把八度跳变当作时钟：用基频不稳定性定位嘎裂嗓起点

英文题目：Automatic identification of the onset of creaky voice according to F0 instability

会议身份：conference:interspeech:2026:conference-paper-id:puggaardrode26_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：#软件工具 #信号处理 #发声与构音 #语音 #音频事件检测

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 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 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Rasmus Puggaard-Rode：机构信息未能从会议 PDF 纯文本可靠映射
• Joshua Penney：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该任务输入为含模态到嘎吱过渡的音节波形与元音区间，输出为嘎吱起点时刻以测算嘎吱时长与元音占比，难点在于过渡短促且存在性检测无法定位边界。该链条先用REAPER估计声门闭合时刻与F0轨迹并以Praat均方根振幅峰后限定搜索窗，限定后的窗内信号进入差分检测。接着计算F0一阶差分并取峰值导数80%处首帧为候选，该候选帧号送入时刻对齐步骤。最后将候选映射到最邻近声门闭合时刻作为起点并自动输出TextGrid与诊断图供核查。与惩罚八度跳变的Praat式跟踪不同，该方法以不惩罚跳变的自相关加动态规划保留真实周期倍增，并以导数峰值前沿捕捉起始而非滞后峰值。原文未提供可核对的关键定量结果。该结论适用边界受限于词尾/t/喉化前模态到嘎吱单向起点，词首与裂隙语境偏移方向及其他嘎吱亚型尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://github.com/google/REAPER — 链接可访问（HTTP 200） 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

为什么要定位嘎裂起点而不只是判断有没有嘎裂？

输入是连续语音研究中常见的需求。研究者已经知道某些音节尾部带有嘎裂，想要知道嘎裂从哪 1 毫秒开始，以便计算嘎裂持续了多久、占元音多大比例。目标不是二分类，而是时间点估计。必须保留的信息是任务边界：本文只处理从常态嗓到嘎裂嗓的起始转变，且评估数据是已知含有嘎裂的澳大利亚英语单音节词。输出是一个时间戳，可以换算成嘎裂时长和声门化元音比。

嘎裂嗓用白话说就是嗓音听起来发紧、发涩、低沉且不规则，对应英文是 creaky voice，常伴随基频低且不规则、声门紧缩和单个声门脉冲阻尼。基频用白话说就是声带每秒振动多少次，对应英文是 fundamental frequency，缩写为 F0，后文统一简称基频。初学者容易把基频曲线上的跳变都当作算法错误。但本文抓住的矛盾是：在常态转嘎裂处，跳变可能是真实生理变化的反映，而不是单纯的跟踪误差。

嘎裂嗓 × 基频： 嘎裂嗓负责描述声门紧缩、脉冲阻尼和周期不规则的非模态发声状态，基频负责把相邻声门闭合时刻的时间间隔换算成每秒振动次数；两者搭配的理由是多数嘎裂子类型伴随基频骤降或倍频半频变化，组合意义是把听辨上主观的嗓音质变转化为基频轨迹上可计算的不稳定性。

已有自动工具大多回答窗口内是否可能含有嘎裂，适用于比较不同人群嘎裂发生率或剔除嘎裂后做语调分析。但论文指出，这类工具常漏掉短促嘎裂，也给不出转变点位置。对于节段性嘎裂，例如清塞音前元音尾部只有几十毫秒的嘎裂，研究者需要精确到脉冲级别的起点，才能讨论其作为尾辅音清浊线索的时长模式。这就是本文把问题限定为起点定位的原因。 教学例子是：想象一段元音波形前半规则、后半突然拉长周期并伴随振幅不规则。

人工标注会看波形加语图找周期突然变长且振幅不规则处，自动方法则要在基频轨迹上找到对应的第一个大不稳定点。这个例子只说明任务形态，不承诺任何数值效果。

已有路线能做什么，不能给出什么？

同输入同目标的直接前作是缺失的。论文明确表示，据作者所知，此前没有专门自动定位模态到嘎裂转变点的工具，现有方法若能做也做不好。这是一个重要边界：不能把存在性检测器的输出阈值直接当作起点。同运行阶段的对照是 3 类存在性检测：基于基频的方法、基于多声学特征的方法，以及组合工具。它们在相同语音输入下输出窗级概率或二值判断，监督来源是人工判断窗内有无嘎裂，运行阶段是离线批量处理。

