二语者向谁靠拢取决于练什么：人类声音带塞音，真人合成音带节奏与时长对比

英文题目：L2 Speakers Accommodate Differently to AI and Human Voices Across Phonetic Features

会议身份：conference:interspeech:2026:conference-paper-id:gan26_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：#人类参与评测 #语言习得 #语音学与音系 #语音 #语音交互

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 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 0.3/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Nan Gan：机构信息未能从会议 PDF 纯文本可靠映射
• Elisa Pellegrino：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理L2英语学习者听模型句复述时语音向模型靠拢的趋同问题，输入为真人与合成模型句音频，输出为学习者复述音频相对模型的声学距离变化，难点在于趋同高度依赖特征且易与基线起点差异和语速混淆。方法链分三步：先以基线朗读加双会话交叉跟读采集配对语音并做强制对齐与声学提取，再对嗓音起始时间（Voice Onset Time, VOT）、紧张-松弛元音时长比与频谱距离及节奏构造趋同量，最后用线性混合效应模型检验模型语音类型效应并控制基线距离。与既有母语者研究多用旧式拼接与参数合成语音和单一时长特征不同，本研究引入现代神经合成语音并同时覆盖辅音时长、元音对比与节奏且隐藏语音身份。跟读真人语音的归一化VOT趋同更强，而跟读合成语音的元音时长比与强度节奏趋同更强。在双会话跟读任务设置下，会话1时长节奏趋同指标的估计为0.278，高于会话2时长节奏趋同指标的估计0.027。结论仅适用于中国女性中高级英语学习者跟读女性美音句子的短时模仿，未验证交互对话与长期习得迁移。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

学习者到底在向声音靠拢什么？

这篇解读的输入是论文正文与两张官方原图，目标是让刚进入语音与二语习得的研究生能复述实验做法与统计结论。必须保留的信息包括被试构成、两种榜样声音来源、3 种语音特征的定义、距离差的计算逻辑、混合效应模型的主要系数与显著性方向，以及作者明确标注为推测的部分。输出按学习依赖展开，先讲任务与路线，再讲方法全景与测量，最后讲结果与可复现细节。

论文研究的是语音趋同，也就是说话人把自己的发音向刚听到的榜样声音调整的现象。白话说就是听完一遍再说一遍时，时长、音色和轻重节奏会不自觉地被带偏一点。英文名是 phonetic accommodation，后文简称趋同。实验用的范式是句子跟读，英文名是 sentence-shadowing，后文简称跟读：被试戴耳机听一个句子，然后立刻把这个句子说出来，任务说明只说听并复述，没有要求刻意模仿，也没有告诉被试哪个是合成声。

语音趋同 × 句子跟读： 语音趋同负责解释学习者把自己的声学实现向榜样声音靠近的现象，句子跟读负责提供可重复测量的输入输出对：先听一遍榜样句再立刻复述一遍。两者搭配的理由是跟读把社交互动压到最低，只保留听觉感知到发音运动的耦合，组合后新增的作用是可以用基线与跟读到榜样的距离差来量化每 1 次靠近了多少。

为什么要区分人类声与合成声，是因为合成声已经进入语言学习场景。论文的起点是已有母语者研究发现向人类声和设备声的趋同程度与特征有关，但二语者群体几乎缺席。二语者的语音类别还在塑形，感知与产出之间的循环可能更敏感，因此不能直接把母语者结论搬过来。作者把交互对齐模型和修正后的言语学习模型作为背景：反复的感知产出对齐可能推动声学线索权重调整，这只是理论动机，不是本实验直接检验的对象。

母语者文献已经告诉我们什么，还缺哪一块？

母语者文献的一致部分是感知评价常常报告向人类声趋同更强，而声学测量的结果是分特征的。论文回顾说，元音或词时长上有人类声优势，基频上无差异；德语研究中只有元音音质出现人类声优势，而在时长与频谱相似性等整体指标上，双音节合成声也能达到与自然声相当的趋同。这些对照的输入、目标和运行阶段与本研究相近，都是听榜样声再复述并测量声学距离，但监督与评价方式不同：有的用听众打分，有的用声学距离，本研究只用声学距离。

监督来源也不同。早期合成基于隐马尔可夫模型或双音节拼接，自然度与现在的端到端神经合成不可比。论文明确指出基于旧合成的结论可能不适用于当前神经合成，因此选用微软 Azure 平台的女性神经合成声 en-US-LunaNeural 作为合成榜样，人类榜样则选自语料库中发音清晰中性的 19 岁美国英语女性说话人。已有唯一的二语相关研究用的是机器伪装下的人类声，没有真正比较合成声与人类声，这正是本研究的缺口。

