英文题目：Layer-wise Probing of wav2vec 2.0 and Whisper for Consonant Cluster Reduction in African American English
会议身份：
conference:interspeech:2026:conference-paper-id:mojarad26_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。
标签：#评测协议 #公平性 #可解释性 #语音学与音系 #语音属性识别
评分：5.7/10 | 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 0.8/1.5 | 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
- Hamid Mojarad：机构信息未能从会议 PDF 纯文本可靠映射
- Kevin Tang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
本文输入为含词尾双辅音丛的非裔美国人英语自然语音，输出是对简化与典型发音的区分及对底层塞音身份的恢复，难点在于简化是受音节与语境制约的渐变弱化而非干净删除。先用Montreal Forced Aligner在CORAAL语料上做典型与简化双发音词典对齐以获得6760个词例，再将整句送入冻结的wav2vec2-base与Whisper-small编码器抽取12层768维帧表示，接着按对齐边界对完整丛与首辅音做均值池化得到词例向量，最后用单隐层多层感知机做留说话人交叉验证探测。与人工扰动下的音素复原研究不同，本文利用自然删除缺口检验是否保留底层信息，具有生态效度。在/mp/丛简化检测任务下，wav2vec 2.0末层的准确率为72.6%，低于第1层的准确率80.2%。两模型在简化鼻音上保留典型类别线索，说明简化被编码为结构化渐变而非完全删除。该结论限于单语素双辅音丛与 7 类高频丛，未验证三辅音丛与双语素过去时及跨方言外推。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，目标是什么，本文要回答什么？
本文的输入是自然连续语音中真实出现的非裔美国英语词尾双辅音丛，例如测试一词中擦音加塞音的组合，以及鼻音加塞音等高频组合。研究者关心的是当说话人把词尾塞音弱读时，语音模型内部是把它当成彻底删掉，还是当成仍保留底层信息的渐变体。目标读者是刚进入语音与音频方向的研究生，需要先建立一个基本判断：自动语音识别在非裔美国英语上错误率偏高，部分原因来自这类有规则的音系变体，而只看词错误率无法定位原因是声学前端没有听到，还是表示层把变体规范化掉了。
本文必须保留的信息包括数据来源与规模、两个被探测模型的层数与维度、探针结构与划分方式、两个主任务的定义与对照条件，以及逐层准确率的数量级。输出是 1 篇可复述方法的技术解读，不评价商业系统优劣，不推广到未测试的模型与语言。本文默认从论文原文独立写作，事实只来自原文证据与官方原图像素。关于数据与代码可得性，原文脚注给出开放科学平台链接，但本次收到的资源状态为没有完成可达性验证，因此不能声称代码模型或数据当前已公开，只能说原文声明提供链接，具体可达性本次未能确认。
已有逐层探测走到了哪里，本文补哪一块？
已有工作把语音编码器的逐层探测做成标准方法。在自监督一侧，早期层偏向低层声学线索，中间层语音与音系信息最强，高层逐渐转向词与语义，音段类别与鼻音部位等特征在中间层最稳健。在有监督一侧，对病理语音与口音语音的研究发现 Whisper 编码器中层到中后层对偏离规范发音的语音学结构最敏感，例如口吃与构音障碍的检测峰值出现在中后层。
与本文最接近的是音位恢复研究：在词与非词中加入噪声覆盖、噪声间隙或静音间隙，再逐层探测协同发音部位方式与浊音等特征，发现 wav2vec 2.0 恢复能力更强，词比非词更容易恢复，噪声间隙破坏最大。教学上可以把这类人工缺口理解为例子：人为挖掉一段再看模型能否靠上下文补回。本文的不同在于缺口是自然发生的辅音丛弱化，例如擦音加塞音弱读为单个擦音，鼻音加塞音弱读为单个鼻音。原文明确指出，此前方言特有的自然弱化过程在 wav2vec 2.0 与 Whisper 的探测中基本未被研究，这就是本文要补的位置。
