压住能量掩蔽之后：调制释放如何抵消信息掩蔽与能量代价

英文题目：Mutual Cancellation between Masking Effects Benefits Speech Intelligibility

会议身份：conference:interspeech:2026:conference-paper-id:gu26_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：#心理声学实验 #言语感知 #多语言 #语音 #语音可懂度评估

评分：5.8/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 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

• Yixin Gu：机构信息未能从会议 PDF 纯文本可靠映射
• Yan Tang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

英语目标句在英语或普通话竞争语音下的可懂度同时受能量掩蔽、信息掩蔽与调制掩蔽牵制，难点是三者随信噪比与调制相似度耦合而难以分离。先以Harvard英语目标句与英汉竞争语音及平稳噪声为输入，构造目标-竞争对并衍生保留不同程度频谱与时域调制的6种掩蔽器，输出多条件掩蔽器集合供能量等化使用。再以多条件掩蔽器集合与目标句配对为输入，用高能量glimpse比例逐对自适应调节信噪比以等化能量掩蔽至0.3、0.4与0.5三档，输出等能量刺激并直接送入听音测试。最后接收等能量刺激为输入，在25名母语听者上测词识别率并分析glimpse分布，输出可归因于非能量因素的跨语言与调制退化差异。与直接调全局信噪比不同，该链条在谱时域最小化能量差异，使调制掩蔽释放与总glimpse减少的相互抵消效应得以显现，具有归因上的实际意义。在25名母语听者参与的听音测试条件下，0.4 HEGP条件的WRR准确率为33.8%，高于0.3 HEGP条件的WRR准确率17.4%。该结论仅在单男性美音目标、250 ms前后掩蔽、实验室耳机听音下验证，未检验多说话人、混响、听损人群与自动识别系统的外推性。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

干扰声到底从哪几个层面挡住目标句？

输入是近距离混合的一句目标英语句与一段竞争语音，目标是听者正确复述出以提示词开头的目标词。必须保留的信息是 3 种掩蔽的区分、能量均衡的方法与跨语言比较的条件，输出是对每种掩蔽释放与抵消的判断。初学者常把听不清都归为声音被盖住，本文把干扰拆成 3 层。第一层是能量掩蔽，白话是掩蔽器在某些时间与频率格点上能量压过目标，目标碎片直接不可听。

第二层是信息掩蔽，白话是即使碎片可听，听者分不清哪句是目标、认知负荷上升而选错词，同语言、同说话人时最重。第 3 层是调制掩蔽，白话是掩蔽器的包络起伏干扰听觉系统对目标包络的跟踪，即使没有可懂内容也会降低可懂度。论文要回答的是，当能量掩蔽被人为压平后，语言差异带来的信息掩蔽释放与包络简化带来的调制释放各有多大，是否会互相抵消。

信息掩蔽 × 语言相似性： 信息掩蔽指即使能量可听，听者仍因目标与掩蔽器混淆、注意与认知负荷而识别失败的部分，语言相似性负责调节这种混淆的强度；二者搭配的理由是同语言竞争语音与目标共享声学与语言学特征，组合意义是当掩蔽器从英语换为普通话时，若能量已均衡，识别率差异可归因于语言带来的信息掩蔽释放或抵消。

教学例子是鸡尾酒会中的两张嘴，例子只说明混淆与盖住是两回事，不附加任何数值效果。后续所有比较都建立在能量已均衡的前提下，否则调制噪声天然能量较弱会伪装成调制优势。

前人如何把可懂度与周期性从能量中剥离？

同输入、同目标、同运行阶段的相关路线有 3 条。第一条操纵掩蔽器可懂度，例如噪声声码化、局部时间反转或打断，以及让掩蔽器使用听者不熟悉的语言，报告显示掩蔽器越不可懂，信息掩蔽释放越大。第二条操纵浊音段的周期性与信噪比，例如只在浊音段调节语音噪声比并反转浊音段，发现周期性本身带来很大的信息掩蔽，但调制释放与周期性下降混杂，未在设计上均衡能量。

