躺着说话元音会变吗：新西兰英语中身体姿势对第一、第二共振峰的小而集中的影响

英文题目：Effects of body position on vowel formants in New Zealand English

会议身份：conference:interspeech:2026:conference-paper-id:guan26_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：4.3/10 | 创新 0.7/2 | 技术严谨 1.0/1.5 | 实验充分 0.6/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Qing Guan：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
• C. T. Justine Hui：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为同一说话人在仰卧、坐、站三种静态身体姿势下朗读的孤立词/hVd/录音，输出为第一共振峰F1与第二共振峰F2的Bark值差异，难点在于重力方向改变引起的声道形状微调与说话人代偿交织且效应微弱易被个体差异淹没。方法链分四步：先在隔声室内固定话筒距离采集三姿势语音，再经WebMAUS对齐加人工校正并在稳定段手动定点提取共振峰，接着用ASSP追踪加EMU-R人工复核保证轨迹可靠，最后将数值转Bark后拟合含说话人随机截距的线性混合效应模型并做Tukey校正的边际均值对比。与以往假设整体元音空间平移的研究不同，该文显式建模位置与元音、年龄、性别的交互，提出效应集中于特定元音与人群的非均匀位移解释，实际意义在于合并仰卧与直立录音时需按元音与人群分别校正。在年龄×性别分组条件下，年轻女性组F2仰卧对坐对比的指标p值为<0.001，低于同组坐对站对比的指标p值0.001。结论适用边界受限于新西兰英语孤立词朗读与小样本描述，连续语流、其他方言及大样本下的稳定性尚未验证。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：这篇解读读什么、帮谁复述什么？

本文解读的对象是 2026 年悉尼 Interspeech 会议论文，标题为身体姿势对新西兰英语元音共振峰的影响。目标读者是刚进入语音、音乐或音频方向的研究生，需要从零开始核对方法能否复述、数字从哪里来、结论的边界在哪里。必须保留的信息包括 9 名发音人的构成、11 个/hVd/元音、三姿势被试内设计、从赫兹转 Bark 再建模的流程、说话人随机截距的设置、3 种两两姿势对比的校正方式，以及区分仰卧减坐、仰卧减站、坐减站的报告口径。

输出是 1 篇按学习依赖展开的技术解读，不做超出原文的推广，不补写原文没有的声学数值。本文默认只依据论文正文证据写作，没有可验证的代码或数据公开声明，因此不声称可下载复现包。

语音研究常用第一共振峰和第二共振峰来刻画元音，白话说就是声道共鸣最强的两个频率峰。第一共振峰英文为 first formant，缩写 F1，高低对应嘴张得大还是小；第二共振峰英文为 second formant，缩写 F2，前后对应舌头靠前还是靠后。后文统一用 F1 和 F2 指代这两个量。身体姿势英文为 body position，指录音时是仰卧、坐还是站。日常说话姿势多变，但实验室和核磁共振录音的姿势常常不同，如果姿势本身带来系统偏移，跨库合并共振峰就会混入偏差，这就是本研究要检验的实际问题。

共振峰 × Bark 尺度： 共振峰负责标示元音的声学目标，其中第一共振峰 F1 主要对应开口度高低、第二共振峰 F2 主要对应舌位前后，Bark 尺度负责把以赫兹为单位的频率转换为更接近人耳听觉分辨的非线性尺度，二者搭配的理由是直接比较赫兹会夸大高频差异，而转换到 Bark 后再建模能让统计差异更对应可感知的元音空间位移，本研究因此先转 Bark 再拟合 F1 和 F2 个模型。

学习路径是先理解任务与已有路线，再看方法全景，然后走通一个样本从录音到数字的完整链路，再看实验条件、结果与反例，最后收束到复现清单。每一节只承担一个教学任务，术语首次出现先给白话再给英文，组合机制紧接着说明分工。

