重音不在声调里时：台湾国语者如何用整音节手势协调实现英语重音

英文题目：Lexical stress-conditioned spatiotemporal gestural coordination in L2 English

会议身份：conference:interspeech:2026:conference-paper-id:mcguire26_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 #语言习得 #语音学与音系 #韵律 #语音属性识别

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 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

• Paul McGuire：机构信息未能从会议 PDF 纯文本可靠映射
• Michael Proctor：机构信息未能从会议 PDF 纯文本可靠映射
• Feng-fan Hsieh：机构信息未能从会议 PDF 纯文本可靠映射
• Yueh-chin Chang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理台湾华语（Taiwanese Mandarin，TWM）者产出英语名词-动词重音对立时声学线索不可靠的难题，输入为电磁发音仪（Electromagnetic Articulography，EMA）记录的唇舌颌运动轨迹，输出为重读与非重读音节是否在关节协同空间中可分及其解释模式。方法链先以手势标注界定音节并提取6个收缩地标，再对地标做时间配准以分离相位与速率差异，随后将多通道位移与对数时间弯曲函数联合做多变量函数主成分分析（Functional Principal Component Analysis，FPCA），最后在主成分得分空间检验条件分离并用听感口音度做描述性语境化。相对只看元音中点位移或时长的已有做法，关键差异在于整音节时空联合建模使时长扩张与下颌下降等协同变化可被同图解释。在口音度评测任务下，07F的口音度得分为6.5，高于08F的口音度得分3.5。结论仅适用于复杂音节的探索性个案，不能外推到更多音节结构、更大群体或声学重音策略。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

为什么母语没有重音对比会让英语重音变难？

输入是台湾国语母语者朗读的英语双音节名词动词最小对，目标是看第二音节在重读与非重读条件下发音动作是否不同，必须保留的信息是该母语被描述为音节定时且缺乏可感知的词汇重音对比，输出是整音节手势在空间与时间上的组织差异。本文按学习依赖展开，先讲任务与已有路线，再讲方法全景与组件计算，然后讲数据构造与实验条件，最后讲结果与可复现细节。

初学者容易把重音理解为把某个元音读得更响，原文强调英语重音通过时长、强度、基频和元音弱化等多个线索实现，基频还受上层韵律结构影响，单看基频会把句子语调误当词重音。已有声学研究显示国语背景学习者用基频对比区分重音的幅度甚至大于母语者，时长和强度大致可比，但元音弱化不稳定，发音层面的证据来自一项电磁发音仪研究，它只看了元音中点的颌与唇位移，没有看辅音手势与跨音节协调，也没有控制语篇韵律与口音度。

本文要补的正是整音节视角：从起始辅音的运动起点到尾辅音的运动终点定义音节，用发音地标而非声学边界切分，再检验不借助任何声学信息时发音记录本身是否携带重音信息。教学例子是名词重音在前、动词重音在后的冲突一词，第二音节包含复杂声母与韵尾，便于在轨迹上辨认不同发音器的收缩目标，这只是帮助理解的材料选择，不是说所有英语重音都长这样。

补充背景：载体短语与传感器选择为何这样定？

载体短语固定为朗读提示加目标词加重复词的形式，目的是让目标音节处于可比的语篇位置，减少因语速与停顿随意变化带来的额外方差，但原文承认这仍是语料库朗读，不能等同于控制了句子重音与边界。传感器选择覆盖实现目标音节所需的全部收缩：下唇做唇齿擦音，舌尖做流音与齿龈塞音，舌背做软腭塞音，下颌作为协同发音器记录，这种选择使每个辅音都有主导通道可辨。

初学者常问为什么不用声学切分音节，答案是声学边界在辅音丛弱化或漏产时会模糊，而发音运动起点与终点能直接反映手势是否产生，这正是本文剔除 4 人的依据。教学例子是把 1 次朗读看成多条并行曲线加 6 个竖线，竖线对齐后曲线的形状差异才是分析对象，时间轴本身的长短已被配准分离出去一部分。