它们的一致性优点是标准统一、速度快，但对短促或边界样本仍需人工检查。 同监督但不同目标的另一条线是基频比值法。灵感来源是首尔韩语紧音和丹麦语 stød 研究，用元音前三分之一与后三分之一的基频比值捕捉音节内部的八度跳变，以分类依赖嗓音质变的音位对立。该方法的输入也是音节内基频，目标是分类而非定位。本文继承其洞察，即音系性嘎裂常涉及八度跳变，但把比值压缩为单个时间点：寻找跳变发生的精确时刻。

信号处理路线的选择也与基频跟踪器的设计差异有关。Praat 的自相关法按帧估计瞬时基频并默认惩罚八度跳变，可以关闭惩罚但默认行为会抹平转变。REAPER 则用自相关加动态规划先估计声门闭合时刻，再由闭合间隔算基频，关键是不惩罚八度跳变，且在病理和非模态语音上已有较好表现报告。这解释了为什么本文不直接在 Praat 基频上找导数，而是调用 REAPER。理解这一点才能复述方法：不是任意基频跟踪器加阈值都等价，是否允许跳变保留是前提条件。

任务的形式化输入输出与成功标准是什么？

沿一个样本走完全程有助于固定概念。输入是一个单音节/hVt/孤立词录音，其中 V 是 7 个元音之一，T 是清塞音/t/。表示是两条时间序列：一条是 REAPER 输出的逐帧基频与离散的声门闭合时刻序列，另一条是 Praat 输出的均方根振幅包络。组件是搜索窗约束加导数阈值加最近闭合时刻映射。目标是输出一个时间戳作为嘎裂起点。

输出可进一步换算为嘎裂时长，即从起点到元音结束的毫秒数，以及声门化元音比，即嘎裂时长除以元音时长。 成功标准在论文中是双层的。第一层是与人工标注的一致性，用分布形态、散点相关和组内相关系数衡量，方向是越高越一致，但论文不把人工当作完美金标准。第二层是功能等价性，即把人工起点和自动起点分别代入相同的语言学混合效应模型，看是否得出相同的元音效应结论。

这比单纯报告误差毫秒数更贴近实际用途：方法要能支撑原来的语言学问题。 需要明确的非目标是：本文不判断该音节是否含有嘎裂，所有评估样本已由前人研究判定含有声门化。也不处理从嘎裂回到常态的偏移点，只处理从左向右的起始点。不承诺在其他来源的嘎裂上同样有效，例如韵律边界处的长时嘎裂或词首元音的声门化。

方法全景：三步如何从波形走到时间戳？

全景分为 3 步。第一步是用默认参数对相关音节做基频跟踪和声门闭合时刻估计，同时用 Praat 估计均方根振幅。第二步是把搜索起点限制在振幅峰之后，以排除词首/h/引起的头部不稳定。第 3 步是计算基频时间序列的 1 阶差分，即滞后 1 帧的导数，找到峰值导数的 80% 处对应的第一个帧，再取距离该帧最近的声门闭合时刻作为起点。

声门闭合时刻 × 八度跳变： 声门闭合时刻负责给出每个振动周期的时间锚点，八度跳变负责标记相邻帧基频估计值发生近似翻倍或减半的突变；搭配理由是嘎裂起始处振动速率在脉冲之间真实改变而 REAPER 又不惩罚这种跳变，组合意义是把跳变时刻最近的闭合时刻直接当作嘎裂起点。

为什么用峰值导数的 80% 而不是峰值本身？论文的经验观察是峰值导数本身常出现在嘎裂段内部但略晚于起始处，因此回退到首次达到峰值 80% 的帧更接近转变沿。这种启发式不依赖训练，只依赖排序和阈值，计算量主要在 REAPER 解码和 Praat 振幅提取。实现载体是 R 函数，可处理单个文件或批量目录，可基于已有 TextGrid 搜索窗或整文件运行，可选输出带预测起点的新 TextGrid 和诊断图。 下图是诊断图的典型一致案例，上为基频导数随时间变化，下为波形加 REAPER 预测的闭合时刻，蓝色为自动起点，红色为人工起点，阅读时先看导数尖峰再看波形转折，这个对应关系是理解全景的关键。

