谁更嘎吱响：英汉朗读语料中男性更 creaky 的声学证据

英文题目：A Corpus-Based Study of Creaky Voice Production in English and Mandarin

会议身份：conference:interspeech:2026:conference-paper-id:li26ja_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 #社会语音学 #多语言 #语音 #语音属性识别

评分：5.9/10 | 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 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Meixian Li：机构信息未能从会议 PDF 纯文本可靠映射
• Yao Yao：机构信息未能从会议 PDF 纯文本可靠映射
• Charles Chang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为普通话与美国英语朗读句录音，输出为元音段嘎裂嗓音程度的性别与语言效应，难点在于嘎裂声学表征易受录音设备差异、音高跟踪失败与元音固有音色混淆。流程先以Montreal Forced Aligner做词与音素对齐并人工校对切出元音，再用Praat以1毫秒步长跟踪基频并剔除过短过长与中部70%不可跟踪token。接着用VoiceSauce在中部区间提取基频、一二次谐波差校正值、0-3,500赫兹谐噪比与倒谱峰凸显度，最后以线性混合效应模型检验语言与性别主效应及交互。相比以往单语言感知评价或说话人级嘎裂率计数，该设计用句长句法与音段分布受控的平行朗读材料与统一声学管线分离生理性基频差异与喉部紧缩线索，其结果受限于朗读体与可跟踪元音条件，尚未验证自发语境下的模式。在平行朗读语料评测下，普通话女性减男性的HNR35指标为7.26，高于英语女性减男性的HNR35指标3.61。结论仅适用于相对清晰的朗读体成年说话人，无法外推至自发会话、社会意义协商或已被剔除的重度嘎裂段。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：这篇论文到底在争什么？

这篇论文的输入是两组平行朗读录音，一组是大陆普通话母语者，一组是美国英语母语者，每人读 5 个内容中性的句子。目标不是做嘎吱声检测器，而是回答社会语音学里的一个矛盾：在美国英语的听感印象里，嘎吱声常被说成是年轻女性的标志，且带有不专业或不投入的负面评价；但近年基于语料的生产测量却多次发现男性实际更嘎吱。作者要检验这个生产与感知的背离是否只存在于英语，还是在类型不同的声调语言普通话里也成立。

必须保留的关键信息是：语料是朗读、较谨慎、无对话者；测量对象是元音中段的 4 个声学指标；结论依赖混合效应模型而非人工听辨 creak 率。本文的输出是一份可核对的方法复述，帮助研究生沿着语料构造、清洗、测量、建模的链条重走一遍，并明确哪些推论是论文直接报告的，哪些是待验证的解释。全文不涉及代码与数据公开链接，原文未声明资源可用，因此不能写成已公开可下载。

相关路线：感知研究与生产研究为何经常打架？

要理解本文位置，需要区分两条路线。第一条是感知与评价路线，给听众播放带嘎吱声的样本，问能力、冷漠、职业感等社会特质，结果多报告年轻女性说话人的嘎吱声受到更负面评价，由此形成嘎吱声属于年轻女性的流行说法。第二条是生产测量路线，在语料库中直接测量基频、频谱倾斜、谐噪比、倒谱峰突出度等连续指标，比较男女均值，结果更混杂，近年加拿大英法双语者研究显示男性在 H1-H2、倒谱峰突出度、谐噪比上更 creaky。

跨语言方面，声调语言研究多关注嘎吱声的音系功能，例如普通话与粤语中嘎吱声标记低调目标、增强声调对比或提示变调，而非其社会含义；普通话性别差异本身也有分歧，有研究报告感知与生产均无性别差，也有新研究发现普通话听众对男性嘎吱声评价更负面。作者的判断是：若不同语言用不同材料、不同指标、不同统计，跨语言差异可能只是方法差异，因此需要用共享流程做平行比较。

