房间不变时听得更省力吗：声码语音下不同沉浸年龄的房间适应

英文题目：Adaptation to Room Acoustics in Understanding Vocoded Speech: A Comparison Between Listeners With Varying Immersion Age

会议身份：conference:interspeech:2026:conference-paper-id:pratiwi26_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 #语音 #语音可懂度评估

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 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 0.7/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Epri Pratiwi：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
• Yusuke Hioka：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为同一房间块呈现的三词英语矩阵句，输出为逐词识别正确率与瞳孔扩张努力指标，难点在于八通道声码器降解与混响同时削弱包络线索且沉浸年龄差异可能混杂适应效应。方法链分三步：先用400–7000Hz八频带噪声声码器模拟人工耳蜗处理并与未处理语音对照，其输出直接进入下一步混响加载；再将球形阵列实测脉冲响应解码至31通道扬声器阵列重放以保留头相关传输函数，生成 seminar与chapel等多混响刺激；最后在固定房间块呈现下连续追踪识别率与瞳孔峰值扩张随句序的变化。与既有房间适应研究相比，关键差异是同时操控信号降解与沉浸年龄并引入瞳孔努力指标，从而区分能听清与费力听清的分离过程。在房间声学条件设置下，Chapel的混响时间指标为1.8 s，高于Seminar room的混响时间指标0.7 s。结论仅适用于正常听力青年在模拟人工耳蜗与新西兰英语材料下的短期块适应，未验证真实人工耳蜗用户、老年及强噪声外推。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

人工耳蜗使用者为什么特别怕混响房间？

输入是本研究的论文原文，目标是让刚进入语音音频领域的研究生能按原文复述方法与条件，输出是 1 篇可核对的技术解读，必须保留的关键信息包括被试分组、声码做法、房间与距离、组块呈现句序、词识别计分与瞳孔峰值扩张的计算窗口。

人工耳蜗恢复的是以时间包络为主的听觉，频谱通道有限。混响会抹掉语音包络中的调制，例如基频调制和音节词边界的位置线索，少量混响就可能让人工耳蜗使用者的可懂度明显下降。原文把这种困难写成研究起点，而不是直接讨论降噪算法。

对初学者要先分清两个退化来源。第一个是房间混响造成的自掩蔽与交叠掩蔽，第二个是人工耳蜗处理本身丢失频谱细节。两者叠加时，听者既缺频谱又缺干净包络，所以日常房间比消声室更难。

沉浸年龄 × 新西兰英语熟悉度： 沉浸年龄指开始长期生活和使用新西兰英语的早晚，新西兰英语熟悉度指对本次测试口音和用词的语言经验多少；前者按出生或移居年龄和居住时长分组，后者是影响第二语言听辨的实际知识，二者搭配的理由是仅按母语二分会掩盖居住时长和日常使用的差异，组合后新增的作用是把早沉浸、晚沉浸、非沉浸 3 组当作语言经验的梯度来比较房间适应是否一致。

本节解决的误解是把沉浸年龄等同于母语与否。原文按在新西兰英语中的暴露史分成三档，强调在不利条件下语言经验的差异会被放大，因此需要在声码退化下再看房间适应是否还一致。

房间适应与第二语言听辨此前各自证明了什么？

房间适应指先听过同一混响环境后再听会更好。原文引用的路线是用组块呈现对非组块呈现：同一房间连续呈现时识别更高，频繁换房间则表现被打断。该效应在正常听力者中成立，也在成年人工耳蜗使用者中被观察到，表现为组块条件下可懂度更高。

第二语言路线报告的是另一件事。消声条件下母语与非母语差异常较小，混响下差异拉大；沉浸年龄与熟练度影响不利条件下的表现；对新西兰英语这一特定变体的熟悉度也会改变混响与空间分离下的可懂度。这些结果提示语言经验可能改变处理退化语音的策略。