作者还控制了母语文献中已知的调节因素：只招募女性被试，只用女性榜样声音，并控制年龄。这一步是为了减少说话人性别与榜样性别带来的干扰，而不是声称性别效应不存在。实验选择句子跟读而非对话，是为了压低社交变量，同时贴近语言训练中常见的听并重复练习。

本研究要回答的具体问题是什么？

具体问题是母语为普通话的英语学习者在跟读时，对合成声与人类声的趋同是否相同，以及这种模型类型效应是否随语音特征而变。论文考察 3 个对可懂度重要且对普通话学习者持续困难的特征：塞音嗓音起始时间、紧张松弛元音/i/与/I/的时长对比和频谱距离、言语节奏。由于此前没有直接比较二语者对两类声音趋同的研究，作者声明本研究是探索性的。

教学上可以这样理解：假如只看平均趋同，很容易得出合成声更好或人类声更好的笼统判断。论文要检验的是互补假设，即人类声可能在需要精细时间定位的特征上占优，合成声可能在对比关系更稳定、轮廓更规则的特征上占优。这个假设在结果出来之前只是待验证的方向，不能当作结论引用。

两组人如何交叉跟读两种声音？

方法全景是一个被试内交叉设计。先做 1 次基线朗读任务，然后做 2 次跟读，中间间隔 10 天。第 1 次跟读时一半人跟合成声，另一半人跟人类声；第二次互换。每个任务开头有 3 个填充句热身，基线朗读顺序做平衡，跟读试次随机化。

每轮录音约 25 到 30 分钟。整个流程的输入是一个榜样句子波形，输出是被试跟读的波形，中间没有在线反馈或纠错。

下面这段导读帮助初学者读懂流程图的结构：先看顶部唯一的基线框，再看分叉为两组的两条路径，然后看中间汇合的间隔框，最后看底部第二次的交叉结果。虚线与实线分别代表 A 组与 B 组，全程不交叉换组是理解交叉设计的关键。

看图路径： 1. 从顶部基线朗读框出发，确认两条分支分别标为 Group A 与 Group B；2. 对比左侧虚线分支与右侧实线分支在 Session1 的榜样声音标注；3. 沿箭头向下确认中间 10-day interval 框后再看 Session2 的交叉互换；4. 检查虚线与实线是否全程保持分组对应且无人中途换组

论文图 1。原论文 Figure 1：“Experiment design. Participants were evenly assigned to Group A (AI→Human) or Group B (Human→AI) in a two- session crossover design with a 10-day interval.”。

上图显示基线朗读在最上方，Group A 用虚线表示，先跟读合成声，间隔 10 天后再跟读人类声；Group B 用实线表示，顺序相反。中间的长框标出 10-day interval，上下两个会话框分别标出 Session1 与 Session2 的榜样类型。这种设计让每个被试都提供两种榜样条件的数据，组间顺序差异可以吸收练习或遗忘的方向性影响。后文统计模型中会话与声音类型的交互只在时长节奏上需要分会话报告，其余特征总体上没有会话效应。

三个语音特征是如何一步步算出来的？

沿一个样本走完全程有助于理解。假设被试读了包含目标塞音与目标元音的一个句子，录音先被切分为句子级片段并做强制对齐，得到音素与音节边界，嗓音起始时间边界用自动工具获得，元音中点提取第一与第二共振峰，节奏指标用时长与强度分析器计算。然后把这些原始测量转换为可比较的特征，最后用距离差衡量趋同。

嗓音起始时间 × 音节时长归一化： 嗓音起始时间负责刻画塞音爆破到声带振动开始的时间间隔，音节时长归一化负责除掉整体语速快慢的影响。两者搭配的理由是原始毫秒数会随说话快慢漂移，归一化后才能比较不同句子和不同说话人，组合后新增的作用是得到 VOTnorm 这样一个可跨句比较的相对时长指标。

具体做法是嗓音起始时间除以所在音节时长，得到归一化指标 VOTnorm，用来控制局部语速。目标塞音限定为音节首的塞音，且同一词内前面没有咝音或鼻音，以减少协同发音对嗓音起始时间的影响。