辅音丛弱化为什么不是简单的删音？
辅音丛弱化在英语中被当作跨方言的系统过程，不是某个社群独有。典型模式是词尾双辅音中末尾塞音不出现，例如测试的完整形式弱读为缺少尾塞音的形式，三辅音丛则弱读中间成分。是否弱读受重音、丛长度、前后音段、形态状态与浊音一致性等多重制约，不同方言对这些制约加权不同，因此它是有结构但对方言敏感的过程。
在非裔美国英语中，讨论集中在同语素内的双辅音丛，排除了过去时双语素形式，以避免形态条件干扰音系判断。先用白话说清关键术语：辅音丛弱化指词尾两个辅音简化，分段检测指判断给定片段是弱读还是完整，分段还原指仅看弱读的残留部分能否恢复底层是哪个丛。
辅音丛弱化 × 分段还原： 辅音丛弱化负责描述词尾两个辅音中末尾塞音在表层不出现或极弱的现象，分段还原负责检验弱读表层中是否还留有底层塞音身份线索，二者搭配的原因是只做弱读检测会把问题简化为有无塞音，而加上还原任务才能判断模型是当作简单删除还是当作保留底层结构的渐变音系变体。
沿一个样本走一遍有助于建立直觉：以鼻音加清塞音的词为例，完整形式包含鼻音加塞音两段，弱读形式表层只有鼻音。问题是这个鼻音是否还带有尾塞音是清还是浊的痕迹。如果只是简单删除，弱读鼻音应无法区分底层是清塞音还是浊塞音；如果仍能区分，就支持渐变保留的解释。这正是实验二选择共享首鼻音而尾塞音清浊不同的两类丛的原因。
方法全景：从语料到逐层探针经过哪些步骤？
方法全景可以分为 4 段。第一段是语料准备，使用区域性非裔美国人语言语料库中来自华盛顿与底特律的 3 个子库，覆盖不同性别年龄与社会阶层，共 156 名说话人。第二段是强制对齐与弱读标注，用蒙特利尔强制对齐器与卡内基梅隆发音词典，对缺词先训练字形到音素模型补发音，再为易弱化词生成删除尾塞音的弱读变体，用训练好的声学模型做全库对齐，从而把每个目标词判为完整或弱读。
第三段是表示抽取，把包含目标丛的整句送入冻结编码器，按对齐时间戳换算为模型原生 20 毫秒帧序号，对完整丛与弱读首段分别做帧平均，得到每层每条样本一个 768 维向量。第 4 段是探针训练，在每层独立训练单隐层感知机做二分类，采用说话人独立的四折交叉验证，训练与测试说话人不重叠。
两个被探测模型刻意选为层数与维度对齐的版本，以便逐层比较：卷积前端加 12 层变换器，每层 768 维。一个是自监督的 wav2vec 2.0 基础版，一个是有监督的 Whisper 小版本的编码器部分。探针本身不更新编码器，只训练分类器，因此层间差异被归因于预训练表示而非任务微调。
探针与表示如何配合？组件分工是什么？
先解释术语。冻结编码器指参数完全不更新的语音编码器，线性探测在这里实际用的是轻量非线性探针，指在冻结表示上训练的简单分类器。逐层探测指对每一层的表示重复同样的训练与测试，得到准确率随层变化的曲线。
线性探测 × 冻结编码器： 冻结编码器负责提供不更新的逐层语音表示，保证性能差异来自预训练而非微调，线性探测中的单隐层分类器负责只读出表示中已有的音系信息，二者搭配的理由是用尽量简单的探针把表示能力与探针拟合能力分开，组合意义是逐层准确率曲线可以被解释为信息在层间的分布而非分类器本身的功劳。
具体计算上，每个样本的表示来自可变长帧序列的平均，例如短丛可能对应 5 帧乘 768 维，平均后变为一乘 768 维。对完整样本取全丛帧，对弱读样本取残留首辅音帧或全丛对齐帧，做法在不同实验中明确区分。分类器使用科学计算库的单隐层感知机，隐层 200 个整流线性单元加一个逻辑输出，最大迭代 1000 次，随机种子固定，不做探针结构搜索。
教学例子是：这相当于用同一把尺子量 12 层，每层独立量 1 次，尺子本身不换，量出的高低差异才可解释为层的信息差异。原文未给出探针损失公式与梯度细节，因此本解读不补写公式，只说明优化对象是二分类判别，梯度只更新探针而不进入编码器。
本研究训练了什么，没有训练什么？
