英文题目：Should Robots Sound more like Machines than like Humans? User Expectations Affect the Perception of Prosody in TTS Voices
会议身份：
conference:interspeech:2026:conference-paper-id:shim26_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：#主观评测 #韵律 #言语感知 #语音 #语音可懂度评估
评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 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 0.5/1.5
排名：前50% | 文档类型：应用研究
👥 作者与机构
- Ha Eun Shim：机构信息未能从会议 PDF 纯文本可靠映射
- Paige Tuttösí：机构信息未能从会议 PDF 纯文本可靠映射
- Olivia Yung：机构信息未能从会议 PDF 纯文本可靠映射
- Ivan Fong：机构信息未能从会议 PDF 纯文本可靠映射
- Sara Ng：机构信息未能从会议 PDF 纯文本可靠映射
- Angelica Lim：机构信息未能从会议 PDF 纯文本可靠映射
- Yue Wang：机构信息未能从会议 PDF 纯文本可靠映射
- H. Henny Yeung：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该研究处理文本到语音在句法歧义句中的韵律可懂度问题，输入为词序列相同但逗号边界不同的正字法文本，输出为听者对目标图像的匹配判断，难点在于开源TTS的逗号对比微弱且易被漏检。方法链第一环用女性母语者朗读的对比性目标韵律形式微调Matcha-TTS以强化逗号对比，得到拟人情感基线并作为后续操控的统一源头。第二环经由韵律操控与音质操控分别派生降低音高变化的单调变体与改变音色的机器味变体，第三环将单嗓音暴露的机器人训练式图片匹配与MOS-X2问卷串联以分离客观理解与主观评价。相比以往把自然度与可懂度分开评分的设计，该工作把指数特征视作期望启动子而非装饰性音色，从而检验嗓音身份预期对边界感知的影响。在机器人训练式图片匹配任务条件下，Incongruent对比Congruent嗓音的回归系数指标为0.44，高于Human-like对比Machine-like嗓音的回归系数指标−0.51。结论仅适用于英语直接称呼与列举两类边界歧义及实验室单次聆听，跨语言与多轮交互外推尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
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：为什么逗号听不出来就会误解机器人？
这篇论文的输入是机器人化身说出的英语歧义句音频，目标是让研究生理解合成音的可懂度不只取决于字词是否清晰，还取决于韵律边界是否被听出来。作者开篇举的例子是 She has to pull Bart 与 She has to pull, Bart，前者是拉住一个叫 Bart 的人，后者是让 Bart 去拉别的东西，词序列完全相同，含义差别只靠逗号对应的韵律边界来区分。类似的还有 List 句 The mom drove her kids, Eugene, and Adele 与去掉逗号后的版本，有无边界决定了 Eugene 和 Adele 是被载的孩子还是并列的其他宾语。
教学上可以把这类句子理解为例子：文本上差一个标点，语音上差 1 次停顿加音高和时长的重置，听者必须用耳朵重建标点才能选对图片。论文要解决的矛盾是，当前语音合成已经很会模仿人类音色，但在这种细微的、决定句法结构的韵律提示上仍然不稳定，而以往对合成音的设计更多关心满意度、拟人化、自然度、信任等主观印象，很少把韵律和音质设计与客观理解挂钩。
作者因此把可懂度操作化为能否把听到的句子映射到意图含义，用图片匹配任务直接测量，而不是只问好听不好听。本次解读的事实只来自论文正文证据与官方原图像素，不引入外部评价，代码与数据按证据状态处理为本次未能确认公开，不声称已公开。
这条路线过去怎么把好听和听懂分开研究？
在语音合成与人机交互路线里，长期存在两条并行的评价传统。一条是主观印象路线，用平均意见分量表与 Godspeed 问卷中的感知智能等维度询问自然度、社会适宜性、能力感，关心的是用户体验。另一条是客观可懂度路线，用听写正确率或图片选择正确率衡量信息传递，关心的是任务成功。论文回顾指出，口音、可信度、说话风格等超语言线索早已被证明会影响印象评分，但很少被当作影响可懂度的变量来检验。
韵律研究路线则早就证明，韵律边界能帮助解决句法附着歧义，例如 Tap the frog with the flower 中 with the flower 究竟修饰 frog 还是修饰 tap，边界位置不同会导致不同的切分，听者会利用边界做句法决策。合成路线的问题在于，开源合成器往往难以稳定生成这种逗号对比，细微韵律提示容易丢失。作者把这两条路线接起来：不再问机器音是否更讨喜，而是问改变音高变化幅度和改变音色身份感这两类设计选择，是否会改变听者解析歧义句的能力。
理解这一点对初学者很重要，因为后文所有操纵都要回到这个对照逻辑：音高操纵是与边界提示直接相关的语音线索操纵，音质操纵是与边界提示无直接语音关联的身份线索操纵。
要回答的具体问题是什么：哪种声音设计更支持听出逗号？