听努力路线补的是行为指标看不到的一半。可懂度只记录答对与否，不记录花了多少认知资源。瞳孔扩张随任务诱发的心理努力增大而增大，因此被当作听努力的客观指数。原文明确指出，据作者所知，还没有研究同时看声码下房间适应带来的可懂度变化是否伴随听努力变化，以及这种关系是否随沉浸年龄而不同。

把 3 条路线放在一起，缺口就清楚了：已有房间适应证据多来自母语者，缺少在后天习得语言加人工耳蜗处理下的比较；已有可懂度证据缺少努力的平行记录。本文要补的正是同一组块范式下的双指标与 3 组比较。

本文要回答的两个具体问题是什么？

第一个问题是，在持续一致的声学暴露下，可懂度随句序的提升是否伴随瞳孔扩张反应的下降。也就是说，熟悉房间到底是只提高答对率，还是同时让人更省力。原文把句子顺序 1 到 10 当作暴露量的刻度，在每个组块内逐句记录两个指标。

第二个问题是，上述可懂度与瞳孔的关系是否因语言熟悉程度而不同。比较对象是早沉浸、晚沉浸与非沉浸 3 组听者，语音条件是声码与非声码，房间条件是消声加两个真实房间各两个距离。

教学例子仅为例子：好比同一间教室里连听十句短句，第一句还在适应混响尾巴，第十句已熟悉尾巴形状；问题是这种熟悉对 3 组人的帮助是否一样大。例子不附带任何数值效果，所有数字判断只看后文实验条件与结果。

本节不提前断言结论。问题本身不预设声码一定压倒房间差异，也不预设晚沉浸一定适应更慢，这些都留给逐句数据检验。

用一个句子走完全流程再看整体安排

先沿一个样本走一遍。一句由数量加形容词加物品构成的三词伪句被选出，例如回答栏示例中的八加大之类组合，先决定做成非声码原声还是 8 通道噪声声码版本，再与某一房间距离对应的 31 通道房间脉冲响应卷积，经球形扬声器阵列播放在消声室中央的听者周围，听者注视十字并在刺激后用矩阵界面点选三词，同时眼动仪连续记录瞳孔，最后该句按词计分并提取该试次的瞳孔峰值扩张。

整体安排是组块呈现。5 个声学环境各成一块，每块内连续呈现 10 句同一环境的句子，块顺序在被试间平衡。每种语音类型都走完 5 个环境，共 100 个试次，每句只放 1 次且不给反馈，中间安排休息。适应分析就看块内句序 1 到 10 的变化。

房间适应 × 组块呈现： 房间适应指听者在同一混响环境中连续听几句后识别更稳或更省力的现象，组块呈现指把连续 10 句都渲染在同一声学环境里不换房间；前者是待观察的效应，后者是制造持续先验暴露的操作，二者搭配的理由是只有房间不变，先验房间信息才能被累积利用，组合后新增的作用是把句序 1 到 10 的变化直接读成对该房间的适应过程。

这种设计把房间学习与句子内容学习分开。句子是语义不可预测的随机伪句，内容不能靠猜；房间是块内不变的声学上下文，能靠暴露累积。逐句记录双指标，才能把正确率变化与代价变化拆开。

声码与空间房间再现各自负责什么？

语音材料来自简化版坎特伯雷大学听视矩阵句测试，18 词的 6 乘 3 矩阵，结构固定为数量加形容词加物品，随机生成但保持语法而语义不可预测。非声码就是未处理原声，声码用来模拟人工耳蜗处理，避免招募患者带来的神经存活等个体混淆。

声码的具体动作是：经有限冲激响应带通滤波器组分解到 400 到 7000 赫兹之间的 8 个频带，截止频率按梅尔刻度间隔；每带用希尔伯特变换提取时间包络，用包络调制白噪声载波；再用同一组带通滤波器滤波后跨通道求和得到最终声码刺激。该做法沿用前人方法，通道数与频段是原文明确给出的参数。