已有路线分别测了什么，为什么还缺整音节协调？

同输入同目标的声学路线用时长、强度、基频和元音音质测量重音，优点是易于大规模标注，局限是无法说明舌唇颌如何协同实现这些声学结果。同目标但用发音记录的路线已发现重读音节伴随更大的下颌位移与唇开度，以及希腊语中更长更大更快的手势，但前述国语者英语研究只取元音中点，没有检验声母丛与韵尾丛的时间排序。同监督思路下本文不做分类器预测，而是用无监督降维加条件分离检验，目的是保留可解释的空间与时间扰动模式。

同运行阶段的对照是母语发音中下颌作为突显相关动作的讨论，本文把下颌作为仅受音节起止约束的空间维度纳入，因为下颌运动与舌背手势大幅重叠，不宜为其单独设收缩地标。缺口因此很具体：需要一个把多个发音器轨迹与多个收缩事件同时对齐的方法，并在说话人层面观察口音轻重是否伴随不同的分离模式。原文把口音评分只用作描述性语境，不放入统计模型，这一点决定了后文不能把口音与分离读成因果。

相关工作的有源对照：同输入同目标差在哪一步？

与同输入同目标的声学研究相比，本文输入同为国语者英语重音产出，目标同为区分重读与非重读，但监督与表示不同：声学路线用基频时长强度等标量，本文用连续发音轨迹加事件配准，因此能讨论下颌与舌背的协同而非单个声学值。与同目标的发音研究相比，本文在被试背景与电磁记录上相近，但在分析窗口上从元音中点扩展到整音节，并引入时间扭曲函数显式建模时长重组。

与韵律突显的一般讨论相比，本文把下颌只做空间维度而不设地标，避免把重叠运动误当独立事件。公平对照要求不把类别差异当胜负：不能说发音分析优于声学分析，因为二者回答不同层次的问题，也不能把本文 4 人分离与前人母语者效应直接比大小，因为材料说话人与统计口径均不同。

本文的具体任务与可检验问题是什么？

任务是判断 6 名台湾国语母语者在产出第二音节时，重读条件与非重读条件的超喉头协调模式在多维空间中是否可分。沿一个样本走完全程有助于建立概念：输入是 1 次朗读的短语中的目标音节发音轨迹，表示是 4 个通道的垂直位移时间序列加 6 个地标时刻，组件是地标配准加多变量函数主成分分析，目标是在第一与第二主成分得分空间中观察两类 token 是否形成可分云团，输出是每位说话人的得分图、扰动图与置换检验统计量。

可检验问题有两个，第一是 6 人是否都出现分离，第二是分离是否对应可解释的时空重组而非单纯整音节拉长。原文明确不用声学信息参与分析，口音评分只在解释时提供背景。需要先建立的概念是地标，它指收缩手势的关键时间点，包括运动起点、目标达成与运动终点，后文所有时长区间与配准都依赖这些点。

方法全景：从原始轨迹到可解释分离经历哪几步？

全景可分为 4 步。第一步是记录与筛选，用电磁发音仪记录唇舌与下门齿传感器轨迹并做头部运动校正，只保留能清晰辨认 4 个辅音收缩的重复。第二步是测量与定地标，在可视化软件中用算法 delineate 4 个主要手势并定义 6 个地标，音节被定义为从首手势运动起点到尾手势运动终点。第三步是配准与降维，把关键收缩事件对齐后再做多变量函数主成分分析，空间维度是下唇舌尖舌背与下颌的垂直轨迹，时间维度是对数时间扭曲函数。

第 4 步是检验与解释，对每位说话人在第一与第二主成分得分上做置换多元方差分析，并用第一主成分扰动图还原空间与时间变化。下面先看地标如何在原始轨迹上被标出，再进入组件细节。 导读段落详细介绍图一的教学价值与阅读顺序，该图展示短语朗读中目标音节的多通道发音轨迹与已标注的辅音收缩手势，是理解后文 6 个地标从哪来的唯一像素依据，阅读时应先找起止再找中间收缩框并注意竖线如何贯穿通道。