已有路线说了什么：姿势效应是大平移还是局部小扰动？

在进入本研究设计之前，需要先定位已有文献的分歧。原文回顾指出，姿势可能影响元音声学，但已报告的效应一般较小且在不同研究间不一致。更关键的一致倾向是，直立与仰卧的比较常常只在特定元音上出现差异，而不是整个元音系统统一平移。这种格局被解释为对重力方向变化的不完全且因人而异的补偿。原文还指出研究之间难以直接比较，因为语言变体、语音材料和建模选择都不同。

第二条路线是构音层面的证据。原文引用开放式核磁、超声和舌肌研究，说明仰卧与直立的声道形状和舌位存在姿势相关差异，且不同元音所需的构音调整可能不同。这为检验元音依赖性提供了动机：如果舌位调整按元音而异，声学上的 F1、F2 偏移也应按元音而异。第三条路线是年龄和性别。原文指出年龄和性别与声道解剖和语音声学特征的系统差异有关，可能影响说话人对仰卧姿势的适应方式，因此主张把姿势效应放在元音、年龄、性别条件下检验，而不是假设一个对所有条件成立的总体变化。

本研究与上述路线的对照关系是同输入、同目标但更聚焦。同输入指同样关心发音姿势变化，同目标指同样关心共振峰是否偏移，不同之处在于本研究把检验对象限定为新西兰英语的孤立词/hVd/集合，并用配对建模同时检验元音依赖和人口学依赖。已有路线提示效应小而局部，本研究的 3 个研究问题正好对应：总体上有无差异、差异是否集中在特定元音、差异是否随年龄性别条件而变。理解这一定位后，才能明白后文为什么不报告一个平均所有元音的总体姿势差值。

要回答哪三个问题：总体、元音分布、人群差异如何分工？

本研究把大问题拆成 3 个可操作的小问题。第一个问题是，在孤立词/hVd/中，F1 和 F2 估计值在不同身体姿势间是否存在总体差异。操作上就是比较仰卧、坐、站三者的两两差异，重点看仰卧相对两种直立姿势的偏移，以及两种直立姿势之间的差异是否更小。第二个问题是，姿势相关效应在元音间均匀分布，还是只限于特定元音类型。操作上就是在每个元音内部单独做 3 种姿势对比，看显著对比是遍布 11 个元音还是集中在少数元音。第 3 个问题是，姿势模式是否随说话人因素而不同，在本数据集中按年龄段和性别条件观察。

举例说明这种分工，例子仅为教学示意，不代表原文数值。假设只看元音/i:/，第一个问题问 3 种姿势的 F2 均值是否不同，第二个问题问这种不同是否在/i:/上比在/a/上更明显，第 3 个问题问这种不同是否在年轻女性组比在年长男性组更明显。3 个问题层层收窄，避免把局部显著误读为全局规律。原文明确表示，用配对建模方法评估姿势效应的方向和大小、在元音间的分布以及随年龄性别的变化，这决定了后文统计部分必须包含交互项，而不是只拟合一个姿势主效应。

方法全景：从人、词表、录音到统计如何串成一条链？

方法全景可以沿一个样本走一遍。起点是 1 名发音人，例如 1 名 20 到 25 岁组的女性发音人，她需要先后以坐、站、仰卧 3 种静态姿势读同一套/hVd/单词。词表覆盖 11 个元音，对应新西兰英语既往声学工作考察的类别，教学例子如 heed 对应/i:/、hid 对应/I/，但具体单词与元音的对应以原文词表为准。每种姿势下呈现 5 种不同顺序的词表，每表含 11 个目标词，其中 2 个词在表内重复，因此每表产生 13 个 token，多表轮换用于减少顺序效应，同时保持语音框架恒定。

录音在封闭隔声间内完成，话筒距离口部约 20 厘米，3 种姿势下都保持该距离，仰卧时把话筒重新摆放到面对说话人脸部并朝向嘴部，坐和站要求双脚着地自然直立，仰卧为躺在地板上。录音完成后做自动对齐、人工校对边界、在元音段内最稳定的位置手工标注目标点并提取 F1、F2，再把频率从赫兹转到 Bark，最后对 F1 和 F2 分别拟合线性混合效应模型。统计上先从包含姿势与元音、年龄、性别直至 4 阶交互的完整模型出发，用后向剔除简化姿势相关交互，再用估计边际均值做 3 种姿势的两两对比，并在每个条件下做 Tukey 校正。