看图路径： 1. 先看上方面板横轴时间与纵轴基频导数的量级，确认大尖峰出现的位置；2. 再看下方面板波形由规则周期振动变为不规则低幅振动的转折处；3. 核对蓝色自动线与红色人工线是否落在同一脉冲附近

论文图 2。原论文 Figure 1：“Example diagnostic plot, showing F0 derivative over time (top) and waveform with REAPER-predicted GCIs (bot- tom), indicating automatic (blue) and human-labelled (red) creak onset.”。

该图显示的教学价值在于建立对应关系：上方面板在约 0.88 秒处出现陡峭导数尖峰，下方面板在同一时刻波形从规则高幅周期振动进入低幅不规则振动，蓝色自动线紧贴尖峰上升沿。图中早期约 0.68 秒处另有一个小导数突起，对应波形起始段，这正是振幅峰约束要排除的头部干扰。理解这张图就理解了方法的核心假设：尾部最大不稳定性对应可听的质变点，头部不稳定性应被显式屏蔽。

每个组件算什么，参数如何固定？

REAPER 组件的输入是音频采样点，输出是每 5 毫秒 1 帧的基频值和离散闭合时刻。原文明确给出调用条件为默认设置，即基频下限 40、上限 500 赫兹、窗移 5 毫秒。振幅组件的输入是同一音频，输出是均方根振幅包络，条件为 Praat 默认 32 毫秒窗长、8 毫秒窗移。搜索窗组件的输入是振幅包络，操作是只保留振幅峰之后的部分，理由是本数据头部/h/导致的不稳定较常见。导数组件的输入是基频序列，操作是滞后 1 帧求差分，阈值是峰值导数的 80%，取首次达到者。映射组件的输入是该帧时间，操作是找时间上最近的声门闭合时刻。

基频导数 × 均方根振幅峰： 基频导数负责量化基频随时间的瞬时变化率并放大突变，均方根振幅峰负责标定元音能量最高点并截断其之前的搜索区间；搭配理由是词首擦音附近也常出现与尾部嘎裂无关的基频不稳定，组合意义是用能量约束先排除头部干扰再让导数阈值只在尾部寻找第一个大跳变。

下图展示自动法比人工标注提前一至两个脉冲但难以判定优劣的案例，是理解系统性偏差的关键，阅读时应同时对照导数尖峰高度与波形转折位置。

看图路径： 1. 观察上方面板在 1.13 秒附近高达约 80 赫兹的导数尖峰形态；2. 比较下方面板蓝色自动线比红色人工线提前一至两个脉冲；3. 检查转折前后波形包络与脉冲间隔是否已经发生变化

论文图 3。原论文 Figure 2：“Example diagnostic plot (see description of Figure 1).”。

该图的像素细节值得逐步核对。上方面板导数尖峰高达约 80 赫兹，远高于基线波动，蓝色自动线位于尖峰上升沿，红色人工线位于尖峰右侧约一个脉冲之后。下方面板波形在蓝线处已可见周期拉长和振幅起伏，红线处不规则更明显。初学者应注意：提前不等于错误，因为人工依据周期突然变长加振幅不规则的主观阈值，而自动依据导数首次达到大峰 80%，两者对渐变起始的定义本就差一两个周期。论文也据此提醒，不能把人工无条件当作金标准。

本研究训练了什么，没有训练什么？

本研究没有训练任何神经网络，也没有拟合分类器权重，没有梯度路径、优化器、训练轮数或验证集早停。必须明确说明的缺项是：80% 阈值不是通过交叉验证搜索得到的最优超参数报告，论文只陈述采用该值且观察到峰值本身偏晚，未报告阈值消融曲线。振幅窗长窗移沿用 Praat 默认，未报告调参过程。因此不能把该方法描述为学习得到阈值，也不能从参数冻结推定输出确定，因为 REAPER 内部动态规划仍依赖信号。 实际计算过程是确定性信号处理加规则决策。