看图路径： 1. 先从最下方蓝色下唇通道找到标为起始与目标达成的两个竖线地标；2. 再向上对照红色舌尖通道中分别标为中间与尾部收缩的矩形框；3. 注意最上方深蓝色舌背通道只有一个靠后的收缩框；4. 确认六条竖线贯穿所有通道表示同一音节时间轴上的配准点

论文图 1。原论文 Figure 1：“Articulatory trajectories displayed in MVIEW for the phrase “Say conflict again”, showing the labelled consonantal constriction gestures for the syllable /flIkt/.”。

解释段落说明从像素可见的内容：最下方通道的左侧矩形框标出起始运动与目标达成，对应首辅音的运动起点与收缩达成，中间红色通道的两个矩形框分别对应中间流音与尾部塞音的收缩，靠上深蓝色通道的矩形框对应软腭音收缩，多条彩色竖线贯穿各通道表示配准用的事件时刻，初学者应把该图理解为地标定义的视觉来源，而不是重音效应的结果展示，颜色深浅代表不同传感器通道而非重读条件。

组件如何分工：传感器、地标与配准各做什么？

先用白话解释关键术语。电磁发音仪是一种在发音器上贴小传感器并用磁场跟踪其位置的设备，英文为电磁发音术，本文相关传感器包括舌尖、舌背、下唇和下颌，下颌通过下门齿跟踪。手势指朝向某个收缩目标的运动单元，例如下唇收窄实现擦音，舌尖上抬实现流音与塞音，舌背抬起实现软腭音。地标指手势时间进程上的关键点，本文用 6 个：首辅音运动起点、首辅音目标达成、第二辅音目标达成、第三辅音目标达成、第四辅音目标达成、尾手势运动终点。时间配准指把不同 token 的地标时刻对齐到同一注册时间轴，英文为地标配准，目的是分离形状差异与快慢差异。

词汇重音 × 手势协调： 词汇重音是需要在音节层面区分轻重的音系任务，手势协调是唇舌颌多个收缩动作在空间位移和时间排序上的联合组织，二者搭配的理由是英语重音被描述为更大更长更快的手势而非单一线索，组合意义在于把时长拉长、下颌下降和唇舌位置变化放在同一音节框架下联合检验。

沿样本继续走：1 次目标音节的下唇垂直轨迹先下降再回升，舌尖轨迹出现 2 次峰，舌背轨迹在中后段出现峰，下颌轨迹与舌背大致同向但幅度不同，6 个地标把这段连续流切成 5 个区间，配准后不同 token 的同一地标落在同一注册时刻，剩余差异就是形状与相对时长差异。组合机制紧接着说明：传感器提供多发音器证据使声母丛与韵尾丛可辨，地标提供可对齐的事件使跨 token 比较成立，二者搭配才能把词汇重音问题转化为整音节时空重组问题。

电磁发音仪 × 地标配准： 电磁发音仪负责以高采样记录舌尖舌背下唇和下颌的连续位移轨迹，地标配准负责把每 token 的 6 个收缩事件对齐到同一注册时间轴，搭配原因是原始发音时长不一直接比较会混淆快慢与形状差异，组合后函数主成分分析才能同时分离时间伸缩与空间形状。

原文给出的安排理由包括：手势在垂直维度上辨认，因为该维度最能反映收缩程度；下颌不设独立地标，因为其运动与舌背大幅重叠，只作为受音节起止约束的空间维度；相邻地标出现顺序反转时把靠前的地标后移 1 毫秒以满足单调性，该最小扰动仅影响 98 个 token 中的 6 个。

时间扭曲函数 × 空间扰动： 时间扭曲函数记录每个区间相对平均时间轴的扩张或压缩，空间扰动记录唇舌颌轨迹沿主成分正负方向偏离平均轨迹的形状，搭配原因是重音同时涉及音节变长和发音动作变大，组合后才能判断分离是单纯时长拉长还是时空联合重组。

没有神经网络训练时，计算过程到底是什么？

本研究没有训练神经网络模型，也没有优化器更新、梯度路径、冻结与解冻或分类器训练阶段，该节必须明确这一点以免误解。真实计算过程是统计建模与检验：先做地标配准，再做多变量函数主成分分析，最后做置换检验。