本文正是沿生产路线，用同一套切分、清洗、测量与建模流程同时处理英语与普通话。

研究问题：性别与语言如何影响朗读中的嘎吱声？

中心问题很具体：在相对谨慎的朗读体中，说话人性别与语言是否影响嘎吱声的声学相关物。操作化为 4 个因变量：基频、白话是声带每秒振动次数的估计；H1-H2c、白话是校正后的第一谐波与第二谐波强度差，越低频谱越平；HNR35、白话是 0 到 3500 赫兹范围谐波相对噪声的比例，越低越嘈杂不规则；CPP、白话是倒谱峰突出度，越低整体周期性越差。

论文预期嘎吱声对应低且不可靠的基频、压低的 H1-H2、下降的谐噪比与倒谱峰突出度，这些共同反映声门紧缩与非周期性。关键约束是朗读体、社会含义协商较弱，因此结果不能直接推广到自发对话；另一个约束是生理性别本身带来基频差异，所以作者明确不把基频性别差当作嘎吱声的主要证据，主要证据放在 H1-H2c 与 HNR35 上。例子：可以把 1 次测量想象为对一个元音中段取平均，先得到该 token 的 4 个均值，再进入回归，而不是先人工判定该 token 是否为 creak 再算比率。

方法全景：从一句话录音到一个回归样本要走几步？

沿一个样本走完全程有助于建立依赖顺序。假设 1 位普通话女性读了小李去商店买了很多东西，录音先被转为 16 kHz 单声道并统一到平均强度 70 分贝，再用蒙特利尔强制对齐器按普通话词典切出词与音素边界，作者人工检查调整后取出所有目标元音区间。接着用 Praat 按性别设置不同基频跟踪范围逐毫秒跟踪基频，只保留时长在 50 到 500 毫秒之间且中段基频可跟踪的 token。

通过者再用 VoiceSauce 在中央 70% 窗口计算 H1-H2c、HNR35 与 CPP 的均值，一个元音 token 于是变成一行数据，带有语言、性别、元音高低、说话人与词标签。最后四项指标各自拟合一个线性混合效应模型，固定效应为语言、性别及其交互并控制元音高低，随机效应为说话人与词截距及允许的斜率，显著交互再用估计边际均值做校正后两两比较。整个链条的顺序不能颠倒：对齐决定测量窗，基频筛选决定哪些 token 进入声学统计，统计口径决定回归输入，回归结构决定性别结论是否可信。

指标分工：四个声学量各自在测什么？

初学者容易把 4 个指标当成 4 个同义词，需要拆开。基频主要反映音高高低，受声带长短与张力等生理因素影响大，男女天然有差，因此它在本研究兼任质量筛查员：中段完全跟踪不到基频的 token 被整体剔除，不进入后续统计。H1-H2c 反映声门脉冲形状导致的频谱倾斜，声门越紧，第一谐波相对第二谐波越弱，数值越低；HNR35 反映周期成分相对噪声的能量比，振动越不规则噪声相对越强，数值越低。

CPP 反映倒谱域中基音峰高出背景的程度，整体周期组织越好数值越高，但作者讨论指出它对局部声门不规则不如前两者敏感，这为后文 CPP 无显著性别效应埋下伏笔。组合使用四者的理由是交叉验证：若男性仅基频低而 H1-H2c 与 HNR 不低，则更可能是生理音高而非嘎吱风格；若后两者也低，则嘎吱解释得到支持。

嘎吱声 × 基频： 嘎吱声指声带振动不规则、声门紧缩增强、周期性下降的一类嗓音，基频指声带振动频率的声学估计；本研究中基频负责提供性别生理基线与筛选不可靠 token 的依据，嘎吱声则由频谱倾斜与噪谐比等指标联合判定，二者搭配的原因是低基频既可能是男性生理结果也可能是嘎吱声伴随现象，组合意义在于避免把单纯的男低女高误读为社会语音风格差异。

H1-H2c × HNR35： H1-H2c 指经校正的第一与第二谐波幅度差，反映频谱倾斜与声门开放程度，分工是捕捉声门 constriction 导致的能量衰减形态；HNR35 指 0-3500 Hz 范围谐波噪声比，反映周期性相对噪声的比例，分工是捕捉不规则振动带来的噪声增加；二者搭配理由是分别从频谱形状与信噪角度交叉验证，组合意义在于当两者同时指向男性更低时，嘎吱声判断比单一指标更稳健。