/hVd/词表 × 被试内比较： /hVd/词表负责固定辅音框架而只变换元音，如 heed、hid、head 等，让 11 个元音在相同语境下可比，被试内比较负责让同一个发音人先后完成仰卧、坐、站 3 种姿势的同一套词表，二者搭配的理由是只有语料完全配对，姿势间的 F1、F2 差值才能归因于姿势而非说话人或语境差异，组合意义是每个元音都能算出仰卧减坐、仰卧减站、坐减站的配对偏移。

这条链的教学要点是配对性：同一批人、同一套词、同一距离标准，使得姿势成为唯一系统变化的记录条件。缺失环节也要记清：原文未报告采样率、量化精度等录音参数，也未给出每个元音最终有效 token 数，只说明跟踪失败经人工复核仍无法解决的 token 被剔除且无其他过滤标准。

组件与计算：标注、跟踪、Bark 转换和模型如何各司其职？

标注组件负责把词边界落准。自动词对齐使用 WebMAUS Basic 并选择新西兰英语语言模型生成 TextGrid，随后用波形和语图线索在 Praat 中检查，必要时手工修正边界。对每个元音 token，在元音区间内手工标注一个目标点，选在最稳定的部分以减少起止过渡和强协同发音影响；若 token 内有明显动态，则放在最稳定的区域而非固定比例时间点。这一步的安排理由是孤立词/hVd/的首尾辅音过渡会污染共振峰，固定比例取点可能切到过渡段，人工选稳态段更能代表元音目标。

声学跟踪组件负责给出候选共振峰轨迹。原文用 ASSP 跟踪器生成轨迹，再在 EMU-R 中人工复核校正，依据宽带语图、合理的共振峰间距和平滑轨迹来选择轨道，必要时重新拟合或重选。经人工复核仍有未解决跟踪错误的 token 被剔除。随后分析使用 token 层测量，即每个有效 token 在目标点的一个 F1 和一个 F2，而不是先平均成说话人均值再建模，这保留了 token 层变异并配合随机截距建模。

线性混合效应模型 × 估计边际均值： 线性混合效应模型负责同时纳入固定效应中的姿势、元音、年龄、性别及其交互，并用说话人随机截距吸收同一个体多次测量的相关性，估计边际均值负责在模型拟合后对特定元音或特定年龄性别组算出 3 种姿势的平均 Bark 值并做两两对比，二者搭配的理由是模型先解决非独立重复测量和多因素交织，边际均值再把复杂的交互翻译成可解释的方向和大小，组合意义是避免报告一个平均所有元音和所有人的总体姿势效应。

Bark 转换负责在建模前把赫兹值转到 Bark 域。原文只说明转换发生在建模之前，未给出具体转换公式，因此复述时只能写转换时机和建模对象为 Bark 域 F1 和 F2，不能补写公式。模型组件固定效应包括姿势、元音、年龄、性别，随机效应为说话人随机截距，用于处理个体内重复测量。分析在 R 中进行，用 lmerTest 的 step 函数做后向剔除，用似然比检验评估交互项，显著阈值为 0.05。

姿势与元音的交互 × 姿势与年龄性别的交互： 姿势与元音的交互负责回答姿势效应是否只出现在某些元音上，姿势与年龄性别的交互负责回答姿势效应是否只出现在某类说话人上，二者搭配的理由是重力改变声道形状时，不同元音需要的舌位补偿不同，不同年龄性别的声道解剖也不同，不能假设整个元音系统平移，组合意义是最终模型对 F1 保留姿势乘元音和姿势乘性别，对 F2 保留包含 3 阶的更复杂结构，从而把对比限定在相关元音内和相关人群内。

需要强调的是，原文明确说明由于最终简化模型包含涉及姿势的交互，不报告平均所有元音和所有说话人的单一姿势对比，而是把两两对比限定在相关因素内评估。这就是后文同时出现性别条件对比、年龄性别条件对比和元音内对比的原因。

