，只有北马克萨斯含 2 名男性。因此语言主效应缺席不能读作三语完全相同，样本量与任务差异限制了跨语言强比较。后接元音为/i,e,a,o,u/五水平，位置为词首对词中，凸显为带后词汇重音对非重读。所有词均为两到三音节、音节首塞音，这是可比性的前提。

主结果：短延迟成立吗？后接元音为何是最强预测因子？

先提出比较问题：在控制说话人与词的随机变异后，VOT 是否仍以部位与后接元音分层，语言与凸显是否有主效应，指标方向是释放越长越偏送气。公平条件是同为音节首、窄焦点朗读体、手工核对后的释放后区间。表后解释需同时给出收益与代价：收益是三语短延迟得到定量支持，代价是后接元音的协同效应可达十几到二十多毫秒，若不分组会误判为语言差异。

下表整理原文报告的各语言各音位平均 VOT、标准差与样本数，单位保留原文毫秒与计数写法，裸值处不擅自补单位，数值相同不视为同一指标，需结合位置与后接元音理解。

表后解释如下。原文报告三语塞音总体为清音短延迟，均值约在 20 ms 上下，唯一例外是马克萨斯语/k/均值约 40 ms，符合软腭 VOT 更长的跨语言趋势。模型显示凸显与语言无主效应，词位置显著，音位与后接元音交互显著。事后比较显示双唇 VOT 在/u/前显著长于/a,o,e,i/，齿音 VOT 在/i/前显著长于/a,e,u,o/，/i/前双唇显著短于齿音；马克萨斯语软腭在/i/前长于/a,e,o/而在/u/前无差异。

作者将其解释为后接闭后圆唇元音对/p/的协同，以及闭前元音高舌位对/t/与/k/的腭化协同。个别语例中/p/加/u/如马克萨斯语大腿与塔希提语强壮的词中 VOT 约 33 到 34 ms，仍属不送气范畴；/ti/序列在鲁鲁图语/i/前均值达 55 ms，接近送气边界，但原文将其归为协同而非音位送气。未胜出项是韵律凸显，它在 VOT 上无显著主效应，不能用重音解释主要变异。

以下导读针对像素图：该图为三栏箱线图，分别显示 Marquesan、Rurutu、Tahitian 的 VOT 分布，纵轴为毫秒，横轴为音位，颜色区分 p、t、k，阅读时应先定语言栏再定音位颜色，最后看箱体与离散点。

看图路径： 1. 先按左中右三栏确认语言，再按颜色确认音位，核对横轴音位与纵轴毫秒数；2. 比较同一语言内 k 的中线与箱体是否系统高于 p 与 t；3. 观察 t 在 Rurutu 与 Tahitian 的上须与离散点是否因后接/i/而拉长；4. 不要把离散点最多的音位直接读作均值最大，要结合箱体中线与原文均值

论文图 1。原论文 Figure 1：“VOT duration in Marquesan, Rurutu, and Tahitian Post hoc tests using the R package emmeans with Bonferroni adjustment were conducted to explore these interactions further.”。

针对可见内容的解释是：马克萨斯语蓝色 k 箱体的中线与箱体整体高于红色 p 与绿色 t，与原文 k 均值约 41 ms 而 p、t 在二十出头毫秒一致；鲁鲁图与塔希提两栏中绿色 t 的上须与顶部离散点多于红色 p，与后接/i/拉长齿音释放的统计结论吻合；三栏箱体主体仍压在 50 ms 以下，支持短延迟判断。像素不能精确读出每箱中位数毫秒数，故不硬写箱线数值，一切精确均值以正文表格与原文数字为准。同色不必然同分布，需按语言分栏理解。

反证检验：闭塞与浊音比例是否支持弱化或浊化？

要检验弱化假设，需同时看闭塞是否保持完全闭合、浊音比例是否持续偏高、释放是否有摩擦噪声。若只有浊音比例词中略高而闭塞完整，则更可能是终止拖尾而非浊化；若出现大面积词中擦化，则应有噪声段替代闭塞。本文的反证正是按此组织。

下表整理浊音比例的关键数字与总体 VOT 量级，单位与小数精度保留原文，裸比例值不换算为百分比，百分点与相对百分比不在此混用。

表后解释如下。闭塞方面，词中/p/与/t/在三语间无显著差异；马克萨斯语/t/闭塞显著长于/k/，/p/与/k/差异不显著；元音语境无显著效应；仅塔希提语出现凸显与语言交互，词中重读音节 onset 闭塞长于非重读，其他两语无显著差异，原文认为可能因塔希提语料更大更受控。

浊音比例方面，无凸显与后接元音主效应，有音位与语言交互、音位与位置交互；词中高于词首，/p/、/t/、马克萨斯语/k/均如此，但作者明确归因于起始段清晰可见的嗓音终止时间，而非持续浊化。鲁鲁图词中/p/均值 0.21、塔希提词中/p/均值 0.19 且变异大，马克萨斯语/p/浊音比例低于塔希提。