具体而言，输入是配准后的多通道轨迹与对数时间扭曲函数，函数主成分分析找出方差最大的正交函数方向，第一主成分解释最大比例方差，第二主成分解释次大比例，每个 token 得到两个得分，扰动图把平均轨迹沿主成分正负方向移动以可视化空间与时间效应。

检验部分对每位说话人单独进行，用欧氏距离在第一与第二主成分得分上检验重音条件效应，置换次数为 999 次，选择置换方法的原因是每人 token 数少且不等，难以满足传统多元方差分析的分布与协方差假设。原文把所得显著性与方差解释率均视为描述性，应结合得分图解读。

函数主成分分析 × 置换多元方差分析： 函数主成分分析负责把多通道轨迹加时间扭曲函数降到第一和第二主成分得分空间，置换多元方差分析负责在该 2 维空间内检验重读与非重读 token 是否分离，分工是前者做可解释的降维与扰动重构，后者做小样本不等样本量下的条件检验，组合意义是先可视化再给出描述性统计量而不做预测分类。

未报告的缺项包括：没有报告函数基数量、平滑参数与方差累计阈值，不能从方法名称推定具体实现细节；没有做跨说话人混合建模，口音分数未作为预测变量进入模型，因此不能估计口音每增加一分带来多少分离变化。

实验条件：被试、材料、记录与筛选如何保证可比？

原始招募 10 名二十多岁的大学母语者，材料是仅重音位置不同的双音节最小对，嵌入固定载体短语并以伪随机顺序呈现在屏幕上朗读，每项重复 8 到 10 次。记录设备采样率为 1250 赫兹，后降采样到 250 赫兹，传感器贴在唇舌与下门齿，另在双侧乳突与上门齿贴传感器做头部校正。本次分析只取冲突名词动词对的第二音节，因为该音节同时有复杂声母与韵尾且涉及不同发音器。

筛选是关键的可比性条件：台湾国语不允许辅音丛且韵尾有限，学习者常漏产或以难辨认方式实现目标收缩，4 名始终缺至少一个辅音收缩者被排除，剩余 6 人的个别重复在无法可靠 delineate 时也被剔除，最终保留 98 个 token。口音评价由 2 名有在台教学经验的母语教师基于段落朗读独立打分，采用九点量表，一分表示几乎无口音，九分表示非常重，2 次评分取平均，一致性系数很高。

比较公平性在于同一说话人内部比较重读与非重读，载体短语固定，但原文承认语料库来源导致句子层面韵律效应未被控制，这是后文解释个体差异时必须记住的边界。 下面用整理表呈现 6 位保留说话人的口音分与可用 token 数，阅读问题是每位说话人的两类条件样本量是否均衡，公平条件是同一人内部比较，指标方向是分数越低口音越轻，token 数越多估计越稳。

解释段落指出主要事实与代价：口音最轻的 2 位各贡献 20 个均衡 token，中间 2 位样本相对充足但其中 1 位重读仅 4 个 token，口音最重的 2 位样本较少且后文出现地标顺序反转，98 个 token 总量决定了所有统计量只能描述性使用，未胜出项是被排除的 4 人因无法产生完整辅音丛而完全不进入分析，这本身说明复杂音节对该母语背景者确有产出难度，也限制了结论向其他音节结构的推广。

主结果：重读音节更长，但时长 alone 不能解释分离

测的是地标间时长与主成分得分空间中的条件分离，与谁比是同一说话人重读对非重读，条件一致性靠固定载体与同一音节，指标方向是时长越长表示扩张，得分云团越不重叠表示分离越清晰，统计量方向是显著性越小且方差解释率越大表示条件效应越明显。关键数字趋势是 6 人重读音节平均都长于非重读，但区间层面没有跨人一致的特定区间效应，口音分高的 1 位反而呈现最大的整音节时长差之一，说明单看总时长无法预测谁能分离。

置换检验显示 4 人出现分离而口音最重的 2 人未呈现清晰分离，扰动图进一步显示分离者的重读 token 伴随注册时间轴扩张、元音区间下颌下降更大、起始擦音达成附近下唇位置略高。