没有神经网络训练时：本研究实际计算了什么？

本研究没有训练神经网络，因此本节必须明确说明无训练阶段，并讲清真实发生的计算。没有更新的权重，没有梯度路径，没有训练集验证集划分，也没有早停或学习率。实际计算分为 3 类。第一类是信号与标注计算：对齐、边界校对、目标点选择、共振峰跟踪与人工校正，输出是每个有效 token 的 F1 和 F2 赫兹值。第二类是尺度转换：把赫兹值转换为 Bark 值，输出是建模用的因变量。第 3 类是统计推断计算：拟合线性混合效应模型、做后向剔除、做似然比检验、重拟合简化模型、计算估计边际均值并做 Tukey 校正的两两对比。

参数冻结与更新的说法在这里不适用，因为混合模型的参数是每次拟合估计的固定效应系数、方差分量和随机截距，而不是神经网络权重。不存在监督来源为标签的分类损失，监督体现为模型结构假设：用元音、年龄、性别解释共振峰变异，用说话人截距吸收个体基线差异。重置时机也不存在。未报告的缺项要明确指出：原文未报告优化器细节、随机种子、模型诊断图或方差解释比例，复现时只能按常规线性混合模型流程重跑，不能从模型名称推定实现细节。

把无训练等同于确定性求解是误解，混合模型估计和 Tukey 校正仍有数值优化和抽样变异，换软件版本或换剔除策略可能得到略有不同的保留交互结构。

实验条件：人、材料、设备和统计口径是否配对一致？

比较是否公平，首先看被试与分组。本研究分析 9 名新西兰英语母语者，5 男 4 女，分两个年龄段，20 到 25 岁组 5 人，45 到 50 岁组 4 人，分析时按年龄段和性别分组。样本小且不均衡是后文反复提醒的限制，任何按年龄性别分组的结论都只能描述本数据集。录音是先前身体姿势录音项目采集后在本研究中重新分析，每名说话人完成 3 种静态姿势的相同材料，因此是严格的被试内设计。

材料与呈现上，语音材料为孤立词 hVd 语料，覆盖 11 个元音，对应类别为长短多组元音，原文符号列为 11 个类别，与既往新西兰英语声学工作考察的类别一致。材料以 5 种词表顺序呈现，每种顺序含相同 11 个 hVd 词的不同排列，每表 13 个 token。所有说话人在每种姿势下读相同材料，使得元音内姿势比较在一致的 hVd 框架下进行。原文说明聚焦 hVd 的原因是提供一致语音语境和跨元音类型的均衡采样。

设备与摆位上，录音在封闭 WhisperRoom 隔声间内用 Shure SM58 话筒，口距约 20 厘米，跨姿势保持该距离，仰卧时重新摆放并朝向嘴部。坐站为双脚着地自然直立，仰卧为躺地板。统计口径上，F1 和 F2 分别建模，因变量为 Bark 值，固定效应含姿势、元音、年龄、性别，随机截距为说话人。从含姿势与元音年龄性别直至 4 阶项的完整模型出发，经后向剔除简化姿势相关交互，用似然比比较嵌套模型，简化后重拟合用于估计推断。所有基于估计边际均值的对比都在 3 个姿势比较内做 Tukey 校正，分开报告 F1 和 F2，全文显著阈值为 0.05。

下表把可核对的实验规模整理成一行式总览，表中数字与单位均来自原文连续原句，裸数值不擅自添加单位，距离单位保留原文写法。

表后需要解释公平性与代价。公平性在于人、词、距离三者配对，姿势是唯一系统变化的条件，支持把差异解读为记录配置差异而非材料差异。代价在于样本仅 9 人，分到年龄性别格后每格人数很少，token 层重复测量虽多但独立个体少，交互结构复杂时容易不稳定，这正是原文用后向剔除控制复杂度并反复提示谨慎解释的原因。未胜出或未评测的边界也要记清：原文只做静态姿势的孤立词，未评测连续语流、头动、呼吸变化或不同话筒的影响，不能把结论推广到动态姿势或现场录音。