调用的是已有 REAPER 可执行程序和 Praat 振幅提取，均以固定参数推理。标注来源是前人研究的人工起点，仅用于评估和诊断图对比，不用于更新任何参数。重置时机不适用，因为无状态学习。搜索过程是从左向右线性扫描导数序列找首次达标帧，复杂度与帧数线性相关。R 函数承担批量调度和结果回写，不引入随机性报告。

复现者应把精力放在环境配置而非调参：保证 REAPER 版本、帧移、基频上下限与振幅参数一致，才能得到可比的时间戳。论文未报告训练耗时与硬件预算，因为不存在训练阶段。推理开销也未量化，只能定性说核心信号处理快速且代码简单、失败易排查，不能承诺延迟或成本改善。

数据、划分与指标如何保证比较公平？

数据来源是 AusTalk 澳大利亚英语语料，采集覆盖多地区、年龄和社会背景的高质量录音，包含受控和半受控条件。评估子集沿用前人关于尾辅音清浊线索的研究，原始规模为 67 位发音人的 2427 个/hVt/与/hVd/单音节孤立词，元音覆盖 7 个目标。当前分析只取其中年轻组且被判定含有声门化即嘎裂的全部/hVt/条目，共 474 条，由 36 位 18 至 35 岁悉尼地区发音人产生，其中女性 17 位、男性 19 位。这种构造意味着评估是有条件的起点误差测量，而非包含阴性样本的检测评估，不能据此计算误报率或漏检率。

比较协议保持标注外条件一致。人工起点定义为波形加语图上声门周期突然变长且伴随振幅不规则处；自动起点定义为上述导数加闭合时刻规则输出。两者共享同一个元音结束边界，由此算出嘎裂时长和声门化元音比。指标包括分布比较、散点回归趋势、双向单测组内相关系数，以及把两种来源的声门化元音比分别作为因变量的线性混合效应模型。

模型结构照搬前人但去掉年龄组，固定效应为性别加元音及其交互，随机效应为按发音人的截距。 下表把数据规模与调用参数放在同一视图，便于核对复现条件，表中数字与单位保留原文写法，裸值不擅自添加百分号，比较时注意区分全集与子集口径。

上述比较问题的公平条件是：自动与人工共享音频、元音边界和后续统计模型，指标方向是分布越重合、相关越高、模型结论越一致则越支持功能等价。

表后需要强调代价：子集排除了/hVd/和无嘎裂样本，因此无法评价方法在无嘎裂音频上是否会虚报起点。年轻组悉尼样本限制了口音与年龄外推，振幅峰约束针对/h/开头优化，换到元音开头或无/h/材料时需重新设计搜索窗，否则头部与尾部的定义都会偏移。

自动标注与人工标注在多大程度上一致？

主结果显示两者大体相似但有系统性差异。分布上多数观测集中在 25 至 75 毫秒，高时长区拖尾，自动法在顶端略长。散点显示正线性关联，人工越长自动也越长，但在高时长区分散增大。组内相关系数为 0.768，置信区间为 0.712 至 0.813，F 检验显著大于零，按常用指南属于良好但未达优秀的 0.90 门槛。论文据此表述为实质性但不完美的一致。

嘎裂时长 × 声门化元音比： 嘎裂时长负责记录从嘎裂起点到元音结束的绝对毫秒数，声门化元音比负责把该时长除以元音总时长得到比例；搭配理由是绝对时长受语速和元音固有长度影响而比例更能比较长短元音，组合意义是同时检验两种标注在分布形态和语言学建模结论上是否功能等价。

下图是散点相关的像素级证据，横轴为人工时长，纵轴为自动时长，黑线为拟合回归线加置信带，阅读时先看整体走向再看离散程度。

看图路径： 1. 先确认横轴为人工时长纵轴为自动时长以及回归线走向；2. 再观察中低时长区点群紧贴回归线而高时长区分散增大；3. 找出远离回归线的少数离群点并记住其偏离方向

论文图 5。原论文 Figure 4：“Correlation between creak durations (in ms) derived from human and automatic annotation.”。