感知口音度 × 重音条件分离： 感知口音度是由 2 名有经验教师对段落朗读打出的九点量表平均分，用于描述说话人整体口音轻重，重音条件分离是同一说话人重读与非重读 token 在主成分得分空间的可区分程度，二者搭配只是把口音分数作为背景语境对照分离模式，组合意义是提示口音较轻者更可能呈现类似母语者的发音策略但不做因果推断。

导读段落说明图二的阅读方法，该图按口音从轻到重自上而下排列每人两条堆叠横条，每条被切成 5 段区间并在段内标注均值与离散度，右端标注整音节均值与标准差，阅读时应先比较同一个人两条总长，再看 5 段中哪段贡献最大，最后注意离散度很大的区间。

看图路径： 1. 先看每人两条横条右端标注的整音节均值加减标准差；2. 再比较同一人上方重读条与下方非重读条的总长度差异；3. 观察五段颜色区间各自标注的区间均值与离散度；4. 注意最下方口音最重者的中间区间异常拉长与相邻区间缩短

论文图 2。原论文 Figure 2：“Inter-landmark interval durations (ms) by speaker and stress condition.”。

解释段落结合像素可见内容：所有 6 人的上方重读条都长于下方非重读条，但区间贡献各不相同，没有一段在 6 人中一致拉长，部分区间标准差很大，底部 2 位说话人的某些区间均值很小且离散极大，对应正文所述的目标达成顺序反转导致的区间缩短，初学者不应把总条变长直接等同于发音策略相同，因为下文主成分分析显示总时长差异大的 1 位并未分离。

导读段落说明图三的阅读方法，该图为 3 位呈现清晰分离者的第一主成分扰动图，每列上方四行分别是下唇舌尖舌背与下颌轨迹随主成分位置的变化，下方 3 条时长盒表示从压缩到扩张的时间效应，颜色从深紫到亮黄对应从非重读方向到重读方向，阅读时应先看颜色分离幅度大的通道，再对照下方时长盒。

看图路径： 1. 先看每列上方四行唇舌颌轨迹随黄紫颜色沿第一主成分的变化方向；2. 再看下方三条横向时长盒如何随颜色从压缩变为扩张；3. 对照中间竖线位置确认元音区间与辅音达成点附近的变化；4. 比较三位说话人在舌背与下颌通道上变化幅度是否一致

论文图 3。原论文 Figure 4：“PC1 perturbation plots for three speakers (08F, 09M, 05M).”。

解释段落结合像素可见内容：3 人共同模式是重读方向伴随时间轴扩张与元音区间下颌更低，起始段下唇在重读方向略高，差异在于其中 2 人重读方向舌背在元音区间更高而第 3 人不明显，另 2 人在软腭收缩附近舌背更高而第一人不明显，下方时长盒显示重读方向各区间普遍拉长但幅度因人而异，这支持时空联合重组而非单一区间拉长的判断。

下面用整理表呈现地标定义与测量对应关系，阅读问题是每个区间连接哪两个事件并由哪个传感器主导，公平条件是所有 token 共用同一定义，指标方向不涉及优劣只涉及可重复性。

解释段落说明该表的主要用途与反例：该定义使音节起止由发音运动而非声学边界决定，保证跨 token 可比，代价是当学习者漏产或顺序反转时地标难以 delineate，本研究因此剔除大量 token 并对 6 个 token 做 1 毫秒单调性修正，未胜出项是下颌未设独立地标，只能作为受起止约束的空间维度参与，这限制了对下颌 timing 的独立解释。

反证与失败条件：什么时候分离消失？

原文没有做神经网络消融，但提供了两种等价的失败条件分析。第一是只看时长：若分离仅由整音节拉长驱动，则时长差最大者应分离最清晰，实际口音分 6.0 的 1 位总时长差最大之一却未在得分空间分离，因此报告支持时空联合而非时长 alone。