结果一：整体格局小而重叠，仰卧的重心偏移指向哪里？

描述性元音空间图是理解小效应的起点。原文对 hVd 任务提供 Bark 域元音空间描述图，做法是先对每名说话人和每种姿势计算每个元音跨有效 token 的均值，再把说话人层均值跨说话人平均得到位置层面的 11 个元音均值并连成多边形，重心定义为 11 个位置层面元音均值的 F1 和 F2 均值。坐标按常规元音空间方向，F1 越小越靠上，F2 越大越靠左。为简化显示，图 1 把年龄和性别 pooled 在一起，图中用红蓝绿分别表示仰卧、坐、站，元音标签显示说话人层均值以呈现个体间变异。

阅读该图的前导说明是：先确认 3 张多边形是否大幅分离，再看重心三点是否系统偏移，最后聚焦高前区是否有可见分离。原文报告 3 张位置多边形大体量重叠，表明跨姿势的聚合元音空间差异小，重心点显示仰卧比其他姿势有更高的 F1 和 F2，更可见的分离出现在高前区例如/I/和/i:/，其他区域重叠严重。说话人层标签的紧密与重叠则显示每种姿势内部存在被试间变异。

看图路径： 1. 先看图例确认红色为仰卧、蓝色为坐、绿色为站，再看横轴 F2 向左增大、纵轴 F1 向上减小这一常规元音空间方向；2. 比较三张半透明多边形的重叠程度，判断整体格局是大幅分离还是基本重合；3. 把视线移到左上角高前区，对比/i:/、/I/、/e/附近红蓝绿标签的分离距离；4. 找到图中央附近红蓝绿三个重心小点，判断仰卧重心相对坐和站向哪个方向偏移

论文图 1。原论文 Figure 1：“Descriptive Bark-scaled vowel-space plot for the hVd task.”。

结合实际像素可见，3 张半透明多边形确实大面积重合，右侧低 F2 区几乎完全压在一起，左侧高 F2 高前角是三色边缘错开最明显的地方。中央附近红蓝绿 3 个重心小点彼此靠近，红色仰卧点相对更偏向 F1 增大和 F2 增大的方向，与正文描述的仰卧重心更高 F1 和 F2 一致。但像素不能精确读出位移的 Bark 数值，原文也未报告重心差值的统计检验，因此该图只能作为描述性总览，不能当作显著性证据。它的教学价值是先建立总体效应小的预期，再用模型检验回答局部哪里显著。

结果二：模型保留了哪些交互，总体对比为什么要分组报告？

模型选择的结果决定了后文表格的组织。初始 4 阶交互不显著，F1 的卡方为 28.54、p 为 0.097，F2 的卡方为 15.02、p 为 0.78，因此在简化中被移除。简化后最终模型对两种共振峰都包含涉及姿势的交互，表明姿势差异随元音类型和说话人因素而变，而非单一均匀平移。具体而言，F1 最终模型包含姿势乘元音和姿势乘性别，F2 最终模型包含姿势与元音年龄性别的交互及 3 阶项。对 F1 的双向结构跟进检验显示姿势乘性别证据清楚，卡方 13.07、p 为 0.001，而姿势乘元音接近阈值，卡方 30.93、p 为 0.056。对 F2 的 3 阶项检验显示姿势乘元音乘年龄、姿势乘元音乘性别、姿势乘年龄乘性别均显著，p 均小于 0.001，但不需要单一 4 阶交互。

正因为存在交互，原文不报告平均所有元音和所有说话人的单一姿势对比，而是分组报告：F1 按性别条件报告两两姿势对比，F2 按年龄乘性别条件报告两两姿势对比，再另行报告每个元音内部的姿势对比。这种安排的理由是交互意味着效应方向大小依赖条件，平均会掩盖局部差异。指标方向在这里不是越大越好，而是 Bark 差值的方向和显著性，显著阈值统一为 0.05 且在每组 3 个姿势比较内做 Tukey 校正。