本研究没有训练语音编码器本身。wav2vec 2.0 与 Whisper 都使用预训练权重，探测阶段保持冻结，没有任务微调。需要如实说明的训练发生在两个外围环节。一是强制对齐用的声学模型，用扩展后的发音词典在全库音频上训练，再做全库对齐，这是为得到弱读与完整标签所做的准备，不是语音表示学习。二是每层每任务的探针分类器，在说话人独立划分下训练，这是唯一的判别学习，其训练数据量从几千条到低频丛的几十条不等。
自监督预训练 × 有监督预训练： 自监督预训练指 wav2vec 2.0 在无文本标注下用对比目标从原始声学学习层次表示，有监督预训练指 Whisper 在大量音频文本配对下用编码器解码器直接学习转写，二者搭配的理由是比较不同监督来源是否同样编码方言音系变体，组合意义是可以判断结构化音系编码是通用表示性质还是依赖转写监督。
原文报告了 2 个模型的预训练背景：前者在 960 小时有声书上做对比学习，后者在约 680000 小时多语言多任务数据上做弱监督序列到序列学习，其中英语识别占约六成五。因为编码器冻结，逐层差异被解释为预训练策略与数据分布的后果，而不是模型深度或微调带来的。未报告的内容要明确指出缺项：原文未报告探针训练耗时、硬件与显存开销，也未报告编码器推理延迟与帧率，因此不能从冻结推定系统输出确定，也不能承诺误判率或延迟得到改善。
数据如何从八万多条变成六千多条？划分如何保证说话人独立？
原始对齐在三子库中得到八万多条易弱化双辅音丛词，分布在 48 种丛类型。多数类型样本稀少，先选 12 种高频丛并要求弱读与完整内部平衡，再排除首辅音为流音的丛，因为后元音化与卷舌缺失等过程会与弱化混淆。接着按理论只保留单语素丛，排除过去时双语素形式。
单语素丛 × 双语素过去时： 单语素丛指弱化发生在同一词素内部的辅音组合，双语素过去时指词尾塞音同时承担过去时语素功能，二者搭配的原因是后者引入形态制约会混淆纯音系偏好，组合意义是只保留单语素词能让探测结果更干净地反映语音条件而非形态条件。
为避免高频词主导，例如某个高频词主导擦音加塞音类，对每个高频词型做下采样，每词最多保留 400 条，弱读与完整各 200 条。最终得到 6760 条，完整 3409 条，弱读 3351 条，覆盖 7 种丛类型。为保证跨说话人泛化，词条在说话人之间分散取样。所有探针采用四折分层交叉验证且说话人独立，测试集约占两到三成而非严格 1/4，这是说话人约束下的自然结果。
实验一的分段检测在 3 种数据条件下评估：保留自然丛频率但丛内弱读完整的非平衡集，7 种丛下采样到最少类规模的平衡集，以及每种丛独立探测。实验二的分段还原只选共享首鼻音的两类丛，控制首辅音不变而只考尾塞音清浊恢复，并把每词限制为最多 100 条以削弱词频偏差。补充的协同发音探测把首辅音按四档比例截取，只用首辅音帧判断弱读与完整，以检验上下文线索随首辅音时长增加而增强的假设。对照探测把标签随机打乱后重训，得到约 46% 到 53% 的基线，确认主结果高于机会水平。
弱读能否被区分？逐层曲线长什么样？
实验一要回答的比较问题是：在说话人独立且丛内平衡的公平条件下，冻结表示能否区分弱读与完整形式，指标是平均测试准确率，方向是越高表示对尾塞音有无更敏感。表前需要先明确这一点：非平衡条件保留自然频率更贴近部署分布，平衡条件控制数量偏差但训练量只有约十分之一，因此两条曲线不宜直接比优劣，而应分别看层间形态与稳定性。
看图路径： 1. 先看横轴一到十二层与纵轴平均测试准确率，再区分蓝色非平衡与橙色平衡两条曲线；2. 比较 wav2vec 2.0 在第五层附近的早峰与第九层附近的二次抬升；3. 观察平衡条件下整体下移且误差棒明显变长，特别是 Whisper 的波动；4. 确认灰色虚线所示的百分之五十机会水平，所有曲线都稳定高于该线
论文图 1。原论文 Figure 1：“Segmental reduction detection - imbalanced vs. balanced for all cluster types (4-fold CV)”。