从像素看，中低时长区点群密集贴合回归线，说明典型短促节段性嘎裂的起点分歧较小。右上高时长区点仍沿回归线上升但上下散布可达数十毫秒，左上与右下各有少数远离回归线的离群点，提示长时嘎裂内部可能存在多处不稳定，首次达标与人工感知的最显著转折不一定是同一处。还有一个低于零毫秒的明显错误点已在分析前剔除，原因是元音结束后仍有残余周期性被当作候选，这直接暴露了搜索窗右边界仅靠振幅峰约束而不设右截断的风险。

语言学建模的功能等价性是更强的证据。两种来源的声门化元音比模型均显示元音主效应显著，自动模型的卡方为 97.6，人工为 70.8，自由度均为 6，性别及交互均不显著。两两比较均显示所有短元音与所有长元音之间差异显著，而长短组内多无差异，唯一例外是自动模型中/I/与/5/之间达到 0.046 显著而人工模型中方向相同但未达显著。这支持论文判断：用自动起点替换人工起点不会改变短元音占比更高的核心结论，但边界显著性可能轻微晃动，研究者应对临界 p 值保持谨慎。

哪些对照说明收益与代价，失败条件是什么？

论文没有神经网络消融，但提供了 3 类论文特有的对照细节，可视为功能性消融。第一是分布对照：小提琴图比较自动与人工时长的整体形状，若方法完全失效，应看到峰位错开或形态迥异，而实际是双峰宽度峰均在 40 毫秒附近且拖尾相似，说明阈值选择抓住了主体。第二是模型对照：同一混合模型分别拟合两种标注，若起点系统性偏差改变语言学结论，应看到主效应消失或组间模式翻转，而实际是元音效应保留且预测均值走向一致。

第三是诊断图人工复核：逐例检查导数尖峰与波形转折，确认提前一两个脉冲是定义差异而非完全错位。 下图的小提琴图是分布对照的核心证据，左侧为自动法红色分布，右侧为人工法青色分布，纵轴为时长毫秒数，阅读时先比较峰宽位置再看拖尾与离群点。

看图路径： 1. 比较左侧自动法与右侧人工法小提琴图的宽度峰值位置是否重合；2. 核对纵轴时长毫秒数在 25 至 75 毫秒区间的聚集形态是否一致；3. 寻找自动法底部接近或低于零毫秒的异常点并记录其含义

论文图 1。原论文 Figure 3：“Violin plots showing the distribution of creak dura- tions based on the automatic method and human annotations.”。

该小提琴图的像素细节支持上述判断：两侧主体宽度峰都位于约 35 至 50 毫秒区间，点群在 25 至 75 毫秒最密集，上方拖尾延伸至约 150 毫秒形态相似。左侧自动法底部出现一个接近或低于零的离群点，正是论文报告剔除的残余周期性错误。右侧人工法底部最低约 10 毫秒，无负值。自动法顶部离散点略多，呼应自动时长系统性偏长的描述，但整体并未出现峰位错开，因此可判断为偏差而非失效。

下表把关键定量结果与基线放在同一视图，基线即人工标注，策略即自动方法，指标方向是相关越高、模型卡方显著且结论一致则越支持可用。

表后解释必须同时讲收益与反例。收益是无需训练即可批量输出脉冲级时间戳，且标准一致、可诊断。

代价是系统性偏早导致时长系统性偏长，高时长区误差放大，以及残余周期性可引发灾难性负值。未胜出项是优秀门槛：0.768 未达 0.90，说明不能宣称与人工可互换。未评测边界包括无嘎裂音频的虚报率、嘎裂偏移点定位、以及其他口音与韵律性嘎裂，这些在当前 474 样本设计下都无法回答。

方法的适用边界与已知风险在哪里？

第一个边界是音系来源单一。验证只覆盖与/t/声门化共现的节段性尾部嘎裂，这类嘎裂短促且紧贴元音末端，振幅峰后搜索的假设与之绑定。对于声门塞音实现、元音间裂隙、短语末韵律性嘎裂或声调语言低调伴随的嘎裂，基频不稳定的形态与能量轮廓可能不同，论文明确表示泛化能力待验证。第二个边界是方向单一。当前是从左向右找起始点，论文预期从右向左扫描可扩展到偏移点，但未实现也未评估，不能把起始阈值直接反用。