下表把模型结构检验的关键卡方与 p 值整理成可核对的一览，数字与单位保留原文写法，p 值精度不做四舍五入。

表后解释主要判断与限制。支持的判断是姿势效应不是均匀平移，F1 的性别依赖证据较清楚，F2 的元音与人口学依赖证据较强。代价与反例是 F1 的姿势乘元音仅在阈值附近，年龄相关 3 阶在 F1 中未被纳入，说明 F1 的年龄调节在本数据集中没有得到支持。未胜出项是初始 4 阶交互，它不显著而被移除，意味着不需要用一个横跨所有因素的单一高阶项来解释数据。此外样本仅 9 人，复杂交互的估计必然不稳定，原文因此强调描述本数据集而非一般性结论。

结果三：哪些元音和哪类人群真正出现显著对比？

在分组对比中，最清楚的信号都涉及仰卧。F1 的性别条件对比显示，女性说话人的姿势差异最清楚，主要在仰卧减坐比较中，男性对比在本数据集中不显著。F2 的年龄性别条件对比显示，年轻女性组 3 个姿势两两比较均显著，而其他年龄性别条件均无显著姿势对比。原文用词是年轻女性条件显示所有 3 个位置比较的显著差异，其他条件无显著对比，这与 F2 模型中显著的姿势乘年龄乘性别交互一致。需要区分的是，总体趋势不等于每组都成立，这里的显著恰恰只出现在特定人群格中。

元音内对比进一步定位到少数元音。显著对比在每种共振峰上集中于单一对比类型：F1 的显著差异只出现在仰卧减坐比较，涉及/I/、/i:/和/u:/；F2 的显著差异只出现在仰卧减站比较，涉及/I/和/i:/并附加/5:/。原文同时提醒多个非显著比较接近 0.05 阈值，例如 F1 的/i:/仰卧减站 p 为 0.051，F2 的/e/仰卧减站等也接近阈值，因此非显著不等于无效应。F1 显著涉及高元音，F2 显著集中在高前区，这与图 1 高元音部分分离最明显的描述相互印证。坐减站的比较普遍较小，符合两种直立姿势差异更小的预期。

下表把元音特异与人群特异的结论整理成可核对的对照，表中元音符号与对比方向保留原文写法。

表后解释收益与代价。主要收益是定位能力：与其笼统说姿势有影响，不如说若合并仰卧与直立库，需优先检查高元音和高前元音。具体代价是显著子集小且依赖校正口径，换多重比较策略或换样本可能改变名单。必须就近说明未胜出项：多数元音在校正后不显著，坐减站基本不显著，男性与年长组在 F2 上无显著对比，这些负结果与显著子集同等重要，它们共同支持小而局部的判断。

原文讨论还把高前区仰卧 F2 更高解释为可能更靠前的舌位构型的一种可能性，但同时指出 F2 方向在不同研究间不一致，可能与样本、元音集和测量选择及个体变异有关，因此只能表述为可能或待验证，不能当作因果证明。

边界在哪里：小样本、口径依赖与方向不一致如何限制解读？

第一个限制是样本小且不均衡。9 人分到两个年龄段和两种性别后，每个人群格只有极少数说话人，token 虽多但独立个体少。原文在 F1 性别模式和 F2 年轻女性模式之后都明确提示应作为本数据集的描述谨慎解释，而不是一般性结论。复述时必须保留这一限定，不能把女性更清楚写成女性必然更敏感。第二个限制是统计口径依赖。

显著名单依赖于在每个元音内或每个人群格内对 3 个姿势比较做 Tukey 校正，多个 p 值恰在 0.05 附近，换校正范围或换简化路径可能改变显著性。因此接近阈值的非显著比较应报告为边界证据，而非无效应。

第 3 个限制是测量与设计的特异性。只用孤立词/hVd/的稳态目标点，只看静态姿势，未测量误判率、延迟或成本，也未评估连续语流、头角动态、呼吸和话筒指向变化的影响。原文未报告重心位移的统计检验和效应量的 Bark 数值，讨论的舌位前移只是与高前区 F2 升高一致的一种可能性，且与既往报告仰卧 F2 降低的研究方向不一致。这种不一致按原文归因于样本、元音集、测量选择和个体变异，复述时应标注冲突而不自行调和。相关性不是因果，姿势与共振峰的相关不能直接证明重力经由特定舌肌改变了特定共振峰，还需构音同步测量才能验证。