房间再现负责解决直输音频绕过头相关传输函数的问题。做法是先用 32 通道球形麦克风阵列在代表性环境中测房间脉冲响应，转成 4 阶球谐信号，再经空间插件解码成对应每个扬声器的 31 通道脉冲响应，与语音卷积后经 31 通道扬声器阵列在 48 千赫兹采样率下播放。被试坐在球心，头中心对准几何中心，用自己的头相关传输函数听空间声场。

声码语音 × 人工耳蜗处理： 声码语音指把语音分解到若干频带只保留时间包络再调制噪声载波后叠加的声音，人工耳蜗处理指植入装置主要传递时间包络而频谱通道有限的实际处理；前者是实验室可控的模拟信号，后者是临床对象面对的真实约束，二者搭配的理由是可以不招募人工耳蜗使用者而复现包络为主、频谱退化的听感，组合后新增的作用是让正常听力者在可比条件下测试混响与语言经验的影响。

言语可懂度 × 听努力： 言语可懂度指按词计分算出的答对比例，反映识别结果对错，听努力指为听懂而调动的认知资源，本文用瞳孔峰值扩张度量；前者只看答对几个词，后者看花多大代价才答对，二者搭配的理由是可懂度到顶时努力可能仍在变化，组合后新增的作用是可以同时判断适应是提高了正确率还是降低了代价。

沿样本的表示变化是：波形先变成 8 带包络加噪声的声码波形，再变成叠加了某房间混响与空间方向的 31 通道信号，最后变成行为的词对错与生理的瞳孔曲线。2 个组件分工清楚，声码管频谱退化，房间再现管空间混响暴露。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络模型，也没有更新声码器或识别器的参数，不存在梯度路径、优化器、冻结与解冻或早停的安排。把无训练等同于输出确定是不对的，输出仍受随机句表、房间块顺序平衡、被试状态与测量噪声影响。

实际计算过程是刺激构造与测量分析。构造侧是按固定参数做滤波、包络提取、噪声调制与房间卷积；测量侧是行为计分与瞳孔预处理加线性混合效应建模。正式实验前只有短练习让被试熟悉任务与作答界面，不属于模型训练。

原文未报告的缺项要明确指出：没有报告声码滤波器阶数与具体梅尔截止点数值，没有报告房间脉冲响应测量时的声源信号与扫频细节，没有报告混合模型中除被试随机截距外的随机斜率结构。这些缺项意味着复现时只能按文字步骤重做，不能推定与原文完全相同的数值实现。

本节承担的方法职责因此是讲清调用与计算：调用已有矩阵句表、已有声码流程、已有空间解码插件与眼动设备，计算的是逐词正确率与逐试次瞳孔峰值扩张及其随句序的统计趋势。

房间、距离、试次与瞳孔记录是如何对齐的？

声学环境共 5 种：消声基线加研讨室 2 米、教堂 2 米、研讨室 5 米、教堂 5 米。研讨室与教堂在体积、混响时间与清晰度指数上拉开差距，距离再改变直达混响比。先提出比较问题：在语音退化程度相同且块内房间不变时，不同混响与距离是否改变可懂度起点与适应斜率，指标方向是答对比例越高越好，瞳孔峰值扩张越低越省力，公平条件是同组块内同语音类型只变句序。

上表整理自原文房间参数表，单位按原文表头为立方米、秒与分贝，表中数字为裸值不另加百分号。表后解释是：教堂体积更大混响更长，清晰度更低，5 米比 2 米更难；这种由易到难的梯度让后文逐句曲线有可比的起点差异，但原文也报告声码退化对可懂度的影响可能大于房间之间的差异，具体需结合结果曲线判断，不能只看房间参数就断言难度排序必然对应组间差异。

混响时间 × 语音清晰度指数： 混响时间指声音衰减 60 分贝所需时间，反映房间拖尾长短，语音清晰度指数指早期与后期声能比，反映音节边界和调制保留程度；前者看衰减快慢，后者直接关联可懂度，二者搭配的理由是单看混响时间不能确定听者位置上的直达混响比，组合后新增的作用是用研讨室与教堂在 2 米和 5 米上的参数差构造出由易到难的声学梯度。