上图显示两种模型在非平衡与平衡条件下都稳定高于 50% 机会线，说明尾塞音有无在表示中可读。在非平衡条件下，wav2vec 2.0 早层上升，在第 5 层附近达到早峰，略降后在第 9 层附近再次抬升，第 10 层之后温和下降；Whisper 小版本呈上升后平稳的形态，中层之后没有急剧下跌。平衡条件下整体准确率下移且波动变大，wav2vec 2.0 早层平稳、4 到 5 层峰、7 层附近明显下跌、8 到 9 层回升，Whisper 早层第二层下跌、6 层附近峰、高层未能维持平稳。
原文把下降主要归因于训练量从 6698 条降到 676 条，限制了探针可靠区分的能力，同时指出人工把各丛拉平并不代表自然分布，因此后文只报告非平衡结果。表后解释是：主要收益是两种预训练都能编码弱读对比，具体代价是数据稀释会放大方差，特别是 Whisper 在小样本下标准差可达约 4%，未胜出项是平衡小样本下没有模型能维持非平衡时的层间形态，这构成明确的适用边界。
下表整理数据规模与模型配置的对照，说明为什么非平衡与平衡不宜混为一谈。表中数字保留原文写法，单位留在同一格，裸值不擅自添单位。
| 条件 | 样本规模 | 说话人 | 模型层数与维度 | 帧分辨率 |
|---|---|---|---|---|
| 三子库原始覆盖 | 156 人，80 男 76 女 | 华盛顿与底特律多年龄阶层 | 12 层，768 维 | 20 ms |
| 最终探测集 | 6760 条，3409 完整 3351 弱读 | 跨说话人分散 | 12 层，768 维 | 20 ms |
| 非平衡探测 | 6698 条，丛内平衡 | 说话人独立四折 | 12 层，768 维 | 20 ms |
| 平衡探测 | 676 条，每丛约 100 条 | 说话人独立四折 | 12 层，768 维 | 20 ms |
| 还原子集 | 鼻音加塞音两类，每词至多 100 条 | 说话人独立四折 | 12 层，768 维 | 20 ms |
该表说明数量差异是解释曲线差异的第一变量：平衡集约为非平衡集十分之一，低频丛每类仅 100 条左右，探针方差必然增大。结合随机打乱标签得到 46% 到 53% 的基线，可以确认主结果的七到 80% 不是泄漏或过拟合，而是表示中真实的语音信息。
不同辅音丛的表现一致吗？低频丛说明了什么？
按丛分别探测要回答的是：弱读检测是否受前辅音性质调节，比较必须在同丛内弱读完整平衡、同说话人独立划分下进行，指标方向仍是准确率越高越可分。表前公平条件是高频丛样本充足而低频丛天然稀少，因此低频结果的均值与标准差要一起读，不能只看峰值。
看图路径： 1. 先看左侧行标签区分高频丛与低频丛，再看横轴一到十二层；2. 对比高频行颜色稳定而低频行波动大且格内标准差更大；3. 重点观察低频区 Whisper 面板中深蓝色格相对 wav2vec 2.0 更多
论文图 3。原论文 Figure 3：“Per-cluster analysis: test accuracy per cluster type (mean (%) ± SD, 4-fold CV)”。
上图按行显示 7 种丛、按列显示 1 到 12 层，每个格标注均值与标准差。高频的擦音加塞音与鼻音加塞音行颜色稳定，wav2vec 2.0 仍可见早层 3 到 5 层上升、中后层 8 到 10 层再次抬升，Whisper 呈上升后平稳，峰值位置随丛变化。低频的唇齿擦音加塞音、擦音加软腭塞音、双唇塞音组合波动更大，标准差明显更高。原文的语言学解释是：前辅音越受限、越有利于尾塞音弱化，擦音加塞音最强，鼻音加塞音居中，这与探测中擦音加塞音准确率最高的梯度一致。
同浊且前段为擦音的软腭丛弱化更显著因而两类更可分，Whisper 在该类峰值更高。表后必须给出未胜出项：双唇鼻音加清塞音是非同源组合，理论上最抗弱化，Whisper 在该类准确率最低而 wav2vec 2.0 早层反而出现 80.2% 的高点后下滑，但该类仅 90 条且标准差超过 10%，可靠性低，不能当作模型优劣的定论。低频下 Whisper 多数均值更强，支持其在大规模弱监督下对稀少变体更稳健，但高方差仍是共同代价。
弱读残留能否恢复底层是哪个丛？