第三个边界是搜索窗的脆弱性。振幅峰后约束在本数据是必要调整，但对其他研究问题可能不适用，未来需做成可配置。

存在性检测 × 起点定位： 存在性检测负责判断一段窗内是否含有嘎裂，起点定位负责给出模态到嘎裂转变的精确时间点；搭配理由是前者已有多声学特征工具但对短促节段性嘎裂和边界不敏感，组合意义是本文方法定位为补充而非替代，即在已知含有嘎裂的音节内补上转变点。

风险还包括对人工标准的过度信任与不信任之间的平衡。论文的诊断图表明，有时自动法可能更接近真实转折，因此把人工当作金标准计算毫秒误差会低估自动法。但另一方面，自动法偏早一两个脉冲是系统性的，若下游分析对绝对时长极敏感，例如比较毫秒级时长的组间差异，系统偏差可能被放大为效应量偏差。复现者应同时报告原始时长与比例，并在附录保留诊断图抽查，而不是只报告相关系数。

右边界缺失已导致一个残余周期性错误，修复思路是按振幅或元音边界截断，但原文只提出方向未给出新阈值。训练资源与推理开销方面，论文未给出计时与硬件预算，只能定性说核心信号处理快速且代码简单、失败易排查，不能承诺延迟或成本改善。总体趋势不等于每组都成立，高时长组的离散明显大于低时长组。

复现先做什么，需要哪些信息条件？

先准备音频与标注。获取 AusTalk 子集或自备/hVt/孤立词录音，确保有元音边界标注，若用 TextGrid 搜索窗则格式需与 rPraat 兼容。安装 REAPER 与 Praat 及 R 依赖，包括 irr、lme4、emmeans 和 rPraat，REAPER 第三方仓库在本次核查中显示当前可用，状态码为 200。按原文冻结参数运行：REAPER 基频下限 40 赫兹、上限 500 赫兹、窗移 5 毫秒，Praat 均方根振幅窗长 32 毫秒、窗移 8 毫秒。 再运行 R 函数得到起点。

对每个文件计算基频导数，取峰值导数的 80% 为阈值，从振幅峰后首次达标帧映射到最近声门闭合时刻，生成新 TextGrid 与诊断图。先抽查两类图：一类是自动与人工几乎重合，另一类是相差一两个脉冲，确认分歧是否落在渐变沿上。换算嘎裂时长与声门化元音比时，注意剔除负时长或超出元音边界的异常点并记录剔除数。 还需补的验证至少包括：在无嘎裂/hVd/样本上运行以估计虚报率。在另一口音或另一嘎裂功能上测试阈值稳定性。

尝试为搜索窗增加右边界并报告对离群点的影响。对临界显著的两两比较做自举或贝叶斯复核。区分代码开源、权重下载与系统可运行：本文属于代码开源加第三方工具可运行，无模型权重下载问题，但跨平台编译 REAPER 与 Praat 版本差异仍可能改变帧对齐，需记录版本号。

何时值得尝试这个方法，如何一句话记住它？

当研究问题已确定样本含有尾部节段性嘎裂，且需要脉冲级起点以计算时长或比例时，该方法值得作为第一遍自动标注。它把令人头疼的八度跳变从噪声重新定义为信号，用不惩罚跳变的跟踪器保留转折，再用导数阈值与能量约束定位转折沿。适用条件是单音节尾部嘎裂、头部有/h/或类似干扰需屏蔽、有可靠元音结束边界。不适用条件是需要先判断有无嘎裂、需要定位偏移点、或处理长时韵律性嘎裂。 常见误解需要澄清。

第一，基频跳变不等于跟踪错误，在嘎裂处可能是振动速率真实翻倍或减半，惩罚跳变的跟踪器会抹掉证据。第二，自动与人工高相关不等于可互换，0.768 的良好水平仍留有系统偏差，下游应同时看分布与模型结论。第三，无训练不等于无假设，振幅峰约束与 80% 阈值都是强假设，换数据时最先要复查的就是这两处。记住一句话：先用能量峰排除头部，再用基频导数抓住尾部第一个大跳变，并把该时刻对齐到最近的声门脉冲。

⚖️ 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