呈现与记录的对齐如下。扬声器校准到 60 分贝 A 计权，环境照度恒定并测得 80 勒克斯，屏幕亮度与环境光全程不变以避免光反射主导瞳孔。眼动仪为 Tobii Pro Spark，采样率 60 赫兹，距被试约 60 厘米，实验前校准。每试次先呈现注视十字，被试在 2 秒刺激前静默期与句子呈现期间保持注视，瞳孔从试次开始连续记录到作答开始，刺激后经图形界面作答。

以下导读针对本次收到的第一张原图像素，图注说明试次序列从注视十字加静默再到听觉刺激，以及作答界面的视图。读图前先确认左右两面板的对象与时间范围，避免把瞳孔单试次曲线误读成平均趋势。

看图路径： 1. 先看左图横轴时间 0 到 6 秒与纵轴瞳孔直径，确认基线静默段与句子呈现段的分界；2. 再看基线标注位置与波形示意，确认瞳孔基线取自刺激前静默期；3. 最后看右图矩阵按键布局与下方答案显示，确认被试按数量加形容词加物品三词作答

论文图 1。原论文 Figure 1：“Experiment setup (a) Trial sequence: Each trial begins with a fixation cross (+ sign), followed by a silent period and the presentation of an auditory stimulus.”。

该图左面板横轴为时间秒，纵轴为瞳孔直径毫米，曲线展示单试次瞳孔随时间的起伏，下方标出基线静默段与句子呈现段，波形示意标出句子出现位置；右面板为矩阵作答界面，可见播放键、三列词按钮与下方答案与保存键。教学价值是把基线校正与分析窗口落在可见时间轴上：基线取自刺激前静默，峰值在句子呈现 onset 到 offset 之间取最大，作答是三词点选而非口头复述。

可懂度随句序如何变，三组是否同向？

计分按词逐词计分，每句答对词数归一化到 0 到 1 记为答对比例。统计用 R 中线性混合效应模型，被试编号为随机截距，固定效应包括声学环境、语音类型、听者组与块内句序 1 到 10，交互项经似然比检验在显著改善拟合时加入，事后两两比较用估计边际均值包并用图基法校正。

以下导读针对本次收到的第二张原图像素，该图为模型预测的答对比例随句序的变化，面板按语音类型与听者组划分，颜色区分声学环境。读图前先确认上下行分别为非声码与声码，横轴为句序，纵轴为预测答对比例，避免把不同行的纵轴范围混为一谈。

看图路径： 1. 先按上下行区分非声码行与声码行，确认纵轴为模型预测的答对比例；2. 再按横轴句序 1 到 10 看每列房间内曲线的起伏，比较声码行波动是否大于非声码行；3. 最后比较同格内红绿蓝三组线的高低，确认早沉浸是否多位于上方而组间走势是否同向

论文图 2。原论文 Figure 2：“Predicted proportion correct as a function of sen- tence order.”。

该图可见内容是：上行非声码各格曲线紧贴顶部接近天花板，随句序几乎平直，留给提升的空间很小；下行声码各格曲线位置明显更低且随句序上下起伏，不同房间列的起点与波动幅度不同；同格内 3 组线多为红线早沉浸在上、蓝线非沉浸在下、绿线晚沉浸居中，但三线起伏方向大体同向。原文报告的统计支持是环境与语音类型与句序的三向交互显著，语音类型与沉浸组的交互显著，而涉及沉浸组与句序的交互不显著，含义是适应变化的模式在各沉浸组间可比。

为核对被试与统计证据，先提出比较问题：在样本量与年龄分布如原文的条件下，组间起点差异是否掩盖适应斜率差异，公平条件是同语音同房间只看句序趋势，指标方向是答对比例越高越好。