元音空间多边形 × 重心： 元音空间多边形负责把 11 个元音在 F1 对 F2 平面上的位置点连成外轮廓，直观显示 3 种姿势下整体元音格局是否重叠，重心负责把 11 个位置层面的元音均值再平均成一个点，量化整体偏移方向，二者搭配的理由是只看单个元音容易只见树木，而多边形加一个重心点能同时呈现分布重叠程度和系统性位移，组合意义是本研究先用描述性重叠判断效应小，再用模型检验局部显著性。

从应用角度看，限制恰恰指明了文档规范的价值：合并仰卧核磁录音与直立实验室录音时，应同时记录姿势、检查关键元音和年龄性别构成，而不是假设可直接合并。

复现先做什么：按原文重走一遍需要准备什么、核对什么？

复现的第一步是重建配对语料。招募新西兰英语母语者并记录年龄段性别，准备 11 个/hVd/目标词的 5 种不同顺序表，每表 13 个 token，在仰卧、坐、站 3 种静态姿势下由同一批人完成，保持口距约 20 厘米并记录摆位细节，仰卧需记录话筒朝向嘴部的摆放方式。若无法获得原文音频，至少要按相同元音覆盖和相同呈现逻辑新建语料，并明确标注与原文的差异。

第二步是重走标注与声学链。用 WebMAUS Basic 选新西兰英语模型做自动对齐，在 Praat 中按波形语图校对边界，在元音最稳定处手工标目标点，用 ASSP 跟踪器生成候选轨迹后在 EMU-R 中按宽带语图、合理间距和平滑轨迹复核，无法解决的跟踪错误 token 剔除且不加其他过滤。把赫兹转 Bark 后，对 F1 和 F2 分别拟合含姿势、元音、年龄、性别固定效应和说话人随机截距的线性混合模型，从含 4 阶交互的完整模型出发做后向剔除，用似然比检验评估交互，显著阈值 0.05，再用估计边际均值在相关条件内做 3 种姿势两两对比并做 Tukey 校正。

第三步是核对 3 类输出是否一致：描述性多边形是否大体重叠且仰卧重心略向高 F1 高 F2 偏移，高前区是否分离更可见；模型是否保留 F1 的姿势乘元音与姿势乘性别、F2 的更复杂 3 阶结构；显著名单是否集中在 F1 仰卧减坐的高元音和 F2 仰卧减站的高前区。若任一环节不一致，优先检查目标点选择、跟踪校正标准和剔除策略，因为这些是原文明确依赖人工判断的环节。资源状态方面，本次未发现来源绑定且完成验证的公开代码、模型或数据，不得声称已公开，致谢中提到的原始录音由他人提供用于本分析，不等于可下载。

何时值得尝试：这篇论文留下的可操作判断是什么？

当研究需要合并不同姿势录制的元音共振峰数据时，这篇论文最值得参考。尤其是仰卧核磁数据与直立实验室数据对比时，应把身体姿势与录音条件一并记录，并在分析中检查高元音和高前元音，因为本数据集的显著差异集中于此。若样本包含不同年龄性别构成，更应分组检查而非只看总体均值，因为 F1 的性别条件对比和 F2 的年龄性别条件对比显示人群依赖。坐与站之间的差异在本数据集中普遍较小，若资源有限可优先保证仰卧与直立的可比性。

不值得过度尝试的是把小子集显著推广为普遍规则。由于仅 9 人且人群格很小，女性更清楚和年轻女性显著的模式都应视为待验证的描述。若在自己的数据中未复现相同元音名单，不必惊讶，应先核对语言变体、元音集、目标点定义和校正口径是否一致，再考虑个体补偿差异。还需要补的验证包括连续语流中的姿势效应、动态头位的影响、构音同步测量对舌位解释的检验，以及更大均衡样本下交互结构的稳定性。只有补足这些，才能把小而局部的描述性发现推进为可用于跨库校正的定量偏移模型。

⚖️ 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