CPP × 声门不规则性： CPP 指倒谱峰突出度，反映整体语音在倒谱域的周期性组织程度，分工是度量全局谐波结构的清晰度；声门不规则性指局部周期之间时长与幅度的抖动，分工是解释嘎吱声的生理来源；搭配理由是作者预期 CPP 对局部不规则不如 H1-H2c 与 HNR 敏感，组合意义在于解释为何本研究 CPP 无性别效应仍不推翻男性更 creaky 的结论。

强制对齐 × 元音中段： 强制对齐指用声学模型与发音词典把句子录音自动切分到词与音素边界，分工是批量定位可测量的元音区间；元音中段指每个元音 token 中央 70% 部分，分工是避开起止辅音过渡与边界 creak 的干扰；搭配理由是只有先获得可信边界才能定义一致的测量窗，组合意义在于保证跨语言、跨说话人的四项指标在可比位置上取均值。

切分与清洗：对齐、选元音与剔除如何操作？

切分使用语言特定的声学模型与发音词典，普通话用中国普通话词典 3.0 版，英语用美式英语词典 3.1 版，输出词与音素两层标注。作者人工检查并按需调整，这是批量对齐后必要的纠偏，因为朗读虽清晰但仍有协同发音与弱读。元音集合是预先限定的：普通话取 8 类，英语取 9 类，每种语言候选总数均超过 3600 个区间，说明原始候选充足。清洗分两层：先剔除过短或过长 token，普通话 258 个、英语 315 个，可能对应不流利或错误。

再剔除中段基频不可跟踪者，普通话 430 个、英语 615 个。最终保留普通话 3002 个、英语 2872 个，总计五千八百七十四。作者报告不可跟踪比例两语言相近，英语约 13%、普通话约 17%，且男女剔除占比接近五五开，这一步很重要：若剔除高度偏向某一性别，后续性别比较就会有偏。需要指出，未报告被剔除的不可跟踪 token 中确切 creak 占比，因此清洗在提高测量可靠性的同时，也可能系统性低估总体嘎吱程度。

本研究训练了什么：无神经训练时的真实计算是什么？

本研究没有训练神经网络，也没有更新声学模型权重，必须明确说明不存在梯度训练阶段。真实计算是 3 段式：第一段是既有工具推理，强制对齐器与 Praat、VoiceSauce 按固定参数运行，不学习新参数；第二段是规则筛选，按时长与基频可跟踪性删除 token，不涉及优化；第 3 段是统计建模，用 lme4 在 R 中拟合线性混合效应模型，通过限制性最大似然估计固定效应系数与随机效应方差，不存在反向传播到语音特征的梯度路径。所谓参数冻结问题在此不适用，因为没有可训练的声学编码器。

监督来源也不是人工 creak 标签，而是每个 token 的连续声学均值。等价的构造职责由语料设计承担：句子长度控制在十到十五音节、平均 11.7，每句限一个带名词主语的矩阵小句，两种语言在长度、句法与音段分布上尽量可比。

线性混合效应模型 × 估计边际均值： 线性混合效应模型指同时估计固定效应与说话人、词随机截距与斜率的回归，分工是分离性别语言效应与个体词差异；估计边际均值指在控制其他变量后对特定性别语言组合的模型预测均值比较，分工是把显著交互作用分解为可解释的组间差异；搭配理由是主模型只告诉交互显著而不知差在哪组，组合意义在于用校正后的事后比较支撑普通话性别差更大的判断。

实验条件：谁在何处、用什么设备读了什么？

被试与录制条件的细节决定结论边界，必须逐项核对。下表提出第一个比较问题：在性别与年龄可比的前提下，两组语料是否满足平行比较的形式条件，公平条件是同为母语朗读、中性内容、无对话者、自定步速。

该表显示主要收益是性别平衡与任务平行，主要代价是录制方式不对称：普通话为现场隔音室、英语为远程，作者虽做设备检查与质量筛查并剔除严重错误句，但仍明确提醒不要过度解读组内性别之外的跨语言主效应，因为设备已知影响声学测量。