第 3 条研究调制掩蔽与 glimpse 可用性，发现调制噪声虽然能量掩蔽较弱，但其调制谱与目标重叠会抵消能量释放，甚至进一步降低可懂度，高能量 glimpse 的数量与可用性是关键中介。本文与它们的区别是设计上就用 glimpse 模型把能量约束在 3 个固定水平，再用只保留包络、不保留周期性的合成噪声比较调制，从而避免事后用模型解释混杂。本文没有声称代码或数据已公开，资源状态证据为空，因此不写可用性判断。

本文要检验的两个具体预测是什么？

任务是英语目标句在英语竞争语音、普通话竞争语音与调制受控噪声下的词识别。第一个预测是普通话掩蔽下的可懂度高于英语掩蔽，因为语言距离带来信息掩蔽释放。第二个预测是在能量相同但调制不同的掩蔽器之间，降低调制会带来调制掩蔽释放。难点在于全局信噪比相同不等于能量掩蔽相同，平稳噪声与调制噪声的能量分布不同，语言不同的竞争语音的包络随机性也不同。

若直接固定信噪比比较，观察到的差异可能是能量差异而非信息或调制差异。因此本文把能量操作定义为每个目标与掩蔽器配对各自达到目标高能量 glimpse 比例所需的信噪比，而不是一个全局统一的信噪比。

从一句话到六种掩蔽器：全流程如何走通？

沿一个样本走完流程有助于建立依赖顺序。输入是一句以提示词开头的目标英语句与其配对的一段英语或普通话竞争语音，竞争语音从 30 分钟随机拼接长信号中截取，前后各延长 250 毫秒，英语竞争语音被检查不以提示词开头。表示是竞争语音的频谱-时间激励图谱与调制谱，组件是对该竞争语音做不同程度包络保留的噪声合成，目标是生成 6 种掩蔽器并各自调节强度使能量相等，输出是听者听到的目标加掩蔽混合声。

6 种掩蔽器按保留调制的完整程度排列为原始竞争语音、50 阶线性预测的频谱-时间调制噪声、12 阶、5 阶、仅时间调制噪声与平稳噪声。英语与普通话各做一套，但普通话的时间调制噪声特殊处理为把普通话时间包络施加到英语平稳噪声上，以便跨语言比较时间调制的影响。

本段先说明为何要看激励图谱的形状，再给出图示标记，最后解释形状与调制深度和相似度的对应关系，图示覆盖同一句话的原始竞争语音与 5 种派生噪声的 3 维激励图谱及其标题栏数值。

看图路径： 1. 先读每幅三维图的标题栏调制深度与相似度数值；2. 再沿频率轴与时间轴比较峰的尖锐与平坦程度；3. 最后对照从竞争语音到平稳噪声的退化顺序

论文图 1。原论文 Figure 1：“Uncompressed STEPs of a CS signal (“good book informs of what we ought to know in some form”), four noise maskers that preserve its modulation in the spectro- temporal (STM-[50,…”。

该图显示原始竞争语音的峰最尖锐、动态范围最大，与自身的相似度为基准值，50 阶噪声最接近原始形状，12 阶与 5 阶逐步变平滑，时间调制噪声只剩缓慢起伏，平稳噪声几乎平坦。标题栏的动态范围与互相关系数随该顺序递减，普通话来源的掩蔽器呈现相似模式。这支持把六者当作调制由强到弱的连续阶梯，而不是离散的几类噪声，后续可懂度趋势需要在这个阶梯上解读。

线性预测与包络调制如何只留调制不留内容？

频谱-时间调制噪声的构造是每 20 毫秒用线性预测估计竞争语音的谱包络，用该组系数滤波与竞争语音时间对齐的白噪声帧，再把该帧强度调整到与原始帧一致，最后用汉明窗、50% 重叠拼接波形。白话是把竞争语音的共振峰形状印到噪声上，但不保留基频周期性与精细结构。线性预测阶数越高，印出的谱细节越精细，50 阶在 500 个测试信号上与原始竞争语音的平均互相关达到 0.89，因此选五十、十二、五三档制造调制保留程度的梯度。

时间调制噪声的构造是取平稳噪声，用竞争语音经平滑希尔伯特包络调制其幅度，白话是只保留忽大忽小的整体响度起伏，不保留频率维度的形状。平稳噪声用语料长期平均谱生成，白话是完全抹平时间与频谱起伏的基线。