实验二的比较问题更具决定性：在首辅音完全相同的条件下，仅看弱读鼻音能否恢复底层是清塞音还是浊塞音。3 种训练测试组合构成对照：弱读鼻音训练而完整全丛测试，完整全丛训练测试，以及完整首鼻音训练而完整全丛测试。若弱读只是删除，第一种应接近机会水平；若仍保留线索，第一种应接近后两种。指标仍是平均测试准确率，方向越高表示底层身份保留越多。
看图路径： 1. 先看六个子图标题区分弱读训练、完整训练与仅首辅音训练，再看上下两行区分模型；2. 沿横轴观察准确率先升后降的单峰形态，峰值集中在第八到第九层附近；3. 对比上行 wav2vec 2.0 在末层急剧下跌与下行 Whisper 在末层保持平稳的差异
论文图 4。原论文 Figure 4：“Segmental restoration probe (/nt/ vs /nd/) - all variants (4-fold CV)”。
上图 6 个子图显示 3 条件曲线形态高度相似且均为单峰，峰值在中后层。弱读训练条件下，wav2vec 2.0 早层较低后稳步上升，第 9 层附近达峰后第 10 层之后急剧下跌；Whisper 同样在第 9 层附近达峰，但高层下跌更缓并趋于平稳。峰值数量级为 wav2vec 2.0 约 93% 到 95%，Whisper 约 94% 到 96%，Whisper 略高。表前公平条件是两类丛共享首鼻音，词频已做上限控制，说话人独立，因此高准确率不能归因于首辅音差异或高频词记忆。
下表把检测与还原的数量级并置，说明为什么检测七到 80% 不应被解读为失败。表中单位与数字保留原文连续句写法，不做四舍五入。
| 任务 | 训练测试条件 | wav2vec 2.0 峰值 | Whisper 峰值 | 随机打乱基线 |
|---|---|---|---|---|
| 弱读检测，非平衡 | 全丛对弱读完整二分类 | 70-80% | 70-80% | 46-53% |
| 分段还原 | 弱读鼻音恢复底层丛身份 | 93.5% | 95% | 46-53% |
| 分段还原 | 完整与首辅音对照 | 93-95% | 94-96% | 46-53% |
| 协同发音 | 仅首辅音四档截取 | 随比例上升，100% 最高 | 随比例上升且整体更高 | 46-53% |
| 低频丛检测 | 每类几十到百余条 | 波动大，个别早峰 80.2% | 多数均值更强 | 46-53% |
表后解释是：主要收益是弱读残留 robust 地保留底层塞音身份，3 条件一致说明还原不是偶然；具体代价是检测任务天然处于渐变连续体上，弱读与完整在嵌入空间接近，二分类探针没有尖锐边界可用。未胜出项是 wav2vec 2.0 在还原任务末层急剧下跌，而 Whisper 末层更稳，这与两者高层目标不同有关，但原文未做因果验证，只能表述为观察到的一致性而非已证明的机制。
只看首辅音能判断弱读吗？协同发音起了什么作用？
这个补充分析要检验的替代解释是：实验一的多峰层间形态可能不是简单的有无塞音，而是首尾辅音相互作用带来的上下文信息。为此只取首辅音帧做判断，逐步增加截取比例，观察准确率是否随更多首辅音而上升。公平条件是沿用非平衡集的说话人独立划分，分类器结构不变，测试时不包含任何尾塞音帧。
协同发音编码 × 门限范式： 协同发音编码负责解释首辅音中残留的关于尾塞音的上下文线索，门限范式负责把首辅音按 25%、五十、七十五和 100% 逐步截取并分别探测，二者搭配的原因是只有渐进增加首辅音时长才能分离纯粹的删除判断与上下文污染，组合意义是证明弱读检测的多峰曲线可能来自首尾辅音相互作用而非简单的分段有无。
看图路径： 1. 先确认横轴为一到十二层，纵轴为首辅音截取比例从百分之二十五到百分之百；2. 沿同一列自上而下看颜色由浅变深，验证更多首辅音带来更高准确率；3. 对比左右两模型面板，观察 Whisper 在相同截取比例下整体颜色更深
论文图 2。原论文 Figure 2：“Coarticulatory encoding - C1 portion accuracy per layer across both models (4-fold CV)”。