未胜出或未评测的边界包括：另有 3 名英语被试完成任务但未入库，1 名因非美音、1 男 1 女因无可辨语音；英语剔除 2.6% 句、普通话剔除 0.3% 句。采样率方面，原始录制为 48 kHz，分析前统一转 16 kHz 单声道并缩放到平均强度 70 分贝。建模时元音高低按低与非低 2 分控制，普通话低元音仅含啊类，英语低元音含 3 个类别，随机结构含说话人与词截距及允许的斜率，分类变量用和对比编码。

测量与统计口径：均值、单位与聚合对象是什么？

第二个需要固定的问题是数字口径：每个 token 的因变量是其中央 70% 窗口内逐帧测量的均值，聚合对象是 token 而非说话人平均，这与以往按说话人汇总 creak 率的做法不同。基频跟踪步长 1 毫秒，女性候选范围 70 到 450 赫兹，男性 50 到 300 赫兹；H1-H2c 与 CPP 单位为分贝，HNR35 特指 0 到 3500 赫兹频带，基频单位为赫兹。下表聚焦清洗后的可用样本与剔除量，公平条件是同为通过时长与基频筛选后的元音 token，指标方向在此表不涉及好坏，只涉及样本量是否充足且性别无偏。

表后解释是：主要收益是最终样本仍近六千且剔除无明显性别偏倚，支持性别比较的有效性；具体代价是被剔除的不可跟踪部分恰恰可能包含最重的嘎吱声，因此结果可能低估总体 creak 水平。

未评测边界是作者未采用保留不可跟踪比例的分析方法，未来工作明确提出要补这一分析。统计上四项指标各自建模，固定效应含语言、性别、交互与元音高低，显著交互用估计边际均值加 Bonferroni 校正做事后比较，这意味着后文普通话性别差更大的说法来自校正后的成对估计，而非肉眼比较柱状图高度。

基频结果：生理性别差成立但不作为嘎吱主证

先看基频这一最易误读的指标。导读：该图分英语与普通话两面板，横轴为说话人性别，纵轴为赫兹，红圆与青三角分别代表女性与男性，误差条为 95% 置信区间，星号表示显著。本段之后独占的标记对应官方原图，阅读时按焦点步骤执行。

看图路径： 1. 先看横轴说话人性别与纵轴 F0 频率单位，确认红圆为女性、青三角为男性；2. 再对比英语与普通话两面板中女性点与男性点的垂直距离；3. 最后检查误差条是否为 95% 置信区间及星号标注的显著性

论文图 2。原论文 Figure 1：“Estimated F0 values by language group and talker gender. Error bars indicate 95% confidence intervals. Significance code: 三个星号 p < .001.”。

解释：像素显示女性点位于约 180 到 200 赫兹附近，男性点位于约 110 到 120 赫兹附近，两面板垂直落差都很大且均标注三颗星，视觉上语言间差异远小于性别差异。模型报告只发现性别显著，系数为 38.65，标准误 2.13，女性高于男性，语言、元音高低与交互均不显著。这支持生理预期的性别音高差，但作者明确不将其作为嘎吱声的主要证据，因为男女基频差主要受生理影响。教学要点是：基频低可以伴随嘎吱，但基频低不等于嘎吱，后续必须看 H1-H2c 与 HNR 是否同向。

H1-H2c 结果：男女差异在两种语言中同向成立

再看频谱倾斜指标。导读：该图同样分两面板，纵轴为分贝，数值越低表示越 creaky，横轴为性别，颜色形状编码与基频图一致，显著性用两颗星与三颗星区分。本段之后独占标记对应官方原图，需结合模型系数理解。

看图路径： 1. 先看纵轴 H1-H2c 单位为分贝，数值越低表示频谱越平、越 creaky；2. 再对比英语与普通话面板内女性高于男性的幅度；3. 最后观察普通话整体位置高于英语及星号差异