能量掩蔽 × 高能量 glimpse 比例： 能量掩蔽指干扰声在时频格点上以能量覆盖目标造成的可听度损失，高能量 glimpse 比例负责把这种覆盖量化为目标能量显著高于掩蔽器的格点占比；二者搭配的理由是用全局信噪比无法区分平稳与调制噪声的掩蔽强度，而固定 glimpse 数量可以让不同掩蔽器在能量层面可比，组合意义是把能量因素压住后才能观察信息掩蔽与调制掩蔽的独立变化。

调制掩蔽 × 频谱-时间包络： 调制掩蔽指掩蔽器的慢变化包络干扰听觉系统对目标包络的编码，频谱-时间包络负责描述这种干扰在频率与时间 2 维上的形状；二者搭配的理由是仅保留包络而去除周期性与可懂度后仍可观察干扰，组合意义是通过线性预测阶数逐步磨平包络细节，可以分离出调制相似度下降带来的释放。

时间调制噪声 × 平稳噪声： 时间调制噪声只保留竞争语音的整体幅度起伏而不保留频谱细节，平稳噪声则连时间起伏也去除而只保留长期平均频谱；二者搭配的理由是它们构成调制由多到少的对照阶梯，组合意义是比较二者识别率可以判断去除时间调制后能量掩蔽增加是否被调制释放所抵消。

这样做的安排理由是同一目标对齐同一段原始竞争语音区域再派生 4 种噪声，避免换片段引入对齐差异，同时去除周期性以去掉其带来的信息掩蔽，使剩余差异主要来自调制与语言内容。

本研究训练了什么？实际计算是什么？

本研究没有训练神经网络模型，也没有更新任何模型参数，不存在梯度路径、优化器、冻结与重置的安排。若把无训练等同于确定性求解是错误的，因为噪声合成与试听仍含随机拼接与被试差异。实际计算有 3 类。第一类是合成计算，包括线性预测滤波、希尔伯特包络提取与波形拼接，输入是竞争语音波形，输出是 6 种掩蔽器波形，采样率为 16 kHz。

第二类是能量均衡计算，对每个目标与掩蔽器配对自适应搜索信噪比，使高能量 glimpse 比例分别达到 0.3、0.4 与 0.5，数值越低表示能量掩蔽越强，共形成 2 乘 3 乘六共 36 个条件。第 3 类是听辨数据的统计计算，包括重复测量的方差分析与事后两两比较。未报告的缺项是均衡搜索的具体步长与收敛阈值，以及听力筛查的具体阈值，原文只说明听力正常与目标呈现声压级约为 67 分贝。

被试听到什么？能量均衡后的信噪比长什么样？

数据来自哈佛英语句库的男性美式英语目标句与同库英语竞争语音，以及类文本独立 Mandarin 语料的普通话竞争语音。协议是 25 名母语为美式英语、年龄十八至三十四岁的听者，每人听一百八十句不重复句，每个条件五句，36 个条件按平均信噪比排序分成 12 组每组 3 条件以减少强度跳变带来的适应效应，组内与组间顺序随机，正式前有十句练习，要求键入以提示词开头的目标句听到的词。指标是词识别率，方向为越高表示可懂度越好，聚合为条件均值与标准误。统计采用三因素重复测量方差分析与邦弗朗尼校正的事后比较。

本段先提出公平性问题：在能量均衡后不同掩蔽器所需的信噪比是否一致，指标方向是为达到同一 glimpse 比例所需信噪比越低说明掩蔽器能量掩蔽越强，随后给出图示标记，最后解释信噪比差异对结果解读的约束。

看图路径： 1. 先确认左右面板分别为英语与普通话竞争语音来源；2. 再看三条高能量 glimpse 水平线随掩蔽器变化的走向；3. 最后观察时间调制与平稳噪声两点信噪比的抬升

论文图 2。原论文 Figure 2：“Estimated SNRs for achieving the target EM levels measured as HEGP.”。