上图是首辅音比例与层数的热图，颜色越深表示平均测试准确率越高。可见仅用首辅音就能达到较高准确率，且从 25% 到 100% 逐行变深，峰值出现在完整首辅音时，说明首辅音中编码了关于弱读对比的协同发音或上下文信息。Whisper 整体颜色更深，提示其上下文编码效应更强。表后需要强调代价与反证：如果弱读是彻底删除，首辅音不应携带尾塞音信息，但实际能分类就反驳了彻底删除的简单解释。这也为后文理解实验一直上不去 90% 提供了机制：弱读与完整在嵌入空间中本就接近，二分类边界天然模糊，高准确率出现在还原任务而非检测任务恰好一致。
哪些结论不能推广？还有什么没有测？
首先是模型覆盖有限，只评估了两个基础与小规模版本，没有覆盖更大规模或微调版本，也没有覆盖其他自监督家族，因此无法判断观察到的层间形态是架构通用还是规模与训练目标特有。其次是数据不平衡，低频丛如双唇鼻音加清塞音与双唇塞音组合样本很少，交叉验证折间方差大，高频丛的表现可能被高估，低频结论稳健性不足。第三是语言现象覆盖窄，只研究短单语素词中的双辅音丛，没有研究三辅音丛，也没有研究双语素过去时形式，而三辅音丛已知弱化更频繁，形态结构可能带来额外交互。
测量边界也要如实交代：原文未测量词错误率改善、推理延迟、计算成本与误判率，因此不能承诺这些量因表示中编码了弱化而自动变好。总体趋势不等于每组每层都成立，例如 Whisper 在小样本平衡集未能维持平稳，wav2vec 2.0 在个别低频丛反而更高，说明数据量与丛类型会改变相对优劣。相关性不是因果，逐层峰值与语言学层级的一致只是支持性解释，不是证明模型按语言学层级组织。
要复现这项探测，先做什么，需要哪些关键条件？
复现应从语料与对齐开始：获取区域性非裔美国人语言语料库的 3 个子库音频与文本栅格，准备卡内基梅隆发音词典，对缺词训练字形到音素模型并人工检查补词，为易弱化词生成删除尾塞音的弱读变体，再训练对齐声学模型并做全库对齐。接着按理论过滤：排除首辅音为流音的丛，只保留单语素丛，对高频词型做每词上限下采样，并把样本分散到不同说话人。
表示抽取时把整句送入冻结编码器，按对齐时间换算为 20 毫秒帧序号，对目标区间帧平均得到 768 维向量，对 12 层各存一份数据集。探针使用单隐层二百单元的感知机，最大迭代一千，随机种子固定，不做结构搜索，采用说话人独立四折验证。
何时值得尝试这类方法：当怀疑识别偏差来自系统性音系变体而非随机噪声，且需要定位信息在哪一层最可读时，轻量逐层探测是成本低的第一步。若要在部署中利用结论，还需补验证：更大模型与微调版本是否保持同样形态，三辅音丛与双语素形式是否一致，以及把表示差异与实际词错误率下降联系起来的端到端实验。关于可运行性，原文声明提供链接但本次未能确认可达，因此复现前应先验证链接与权重可下载，不应默认代码数据当前可用。
综合判断：模型把弱读当成了什么？
综合两类任务可以给出克制但明确的判断。报告层面：两种模型都能区分弱读与完整，检测准确率通常在七到 80%；弱读残留能高准确恢复底层塞音身份，峰值在九成三到九成六，中后层最强。支持层面：协同发音探测证明首辅音 alone 就携带弱读对比信息，且随截取比例增加而增强；按丛分析显示擦音起始丛最可分，鼻音起始居中，非同源低频丛最难，这些梯度与既有音系制约一致。可能但待验证层面：层间多峰被解释为声学到音系再到词义的层级演化，Whisper 高层平稳被解释为监督目标的影响，但原文没有干预实验，不能当作因果定论。
对初学者最容易误解的一点是把检测七到 80% 当成模型失败。实际上这恰好是渐变保留的证据：如果弱读与完整在嵌入空间很接近，二分类必然模糊，而还原任务的高准确率证明接近不是丢失，而是系统性地靠近各自底层形式。实践含义是：处理这类变体不应只靠词错误率的事后统计，而应检查表示层是否保留底层对比，再决定是在前端增强、词典扩充变体，还是在解码中利用上下文。未来的工作应扩展到更多模型家族与三辅音丛，并在保持说话人独立的条件下验证结论是否稳定。
⚖️ 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