浊音比例 × 嗓音终止时间： 浊音比例负责量化整个塞音区间内有周期性声带振动的占比，嗓音终止时间负责解释词中位置数值偏高的那一段前部拖尾振动，二者搭配是因为若不扣除终止拖尾会误判为词中浊化，组合后才能判断是否存在真正的浊音同位异音。

未胜出与负结果必须保留：除 1 位南马克萨斯女性说话人在前后均为闭前元音的词中软腭语境产生一个清擦化[x] 变体外，无词间擦实现，所有闭塞均为完全闭塞、无显著方式弱化；北马克萨斯 2 位说话人的词中软腭释放偶见声门脉冲的非周期浊音即声门化，可能与不同变体间/ʔ/与/k/交替的喉部设置有关，塔希提语料中也有较轻的类似协同，但程度低于马克萨斯语。这支持喉部控制受限而可预测的判断，而不是大面积 lenition。

边界何在：哪些对比因语料性质做不了？

原文明确承认三点限制。第一，任务不等价：塔希提为载体句、马克萨斯与鲁鲁图为孤立词表，重复次数、说话人数、音位分布均不平衡，总数虽达 3839 个但偏向塔希提语，跨语言比较需谨慎。第二，韵律不可分：所有词均在窄焦点下实现，主重音恒带音高重音，无法在无语调凸显条件下检验纯词重音，也无法分析自发叙事中的重音与凸显交互；词首闭塞因停顿无法可靠测量，域首 lengthening 是否存在需其他仪器技术。第三，语体受限：实验室谨慎读法加说话人对本族语的自豪立场，可能压低弱化变体，教学材料中把/p,t,k/记为爆破有力的描述是否对应更用力的发音，仍需非受限话语验证。

弱化 × 擦化： 弱化负责描述闭塞不完全、浊化或时长缩短等一类连续减弱，擦化是其中一种具体方式，指完全闭塞被替换为摩擦噪声，二者搭配是因为本文用完全闭塞是否存在加浊音比例与听辨来同时检验，只有两者都缺席才能说当前朗读体中没有夏威夷语式词中/k/擦化那类变体。

相关性不是因果：后接元音与 VOT 的强关联支持协同解释，但本文未做发音运动学测量，不能直接证明舌体位置因果链；小音位库未带来高语境变异，这一观察不支持早期 dispersion 理论的简单预测，但也不构成对该理论的证伪，因为语料语体与音节结构同样约束变异。未测量误判率、延迟与成本，故不承诺任何识别或教学效果改善。

复现先做什么：按原文口径重走标注与统计

复现应先做三件事。第一，按原文重建录音与切分条件：安静房间、头戴话筒、44.1 kHz 与 16 bit、塔希提载体句与改造版斯瓦迪什词表分开处理，只取两到三音节、音节首塞音，南北马克萨斯合并前先保留变体标签以备核查/k/与/ʔ/交替。

第二，重走对齐到数据库流程：用适配法属波利尼西亚音位库的 Maus 初对齐，在 Praat 中逐词核对波形与语图、修正词与音段边界，另立 VOT 层只标完全闭塞后到规则共振峰起点的释放段，再转 emuR 的 emu-sdms 库提取词中闭塞与词首词中释放段，用模仿 voice report 的脚本算浊音比例并保留词首 Maus 时间戳的推定口径，同时标记邻接声门塞音导致的 creaky 段。

第三，重跑统计：VOT 与闭塞用 lmerTest 线性混合效应模型，说话人与词为随机效应，按原文固定效应与交互结构拟合，和编码后用 emmeans 做 Bonferroni 事后比较，重点复现后接元音交互而非语言主效应。

关键超参数与信息条件是音段边界判读标准、浊音判决阈值、随机效应结构与多重比较校正，原文未完全公开这些细节，复现报告须逐项补记。资源状态方面，本次未发现来源绑定且完成验证的代码、模型或数据资源，不得声称语料或脚本已公开；生成式 AI 使用声明为写作与构思全程未用 AI 工具。还需补的验证是采集等量说话人的可比语料与叙事语体，分离词重音与短语凸显，并补测词首闭塞的域首效应。

何时值得尝试：给新生的可操作结论

当你的研究对象也是单列清塞音、开音节为主、缺乏定量 VOT 基线时，本文流程值得直接借用：先做强制对齐加逐词手工校对，再分开测量释放后 VOT、词中闭塞与浊音比例，最后用混合效应模型把部位、后接元音、位置与凸显放在同一框架下检验。预期结果是均值约 20 ms 的短延迟，软腭长于双唇与齿音，后接/i/拉长齿音、后接/u/拉长双唇；若你的数据出现词中浊音比例偏高，先检查起始段终止拖尾与邻接声门段的 creaky，再谈浊化。

常见误解有三。其一，把某元音前 VOT 变长直接记为送气音位，本文显示这多为协同，仍在不送气范围内。其二，把小音位库等同于高变异，本文三语变异受限且可预测，喉部控制是 soundscape 的一部分。其三，把词中浊音比例略高读作弱化，本文除一个/i_i/间/k/擦化孤例外均为完全闭塞、无系统擦化。回到起点：短延迟成立，但只在朗读体、窄焦点、两到三音节词的条件下得到支持，换语体与更平衡语料后需重估。

⚖️ 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