该图左右面板分别显示英语与普通话来源下 6 种掩蔽器达到 3 个能量水平所需的信噪比与标准差。总体是竞争语音所需信噪比最低，平稳噪声最高，中间 4 种噪声单调抬升，说明调制越弱、能量掩蔽越强。英语时间调制噪声比普通话时间包络版本所需信噪比更高，提示英语时间包络的能量掩蔽更强。这意味着若不做均衡而固定信噪比，平稳噪声会天然占优，本文的均衡正是为了消除这种天然差异。

可懂度随调制降低而上升吗？语言差异何时出现？

要测的是在能量已均衡时调制简化与语言距离是否提高词识别率，与谁比是与原始竞争语音基线比，条件一致性由每个配对独立均衡保证。本段先提出比较问题：在 3 个能量水平下 6 种掩蔽器的词识别率排序是否一致，公平条件是同一能量水平内比较，指标方向是词识别率越高越好，随后用整理表呈现关键数字，表后解释收益与代价。

表后解释如下。能量减弱时两语言的可懂度都上升，符合预期。在高与中能量掩蔽下英语与普通话来源的平均词识别率几乎相同，语言主效应虽显著但效应量很小，跨语言差异在多数掩蔽器上不显著。只在低能量掩蔽下普通话来源平均高出约 5.6 个百分点，且显著高于英语原始竞争语音与其 50 阶噪声。

掩蔽器内部趋势是从原始竞争语音到时间调制噪声逐步改善，平稳噪声略低于时间调制噪声，但在高与中能量水平下英语时间调制到 50 阶的改善需到 5 阶才显著，普通话时间调制显著优于 5 阶。未胜出项是平稳噪声并未如总 glimpse 数量预示的那样最差，这是理解抵消机制的关键反例。

本段先导读低中高 3 个能量面板的曲线走向，再给出图示标记，最后解释语言分离与调制阶梯的像素证据。

看图路径： 1. 先按左中右三面板区分三种能量掩蔽水平；2. 再比较每面板内从竞争语音到时间调制噪声的上升趋势；3. 最后观察英语与普通话两条线在低能量掩蔽面板的分离

论文图 3。原论文 Figure 3：“Mean WRR with respect to masker type at three EM levels when the language of CS is English or Mandarin. The shaded area indicates ±1 standard error.”。

该图 3 个面板分别对应 0.3、0.4 与 0.5 的高能量 glimpse 比例，横轴为 6 种掩蔽器，纵轴为词识别率百分比，阴影为正负一个标准误。可见左中面板两条语言线几乎重合且随调制降低而爬升，在时间调制处达到峰值后在平稳噪声处轻微回落。右面板两条线明显分离，普通话线在原始竞争语音与 50 阶处高于英语线，到时间调制与平稳噪声处汇合。这支持语言释放只在低能量掩蔽下显现，而调制释放贯穿 3 个能量水平。

去掉哪种调制会改变 glimpse 数量？为何平稳噪声不最差？

要测的是能量均衡是否真正压住了高能量 glimpse 数量，以及剩余差异来自哪类 glimpse。本段先提出问题：在高能量 glimpse 数量固定后总 glimpse 数量的排序是什么，公平条件是同一能量水平内比较 6 种掩蔽器，指标方向是总 glimpse 越多表示残余能量掩蔽越弱，随后用整理表呈现分布，表后解释为何总数量排序不能直接预测可懂度排序。

表后解释如下。高能量 glimpse 数量在各掩蔽器间基本一致，证实均衡达到设计目标。差异主要在其他 glimpse，从原始竞争语音到 50 阶轻微下降，降阶到 5 阶变化很小，从 5 阶到时间调制英语下降约 289 个而普通话几乎不变，去掉时间调制到平稳噪声则大幅下降英语约 474 个、普通话约 678 个。按总 glimpse 排序平稳噪声能量掩蔽最强、可懂度应最差，但实际词识别率仅轻微低于时间调制且多数组合不显著，说明调制释放与可能的非同时掩蔽减少抵消了能量增加。失败条件是仅看总 glimpse 会误判平稳噪声，必须结合调制解释。