论文图 1。原论文 Figure 2：“Estimated H1-H2c values by language group and talker gender. Error bars indicate 95% confidence intervals. Significance codes: 两个星号 p < .01, 三个星号 p < .001.”。

解释：像素显示英语女性约 2 分贝上下、男性约 -1.5 分贝上下，普通话女性约 5.5 分贝上下、男性约 0.5 分贝上下，两面板均为女性高于男性，普通话整体高于英语。模型显示性别显著，系数 2.09，语言显著，系数 -1.40，英语低于普通话，交互不显著，元音高低不显著。这报告男性因更低的 H1-H2c 而更 creaky，且模式在两语言中视觉与统计同向。结合基频图的新对照是：基频只讲音高性别差，而 H1-H2c 在控制元音高低与随机效应后仍显示性别差，因此更能支撑风格或发声差异而非单纯生理音高。适用条件是朗读体与当前元音集合，换自发语料或不同元音分布时需重估。

HNR35 结果：普通话性别差距更大的关键证据

谐噪比是本文性别交互的落点。导读：该图纵轴为 HNR35 分贝，数值越低表示噪声相对越强、越 creaky，两面板布局与前图一致，均标注三颗星。本段之后独占标记对应官方原图，重点观察普通话男性的下沉幅度。

看图路径： 1. 先确认纵轴 HNR35 单位为分贝，数值越低表示噪声相对越强、越 creaky；2. 再比较英语与普通话中男性点下沉幅度，特别是普通话男性的最低位置；3. 最后查看两面板均标注显著但普通话性别间距更大的形态

论文图 3。原论文 Figure 3：“Estimated HNR35 values by language group and talker gender. Error bars indicate 95% confidence intervals. Significance code: 三个星号 p < .001.”。

解释：像素显示英语女性约 19 分贝、男性约 16 分贝，普通话女性约 19 分贝、男性约 11 到 12 分贝，普通话男性明显低于英语男性，而两组女性高度接近。模型显示语言主效应不显著，性别显著，系数 2.77，女性高于男性，语言与性别交互显著，系数 -0.95，事后比较显示两语言性别差均显著但普通话估计差 7.26 大于英语 3.61，普通话男性显著低于英语男性，女性跨语言无差异，元音高低显著，高中元音高于低元音。

这支持男性更 creaky，且普通话分化更大。下表把三项显著声学模型的系数放在同一口径下核对，公平条件是均为 token 均值上的混合模型固定效应，指标方向均为数值越低越 creaky，比较对象为女性减男性的方向。

表后解释是：主要收益是 H1-H2c 与 HNR35 同向支持男性更 creaky，HNR35 进一步给出跨语言变异的具体形态；具体代价是基频不能作为主证，且 HNR 的交互依赖事后估计，若换聚合口径或纳入不可跟踪 token，效应量可能变化。未胜出项将在下一节讲 CPP，它是明确的负结果，不能因前三项显著而忽略。

反证检验：为何 CPP 无性别效应仍不推翻结论？

把 CPP 当作失败条件来读最有教学价值。导读：该图纵轴为 CPP 分贝，两面板男女点几乎等高，误差条明显长于前三图，且无显著性连线。本段之后独占标记对应官方原图，注意纵轴范围与误差条长度的变化。

看图路径： 1. 先看纵轴 CPP 单位为分贝，确认英语与普通话男女点高度接近；2. 再观察误差条明显长于前三张图，说明个体与词变异大；3. 最后确认面板内无显著性连线，与前三图的星号形成对比

论文图 4。原论文 Figure 4：“Estimated CPP values by language group and talker”。

解释：像素显示英语男女均在约 15 到 16 分贝附近，普通话男女均在约 17 分贝附近，置信区间上下延伸约 1.5 到 2 分贝，重叠严重。模型未发现性别、语言与交互显著，仅元音高低显著，系数 -0.37，高中元音低于低元音。作者的有限解释是 CPP 反映整体周期组织，对局部声门不规则不如 H1-H2c 与 HNR 敏感，因此不敏感不等于无差异。这是一个典型的未胜出项处理：不隐藏负结果，不用总体趋势掩盖单指标失效，也不用 CPP 无差异去否定另两项的同向证据。