时长对比 × 频谱距离： 时长对比负责度量紧张元音/i/相对松弛元音/I/有多长，用紧张元音平均时长除以松弛元音平均时长得到 DR，频谱距离负责度量两类元音在共振峰空间隔多远，用 Bark 转换并做被试内标准化后的欧氏距离得到 SD。两者搭配的理由是普通话学习者对/i/-/I/既可能靠时长也可能靠音色区分，组合后新增的作用是可以判断学习者到底调整了时间关系还是调整了音色位置。

元音部分只取重读条件下的/i/与/I/，且每个句子不含同一元音的非重读实例，以保证时长足够做声学分析。时长对比 DR 是紧张元音平均时长除以松弛元音平均时长，频谱距离 SD 是两类元音平均共振峰经 Bark 转换与被试内标准化后的欧氏距离。

时长节奏 × 强度节奏： 时长节奏负责刻画辅音区间与元音区间在时间上的起伏，用 DeltaC、DeltaV、Varco 系列和成对变异指数等指标概括，强度节奏负责刻画音节平均强度与峰值强度的起伏，用 stdev、varco 和相邻音节成对变异等指标概括。两者搭配的理由是节奏既有时间不均匀也有响度起伏，组合后新增的作用是可以区分学习者是跟上了时间切分还是跟上了重音轻重轮廓。

节奏分两类计算。时长类包括辅音区间与元音区间的变异指标，强度类包括音节平均强度与峰值强度的标准差、变异系数与相邻音节成对变异。两类分别进入各自的模型，而不是混成一个总分。榜样声音在实验前做了统一预处理：转为 48 千赫单声道 16 比特波形，前后留静音防止截断，句子间响度先做配对匹配再全局归一化，以减少响度起伏的干扰。

本研究训练了什么，没有训练什么？

本研究没有训练任何神经网络声学模型，也没有更新合成声或识别器的参数。真实计算过程是调用已有工具做标注与测量：用蒙特利尔强制对齐器生成话语、词与音素层级标注并手工补充音节层，用自动工具标注嗓音起始时间边界，用自编脚本提取元音时长、中点共振峰与嗓音起始时间区间，用现成的时长与强度分析器计算节奏指标。

距离差 × 基线失配： 距离差负责把趋同操作化为基线到榜样的距离减去跟读到榜样的距离，正值表示靠近，基线失配负责指出学习者在跟读前离两个榜样的起点距离本来就不一样。两者搭配的理由是不校正起点差异会把起点近误读为学得好，组合后新增的作用是在混合效应模型中把基线到榜样距离作为协变量，从而得到更公平的合成声与人类声对比。

趋同的操作化是距离差，英文为 difference-in-distance，缩写为 DID。公式含义是基线到榜样的距离减去跟读到榜样的距离，大于零表示靠近，小于零表示远离，等于零表示维持。对每个标量指标，到榜样的距离取被试产出与对应榜样值的绝对差。统计部分在 R 语言中用线性混合效应模型拟合，以榜样声音类型为关注的固定效应，初始纳入会话及其交互，不显著时移除。

嗓音起始时间模型纳入被试、句子与词的随机效应，元音对比模型纳入被试截距并控制语速，节奏模型分时长与强度各拟合一个并纳入被试与句子截距。当检查发现基线失配时，把基线到榜样距离作为协变量加入，但作者报告这不改变定性结论。缺失的细节是文中未报告对齐错误率、手工校对量与具体超参数，复现时需要自行记录这些质控环节。

被试、材料与录音条件是否一致？

被试是 28 名女性普通话母语者，经济学专业，视听正常，通过大学英语 6 级，水平对应欧洲框架约 B2，平常课外不经常使用英语。录音在天津一所大学的隔音小间完成，环境噪声底约负 32 分贝相对满刻度，设备为无风扇笔记本上的在线实验平台呈现刺激，录音机采样 48 千赫 16 比特并开 80 赫兹高通，话筒距离保持 20 到 25 厘米，跟读时佩戴有线耳机，被试被要求保持口话筒距离并避免多余动作。所有指导语用中文给出。

材料方面，从语料库选出 47 个陈述句，平均句长与目标词符数量有明确统计，另加 3 个不含目标音的 5 词填充句，共 50 句。目标元音与塞音的筛选标准在前文已述，目的是保证可测性与减少协同发音干扰。两种榜样声音的句子响度经过配对与全局归一化，试次呈现上基线平衡、跟读随机。