本段先导读堆叠柱中深浅两段的含义，再给出图示标记，最后解释高能量段持平而浅色段递减的像素事实。

看图路径： 1. 先区分深色高能量 glimpse 与浅色其他 glimpse 的堆叠；2. 再比较同一能量水平下从左到右总高度的变化；3. 最后核对平稳噪声柱上标注的总 glimpse 百分比

论文图 4。原论文 Figure 4：“Average glimpse distribution of target speech in the six noise maskers derived from English and Mandarin CS at three EM levels.”。

该图上下两排分别为英语与普通话来源，左右 3 组分别为 3 个能量水平，每组六根柱为 6 种掩蔽器，深色为高能量 glimpse，浅色为其他 glimpse，柱顶标注总占比。可见深色段高度在同组内几乎齐平，浅色段从左到右逐步缩短，平稳噪声柱的浅色段几乎消失而深色段保留，总占比降至约 3% 至 9%。这证实均衡约束的是深色部分，而可懂度改善发生在总高度下降的背景下，从而引出抵消判断。

哪些效应还混在一起？什么没有测？

论文直接报告的是词识别率排序、方差分析显著性与 glimpse 分布计数，这些是测量事实。有限解释是语言无差异源于强度线索释放与语言释放的互相抵消，以及平稳噪声的持平源于调制释放抵消能量增加，这些是结合趋势的解释而非直接分离测量。未验证推测是 50 阶到 5 阶的改善中有多少来自可懂度下降的信息释放、有多少来自包络简化的调制释放，原文明确指出线性预测滤波噪声仍可能保留可懂度，且信息与调制在概念与技术上难以完全分离。

边界是仅测试单男性目标声与单竞争说话人、仅英语母语听者、仅 3 个能量水平，未测量反应时、主观负荷、推理延迟与计算成本，因此不能承诺这些量得到改善。普通话时间调制施加到英语平稳噪声上的特殊处理使跨语言时间调制比较并不完全对称，解读时需保留该条件差异。

要复现这组阶梯，先做什么、记什么？

复现先做材料与配对。准备哈佛句英语目标与英语竞争长信号、普通话长信号各 30 分钟随机拼接，目标限定以提示词开头并前后延长 250 毫秒，英语竞争片段避开提示词开头。记录采样率 16 kHz、目标呈现约 67 分贝、每配对独立搜索信噪比至高能量 glimpse 比例为 0.3、0.4、0.5。接着做 6 种掩蔽器。每 20 毫秒线性预测估计谱包络并滤波白噪声帧、匹配帧强度、汉明窗 50% 重叠拼接，阶数取五十、十二、五。

时间调制用平滑希尔伯特包络调制平稳噪声；平稳噪声用长期平均谱生成；普通话时间调制需把普通话包络施加到英语平稳噪声上并记录该不对称。然后做试听。每被试一百八十句不重复、每条件五句、按平均信噪比分组呈现、随机化组序与组内顺序、十句练习、键入目标词计分。

还需补的验证是直接测试 3 种线性预测噪声的可懂度以量化信息残留，以及补充去除时间调制但保留频谱调制的对照，才能把频谱与时间调制的贡献分开。

何时值得用这套能量均衡思路？

当研究问题涉及比较调制、可懂度或语言差异而又担心能量混杂时，值得尝试先用高能量 glimpse 比例把能量压到同一水平，再比较可懂度。若直接固定全局信噪比，平稳噪声会因能量较弱而虚高，调制噪声的劣势会被掩盖。本文给出的可操作信号是调制简化带来的改善可以大到抵消总 glimpse 减半以上的能量代价，语言距离的改善在低能量掩蔽下可达约 5 个百分点以上，但在高能量掩蔽下会被强度线索的作用抹平。

常见误解是把调制掩蔽当作信息掩蔽的子集或反之，本文的立场是二者在测量上纠缠，磨平包络既降低可懂度又降低调制干扰，当前设计无法完全分离，只能报告联合释放。另一个误解是总 glimpse 越多必然越清晰，平稳噪声的反例说明在总数量下降时调制释放仍可维持可懂度。未来若要部署为助听或语音增强的评估，应在保持高能量 glimpse 的同时显式降低掩蔽调制复杂度，并分别在高中低 3 种能量水平下验证，因为总体趋势不等于每组都成立。

⚖️ 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