待验证的是：若采用更能捕捉局部抖动的指标或保留不可跟踪 token，CPP 是否仍无性别差；原文未测量误判率与延迟，因此不能从声学差异推出检测性能或感知显著性。

限制条件：设备、剔除与朗读体如何约束推广？

论文明确列出三项限制，每项都对应可执行的补验证。第一，英语组存在设备变异而普通话为现场录制，设备已知影响声学数据，因此作者谨慎处理跨语言主效应，把解释重心放在每种语言内部的性别效应上。若复现时能统一麦克风、声卡与房间，或在模型中显式建模设备，才能更放心地谈语言高低之分。第二，分析剔除了中段基频不可跟踪 token，而这部分不成比例地可能是重嘎吱，因此当前估计可能低估总体 creak 水平。

未来需采用能保留不可跟踪比例的分析，让被排除的 token 也能进入统计。第三，结果基于朗读，社会含义在自发语体中协商更直接，朗读的谨慎风格可能压缩或改变性别表达；未来需用自然对话任务验证。此外还有隐含边界：普通话被试多会英语而英语被试自报单语，台湾与大陆普通话既有研究结论不一，说明普通话内部变异与双语影响尚未排除。相关性不等于因果，声学性别差不等于社会评价必然同向，这正是作者用普通话感知文献做对照的原因。

复现先做什么：按原文口径重建流水线

若要重走方法，先复制信息条件而非先调模型。第一步重建平行句子：长度十到十五音节、平均 11.7、每句限一个带名词主语的矩阵小句、内容中性、两种语言句法与音段分布可比，每人读五句，无对话者、自定步速、指导语为自然清晰。第二步统一音频：转十六比特单声道 16 kHz 并缩放到平均强度 70 分贝，保留原始 48 kHz 版本以备核查。

第三步强制对齐：普通话与英语分别用对应词典与声学模型，输出词与音素两层，人工抽查调整边界后按原文元音表取候选。第四步基频筛查：Praat 步长 1 毫秒，女性 70 到 450 赫兹、男性 50 到 300 赫兹，剔除短于 50 毫秒或长于 500 毫秒者，再剔除中段不可跟踪者，记录各组剔除数与性别比以检验偏倚。第五步 VoiceSauce 取中段 70% 均值，得到 H1-H2c、HNR35、CPP，不再做额外声学离群剔除。

第六步统计：四指标各自拟合混合模型，固定效应为语言、性别、交互加元音高低 2 分，随机截距为说话人与词并在适用处加斜率，和对比编码，交互显著后用估计边际均值加 Bonferroni 做事后比较。缺项提醒：原文未给出 VoiceSauce 逐帧参数与 lme4 随机斜率最终收敛细节，未报告硬件预算与运行时间，因此复现报告应明确标注这些缺项，不从工具名推定默认参数。

收束：何时值得借用这套平行比较思路？

当研究问题涉及跨语言社会语音含义时，这套思路值得借用：先用可比材料与共享测量消除方法差异，再谈语言差异；先用多指标交叉验证区分生理音高与发声风格，再谈性别标签；先报告负结果与剔除代价，再谈总体趋势。本文直接报告的是男性在 H1-H2c 与 HNR35 上更 creaky、普通话 HNR 性别差更大、CPP 无性别效应、基频仅显示生理性别差；有限解释是生产与感知的背离可能反映社会建构相对独立或男性正在赶上，普通话男性嘎吱可能与成熟阳刚人设相关但面临负面评价。

未验证推测是变化中的风格扩散与双语者跨语言切换形态，需用自发语料与双语设计检验。常见误解有三：把基频男女差直接当嘎吱证据，把曲线向下一律读成性能变差，把朗读结论推广到日常对话；纠正方法是回到指标定义与纵轴单位，只在原文证据范围内谈好坏，且总体趋势不等每组每步成立。资源状态方面，本次未发现可验证的公开代码模型数据，不得声称已公开；复现价值在于流程可重建，而非权重可下载。

⚖️ 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