下表提出第一个比较问题：在基线可比性成立之前，各组数据量与材料规模是否足以支撑后文的特征比较。公平条件是同一套句子、同一录音流程与同一预处理链，指标方向是句子片段数量与材料覆盖度越大，对多特征估计越稳定。

上表的主要信息是数据量在两种榜样间均分，且基线与跟读来自同一批被试与同一套材料，因此后文合成声与人类声的差异更可能来自榜样本身而非材料不平衡。代价是被试全部为年轻女性经济学专业学生，且语言背景较单一，未覆盖男性、其他专业或更高更低水平，未胜出项是这些人群的趋同模式在本研究中完全未被评测。资源状态方面，未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，本次也未能确认任何下载链接可达。

哪种声音在哪种特征上带来更强趋同？

结果按问题组织：测的是跟读相对基线向榜样的靠近量，与谁比是合成声条件与人类声条件在同一被试内的对比，条件一致性由交叉设计与响度归一化保证，指标方向是距离差越大表示趋同越强。关键数字是混合效应模型中合成声相对人类声的系数与显著性。支持的判断是模型类型效应依赖特征，限制是多数结论只在句子跟读、无明确模仿指令下成立。

下面这段是结果曲线的导读：三幅子图自上而下分别对应归一化嗓音起始时间、元音时长相关指标与强度节奏，横轴只有合成声与人类声两点，纵轴为估计的平均距离差，黑色虚线是零线。先判断点是否在零线上方，再比较两点高低与误差棒是否跨零。

看图路径： 1. 先看每幅子图的横轴 Model voice 只有 AI 与 Human 两点，纵轴为估计的平均 DID；2. 找到每幅图中的黑色水平虚线零线，正值表示向榜样趋同；3. 对比顶部 VOT 子图中 Human 点高于 AI 点且 AI 误差棒跨过零线的形态；4. 对比中部与底部子图中 AI 点高于 Human 点的方向与误差棒是否脱离零线

论文图 2。原论文 Figure 2：“Significant model-voice effects on accommodation (DID) across features.”。

上图可见顶部嗓音起始时间子图中人类声点高于合成声点，且合成声误差棒跨过零线附近而人类声脱离零线向上，支持人类声优势；中部子图中合成声点在零线上方而人类声点在零线下方，形成方向相反的分离；底部强度节奏子图中两点都在零线上方但合成声点更高。像素不能精确读出每点的毫秒数值，定量结论以正文报告的模型系数为准。原文补充说明中部纵轴标注涉及基线距离控制，底部同样为基线控制后的估计，因此不能把纵轴直接当作原始毫秒差。

下表提出第二个比较问题：在同一统计框架下，4 个待检验的趋同指标各自的支持方向是什么。公平条件是同一批被试、同一距离差定义与同一混合效应建模思路，指标方向是系数显著且距离差为正才算可靠趋同。

上表的主要收益是方向明确分化：精细时间定位的嗓音起始时间偏向人类声，关系型时长对比与强度轮廓偏向合成声。代价与反例同样明确：频谱距离与时长节奏没有显示模型差异，不能用总体趋势代替每个特征。特别是时长节奏在第一会话接近显著而第二会话完全不显著，说明把末步结果推广为全程是不安全的。作者报告对存在基线失配的指标加入协变量后定性不变，这增强了方向判断的可信度，但未测量误判率、延迟或训练成本，因此不能承诺教学效果或效率得到改善。

哪些对照排除了起点差异与会话顺序的解释？

论文特有的第一类细节是基线失配检查。对时长对比、频谱距离与两类节奏都观察到基线失配，即被试在跟读前离两种榜样的起点距离本来不同，因此把基线到榜样距离作为协变量加入距离差模型。关键是加入前后定性结果不变，这支持合成声优势与人类声优势不是单纯由起点近造成的。若没有这一步，合成声在时长对比上的优势可能被质疑为起点假象。

第二类细节是会话效应的处理。模型初始纳入会话与声音类型与会话的交互，不显著时移除。总体上会话效应缺席，只有时长节奏呈现声音与会话的模式，因此分会话报告：第一会话估计为 0.278，第二会话估计为 0.027，两者都不显著。这说明交叉设计中的顺序与间隔没有带来系统性偏移，至少在当前 10 天间隔与样本量下没有检测到。