第二是地标顺序稳定性：口音最重的 2 位出现目标达成反转，1 位出现 2 次第三地标先于第二地标，另 1 位出现 4 次第五地标先于第四地标，这些反转缩短对应区间并可能反映辅音丛时间排序不稳定，恰好这 2 位也是未呈现分离的 2 位。下面用整理表汇总检验设置与数据规模，阅读问题是在什么样本与计算条件下得到分离结论，公平条件是每人内部检验，指标方向是显著性小与方差解释大表示分离强。

解释段落指出主要代价与未评测边界：重读仅 4 个 token 的 1 位也能显示分离，说明小样本下结论对个别 token 敏感。

口音与排序稳定性与分离的共现只是探索性，不能因相关读成因果；未测量基频、强度与可懂度，也未建模声学线索与发音协调的关系，因此不能回答这些说话人是否靠基频补偿，也不能承诺发音分离带来听感上的重音正确。

限制：哪些结论不能超出这 98 个 token？

直接报告的是 6 人内部的重读对非重读分离模式与扰动形状，有限解释是口音较轻者更可能使用类似母语者的发音策略，未验证推测是口音、排序稳定性与分离之间存在机制联系，原文明确要求后者按探索性对待。缺失证据不是技术错误，但必须列出：仅一个目标音节、仅一种复杂声韵结构、每人 token 少且不等、语料库来源的句子韵律未控制、未纳入辅音缺失的 4 人、未检验感知实验中的重音可懂度。

总体趋势不等于每组都成立：重读音节更长对 6 人成立，但特定区间拉长、舌背抬高与起始下颌位置等细节只在部分呈现分离者中成立。训练资源与推理开销在此不适用，因为无神经网络训练，但计算可重复性依赖原始轨迹、配准代码与可视化软件版本，原文引用了教程材料但本次未确认资源可达，因此不能声称代码已公开。百分比与百分点的区分在此体现为方差解释率是比例而非准确率，不能把方差解释大读成重音分类准。

复现先做什么：按原文重走一遍需要哪些动作？

先准备可比数据：招募同背景被试并用固定载体朗读名词动词最小对，保证每项足够重复以应对辅音丛缺失导致的剔除。记录时按原文交代贴舌尖舌背下唇与下门齿传感器并做头部校正，采样后降采样，保留垂直维度用于手势 delineate。测量时在可视化软件中找出 4 个辅音手势并定义 6 个地标，音节起止取首手势运动起点到尾手势运动终点，无法可靠 delineate 的重复剔除，相邻地标反转只做 1 毫秒最小修正并记录受影响 token 数。

分析时先配准再做多变量函数主成分分析，空间通道与对数时间扭曲函数共同进入，每人单独在第一与第二主成分得分上做 999 次置换检验并绘制得分图与第一主成分扰动图，口音评分独立采集只做背景对照。还需补的验证包括增加说话人与目标词、纳入不同音节结构、同步记录声学并检验发音分离是否对应听感重音判断，以及控制焦点与边界等韵律条件。

关键超参数与信息条件是降采样率、地标定义、配准单调性处理与置换次数，任一改动都可能改变区间时长与分离形态，复现时应逐项记录。

何时值得尝试这种整音节发音分析？

当研究问题是母语缺某对比的学习者是否在发音层面建立新协调，而非仅仅调整某个声学参数时，这种整音节时空方法值得尝试，因为它把多个发音器的位移与多个收缩事件放在同一框架下检验，避免只看元音中点带来的片面结论。当数据存在辅音丛缺失与顺序不稳时更应先做严格筛选与地标稳定性检查，否则强行配准会掩盖真实困难。本文特有的误解需要澄清：重读音节更长不等于发音策略相同，总时长差大的 1 位并未分离。

口音轻伴随分离不等于口音导致分离，原文只支持描述性共现；下颌下降大不等于单独的下颌策略，因为下颌与舌背大幅重叠且未设独立地标。收束判断是 4 位说话人的发音记录在无声学信息下已携带可分的重音信息，表现为注册时间扩张加下颌下降与唇舌位置的联合变化，而口音最重的 2 位因排序不稳未呈现分离，该结论限于单个复杂音节与小样本，推广前需补更大更多样的验证。

⚖️ 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