上表数字来自原文被试段落，年龄后标准差原文分别为 5.7、6.7 与 4.8 岁，总样本 51 人年龄范围 24 到 41 岁。表后解释是：主要收益是分组梯度清楚，可直接检验语言经验的影响；具体代价与反例是晚沉浸组平均年龄更大，年龄与语言经验存在混淆，且非声码天花板效应限制了可观察的适应，未胜出项是沉浸组与句序无显著交互，说明不能把声码下的组间起点差异读成适应速度差异。

重提结果时增加的适用条件是：声码下听者更依赖先验声学上下文，房间差异在声码下更可见；非声码接近天花板时，句序曲线平直不代表没有适应，而是测量窗口不敏感。

把语音变差后，瞳孔代价是否也随句序下降？

瞳孔预处理按前人流程：偏离试次均值 3 毫米标准差的点判为眨眼，眨眼前约 80 毫秒到眨眼后 150 毫秒做线性插值，经 117 毫秒对称矩形窗滑动平均去高频伪迹，再平均左右眼。基线校正减去 2 秒刺激前静默期的均值瞳孔直径，再按个体瞳孔范围归一化，上下限取句子 onset 后 2.5 秒内数据点的 0.025 与 0.975 分位数，减下限后除以动态范围。峰值扩张取句子 onset 到刺激 offset 窗口内基线校正后瞳孔直径的最大值。

为组织失败条件与反证，先提出比较问题：在声码与非声码、不同房间下，瞳孔峰值扩张是否都随句序下降，公平条件是同组同环境只变句序，指标方向是扩张越小越省力。原文报告语音类型与组的双向交互显著，环境与语音类型的双向交互显著，含义是努力同时受处理条件与房间影响，声码一般诱发更大扩张。

以下导读针对本次收到的第三张原图像素，该图为瞳孔峰值扩张随句序的变化，面板划分与前图对应。读图前先确认纵轴为预测的瞳孔峰值扩张，横轴仍为句序，避免把纵轴下降直接读成性能变差，它在这里表示更省力。

看图路径： 1. 先按上下行区分非声码与声码，确认纵轴为预测的瞳孔峰值扩张且声码行整体更高；2. 再沿横轴句序 1 到 10 看每格曲线是否总体向下倾斜；3. 最后比较同格内三组线的相对位置，确认绿线晚沉浸是否多位于下方而下降趋势是否各组同在

论文图 3。原论文 Figure 3：“PPD as a function of sentence order under blocked presentation.”。

该图可见内容是：下行声码整体高于上行非声码，说明退化语音需要更多认知资源；各格曲线多随句序轻微下倾，而非陡峭下降；同格内 3 组线存在高低差异，晚沉浸绿线在声码行多位于下方，但下降方向各组大体一致。原文明确指出涉及句序的交互未被观察到，因此努力的下降是跨组、跨环境与跨语音类型的总体趋势，不能推广为每组每步都单调下降。

未胜出项与边界是：瞳孔组间绝对高低不能直接读成努力能力排序，因为基线归一化与个体动态范围、年龄与语言策略都可能影响幅值；房间对努力的影响在声码下更明显，非声码下房间差异较小，这与可懂度侧声码放大房间差异的结论相互印证。

哪些结论是报告，哪些还只是可能？

论文直接报告的是：声码显著降低可懂度；非声码接近天花板而声码随房间与句序波动更大；沉浸组与语音类型的交互显著；瞳孔峰值扩张在声码下更大并随句序总体下降；沉浸组与句序的交互不显著。用报告与显示表达这些有统计与曲线支持的判断。

有限解释的是：晚沉浸在声码下起点更低可能反映第二语言加退化的双重负担，但年龄混淆与样本量限制使因果不能坐实，只能说数据支持语言经验影响声码识别水平。用支持表达这种有对照但非因果的判断。

未验证推测用可能与待验证表达。例如房间适应机制在不同沉浸背景下同样运作，只是本文范式与指标下未发现差异，不等于神经机制相同；瞳孔下降代表熟悉房间后更有效率，但未测量误判类型、反应时、延迟或长期保持，不能承诺这些量同步改善。