失败条件也值得记录。频谱距离的系数接近零且标准误相对较大，时长节奏的两个会话都不显著，这些负结果与显著结果同等重要。它们表明不是所有特征都会被榜样类型调制，也提示时长区间的细微差异可能低于感知阈值。论文引用先前工作指出辅音与元音区间时长差异过于细微而难以感知，这属于有限解释而非直接测量，仍需待验证。

哪些边界让结论不能直接推广到课堂？

第一个边界是样本与任务。被试单一、榜样声音各只有一个、任务是低社交的句子跟读，没有对话角色、视觉面孔或明确模仿压力。作者明确讨论先前人类声常配有人脸并揭示身份，而本研究不告知声音来源，事后访谈中被试也不能可靠区分。这种身份揭示差异可能放大先前研究中的人类声优势，因此本研究发现的合成声优势需要在更互动的任务中重新检验。

第二个边界是机制解释的证据等级。论文对嗓音起始时间的人类声优势提出多种可能：人类声保留随重音、短语位置与协同发音变化的 timing 模式，提供多语境样例；合成声规律性过强而语境变异有限；也可能是特定人类榜样的送气能量更显著。原文用词是可能与未来应系统检验，属于未验证推测，不能当作已证实的声学原因引用。

对元音时长对比的合成声优势，作者推测合成声对比实现更一致、模板更清晰；对强度节奏则推测合成声强度轮廓更规则、重音位置更可重复，且部分被试报告感知到合成声节奏一致。这些都来自事后访谈与推理，没有做声学规则性与表情度的分离实验。

第 3 个边界是缺少母语对照组与更广的变体。没有母语者对照就无法判断上述分化是二语特有还是通用；只用一种合成声与一种人类声就无法推广到所有合成声；只测 3 类特征就无法覆盖语调、重音实现等其他维度。原文在结尾明确列出这些未来方向，复现时应把它们当作必须补的验证，而不是可忽略的修饰。

要复现这条趋同分化结果，先做什么？

先重建材料与流程。准备同一来源的 47 个目标句加 3 个填充句，按重读元音与音节首塞音标准核对目标词符，录制或获取一个清晰中性的人类女性榜样声，用同一神经合成声生成对应文本的榜样声，并做相同的采样率、首尾静音与响度归一化。招募背景相近的被试，先做基线朗读，再按交叉顺序做 2 次跟读，间隔 10 天，每次保留热身句但不纳入分析，全程固定话筒距离与录音设置。

再重建标注与计算。做句子级切分与强制对齐，补充音节层，用自动工具初标嗓音起始时间并抽查校对，提取音节时长、元音时长与中点共振峰，计算归一化嗓音起始时间、时长对比、频谱距离与两类节奏指标。对每个指标计算基线到榜样与跟读到榜样的绝对差并相减得到距离差，检查基线失配，拟合包含榜样类型固定效应与被试、句子、词随机结构的混合效应模型。关键超参数与信息条件包括采样率、话筒距离、耳机类型、响度归一化目标、间隔天数与随机化方式，这些在原文中有交代，复现时应完整记录。

还需补的验证包括增加人类与合成榜样各多个、加入男性被试、加入母语对照组、在对话或明确模仿指令下重复，以及分离声学规则性与感知表情度对节奏趋同的贡献。由于本次未发现可用的代码与数据资源，复现只能按正文描述从零搭建，不能假设存在可下载权重或可运行系统。

何时值得尝试合成声，何时更需要人类声？

综合直接报告与有限解释，可以给出条件性建议。当练习目标是紧张松弛元音的时长关系或语句轻重节奏轮廓，且采用听并重复的低互动练习时，规则稳定的合成声可能提供更易提取的模板，值得尝试。但这不等于合成声在所有方面更好，因为嗓音起始时间这类需要精细语境 timing 的特征在本研究中更偏向人类声。当目标是塞音送气时段的精细匹配时，应优先安排人类声示范并提供多语境样例。

常见误解是把合成声优势理解为合成声自然度已超过人类。论文的解释恰恰相反：合成声可能因为更规则、变异更少而让关系型目标更突出，而不是因为绝对音质更保真。另一个误解是把无差异的频谱距离当作学习者不关心音色。更准确的说法是普通话学习者更依赖时长线索，且本研究测量的是关系型频谱对比而非绝对目标位置，因此两种榜样的潜在差异可能被注意分配抹平。

最终判断应保留为互补而非替代：人类声与合成声在不同语音维度上各有可验证的趋同优势，教学整合时应按特征分配榜样类型，并在更互动、更多样、更有母语对照的条件下继续验证。

⚖️ 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