缺失证据不是技术错误。原文未测量真实人工耳蜗使用者，未改变混响之外的噪声与多人掩蔽，未测试非组块频繁换房间的对照，因此不能把组块内句序变化直接等同于组块优于非组块的经典房间适应效应量。相关性不是因果，组间起点差异也不能读成适应能力差异。

为核对统计口径，整理原文报告的交互检验，单位与自由度保留原文写法，比较对象是不同固定效应组合，指标方向是卡方越大越偏离无交互假设。

上表卡方值与自由度来自原文结果段落的逐字连续句，显著性阈值按原文小于 0.001 报告。表后解释是：主要收益是双指标都有显著的结构化交互而非随机波动；具体代价是原文未给出效应量与逐格事后差异的完整数值，不能据此计算每房间每组的提升百分点，涉及句序与沉浸组的交互不显著这一阴性结果同样重要，它限定了适应同向结论的边界。

要复现这套方法，先做什么再做什么？

先准备语音与被试条件。按原文用三词矩阵句，数量加形容词加物品，语义不可预测；被试按新西兰英语暴露史分成早沉浸 13 岁前、晚沉浸超两年日常用英语、非沉浸不足一年三档，记录年龄与第一语言，总试次 100，每环境每语音 10 句。

再做声码与房间。声码固定 8 带 400 到 7000 赫兹梅尔间隔、希尔伯特包络、白噪声载波、同组滤波后求和；房间用研讨室与教堂两房间各 2 米 5 米加消声，共五环境，房间脉冲响应经 4 阶球谐与空间插件解码成 31 通道，在 48 千赫兹下与语音卷积，经 31 通道扬声器在 60 分贝 A 计权下播放，被试坐球心，照度 80 勒克斯恒定，眼动 60 赫兹校准后记录。

然后跑组块流程。每试次注视十字加 2 秒静默再放一句，瞳孔连续记录到作答开始，界面三词点选，每句 1 次无反馈，块内 10 句同环境，块顺序被试间平衡。计分逐词归一化到 0 到 1，瞳孔按眨眼插值、117 毫秒平滑、左右眼平均、减 2 秒基线、按 0.025 与 0.975 分位数归一化，取 onset 到 offset 窗口最大值。统计用被试随机截距的线性混合效应模型，固定效应含环境、语音、组与句序，交互经似然比检验加入，事后用估计边际均值加图基校正。

资源状态说明：本次收到的证据中没有来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码模型或数据已公开。复现需自备矩阵句表、房间脉冲响应测量与空间解码链路，不能假设下载即运行。

还需补的验证是：补非组块对照以估计经典组块收益；补噪声与多说话人条件以测试推广；补年龄匹配或协变量分析以分离语言经验与年龄；补完整效应量与逐格均值误差以支持功效判断。

何时值得借用这套双指标组块法？

当研究问题是退化语音在固定房间里听久了是否又准又省力，且怀疑语言经验只影响起点不影响适应斜率时，值得借用本文做法。适用条件是语音内容不可预测、房间块内不变、双指标逐句记录、被试语言背景成梯度。

不适用时不要硬套。若可懂度已到天花板，逐句正确率看不到适应，应换更难的信噪比或更长的混响梯度，或主要看瞳孔与反应时；若频繁换房间才是实际场景，应加非组块对照，否则不能把块内下降直接说成房间切换的代价。

对初学者的操作建议是：先复现声码 8 带与 31 通道卷积播放链路，再跑小样本组块预实验检查非声码是否顶穿天花板，最后再引入 3 组比较与瞳孔归一化。每一步保留块顺序、句表随机种子与照度校准记录，否则组间与房间差异无法归因。

回到中心矛盾：声码退化压倒了房间差异，沉浸年龄影响了声码下的识别水平，但适应变化的走向在各组间相近，努力也随熟悉而总体下降。这意味着帮助第二语言人工耳蜗相关人群时，稳定声学环境与持续暴露仍可能同时改善正确率与代价，但具体收益需在更难、更真实的噪声与换房间条件下继续验证。

⚖️ 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