论文把大问题拆成两个可操作的维度。第一个维度是韵律性音高变化：比较音高起伏较大的情感音与压缩音高变化的单调音，检验削弱音高提示是否损害对逗号的理解。作者明确说明，情感语音本来还涉及强度和时长等关联特征，但本研究只聚焦音高变化幅度，因为音高变化是标记韵律边界的已知语音线索。第二个维度是指数性音质变化：比较听起来拟人的音色与听起来更机器、不那么像人的音色，检验与边界无关的身份线索是否影响理解。
作者同样明确说明，这类音质变化与人类标记韵律边界的语音线索没有直接关系。研究假设不是简单预测哪个声音更好，而是检验两种不同性质的操纵是否以不同机制起作用。如果音高压缩显著降低正确率，说明边界感知依赖音高；如果机器化音质在声学边界线索不变的情况下改变正确率，说明听者预期或注意策略在起作用。
任务载体是直接称呼句和列举句两类歧义句，每类都有有逗号与无逗号配对，词序列相同而边界位置不同，被试只能靠听辨边界来选对图片。
方法全景：从一句话到四种声音再到一次判断
沿着一个样本走完全程有助于建立整体图像。以 She has to pull Bart 为例，输入是同一串词，目标输出是两种含义之一，区别只在 Bart 前有无边界。研究者先用微调后的 Matcha 合成器生成拟人情感版作为基准，该版本经过真人朗读的逗号对比数据微调，目的是让合成器尽量能做出逗号相关的韵律对比。然后从这个基准派生出另外 3 种声音：保持音质只压低音高变化得到拟人单调版，保持音高只改变音质得到机器情感版，两者都改变得到机器单调版。
这样 4 种声音在词内容上完全一致，差异只来自两个维度的开关。实验流程上，每名被试只听一种声音条件，避免被试在不同机器人之间直接比较而产生额外预期。被试在每一轮看到目标图与非目标图，听机器人说一句与目标图对应或故意不对应的话，然后按键判断机器人说得对不对，对则重复原句，错则用正确韵律纠正。作者把这个过程包装为训练机器人更清楚说话的互动任务，第一阶段做听辨反馈，第二阶段填问卷。
问卷包括对人工智能熟悉度的两个问题，以及可懂度、自然度、韵律恰当性、社会适宜性、能力感、智能感 6 个零到十分的评分项，前四项沿用简化版平均意见分量表思路，后两项来自感知智能维度。整个设计把客观行为与主观评价放在同一批被试身上，从而能检验好听与听懂是否分离。
两个声音开关是怎么做出来的：压音高与做机器味
论文的组件部分可以理解为两个独立的声音变换模块。第一个模块是单调化模块，作用在拟人情感输出上，用 Praat 语音工具包的改变音高中值与变化幅度命令，把音高高度和变化幅度压缩到 40%。白话说就是把声音的旋律起伏压平，但不改变说什么词。第二个模块是机器化模块，作用同样从拟人情感输出出发，用延迟 0.02 秒、振幅 0.5 帕的命令叠加处理，制造机器人质感的音色。
白话说就是保持语调轮廓和停顿时长等边界线索不变，只让音色听起来不像真人。两个模块可以单独或联合使用，因此得到 4 种条件的正交组合。需要强调的是，机器化所用的音质变化在语音学上不是标记韵律边界的常规线索，作者在引言中明确区分了这一点，这为后文把机器化效应解释为预期效应而非线索增强埋下依据。
对初学者而言，记住这种正交设计很关键：比较情感与单调是在检验与边界直接相关的线索，比较拟人与机器是在检验与边界无关的身份包装。
韵律特征 × 指数特征： 韵律特征负责用旋律层面的变化标记句子结构，例如在逗号处制造音高、时长或停顿上的边界，承担切分句法的作用；指数特征负责传递说话人身份层面的信息，例如听起来像人还是像机器、音色和整体质感，承担塑造听者对说话者能力的预期的作用；两者搭配的理由是论文要分离真正携带边界信息的声学线索与只改变身份印象的声学包装，组合意义在于检验与边界无关的身份包装是否会通过改变预期而间接改变边界的可懂度。
上述分工意味着，后文如果发现单调化无效而机器化有效，不能简单说音质比音高更重要，而应说在此合成器实现下，边界线索本身的变化不足以改变行为，改变的是听者对机器说话者的解读策略。
情感音 × 单调音： 情感音指保留较大音高起伏的合成输出，承担提供丰富语调变化的分工；单调音指用工具把音高中值和变化幅度压缩到 40% 的版本，承担削弱音高边界提示的分工；两者搭配的理由是只动音高变化幅度而不动词序列，可以直接检验音高变化对逗号理解的因果贡献，组合意义在于如果单调化后可懂度不变，就说明在此合成器和任务下音高变化不是决定因素。
同样地，拟人音质与机器化音质的对比必须在边界声学实现相同的条件下理解，否则就会误把预期效应当成信号质量提升。
拟人音质 × 机器化音质： 拟人音质指微调后匹配真人朗读的神经合成器直接输出，承担基线人类感声音的分工；机器化音质指在该输出上叠加延迟和振幅变换而得到的有机器人质感的声音，承担只改变身份印象而不改变边界处停顿和音高轮廓的分工；搭配理由是保持语言内容和边界位置的声学实现相同，只改变听者认为自己在听谁说话，组合意义在于分离语音线索本身与听者预期对理解的影响。
本研究训练了什么、冻结了什么、其余变换如何计算？
本研究没有训练一个新的通用合成模型去参赛，而是做了 1 次有明确目标的微调加 2 次确定性信号变换。训练部分是把 Matcha 合成器在一个女性英语母语者的录音上微调，这些录音是按目标韵律形式对比朗读的句子，目的是强化逗号相关的韵律对比。原文没有报告微调的学习率、轮数、冻结层、梯度路径或验证集损失，因此不能从模型名称推定具体优化实现，只能确认监督来源是真人对比朗读、目标是让合成输出能做出逗号对比。
其余 3 种声音不是重新训练得到的，而是对微调后输出做离线信号处理：单调版用工具压缩音高，机器版用延迟与振幅变换增加机器质感，机器单调版叠加两种处理。论文没有说明这些变换是否改变整体语速或除音高外的其他参数，也没有报告处理后是否做过声学校验以证明边界处停顿时长完全相等，只是从设计意图上说音质变换与边界线索无关。
复现时应把训练理解为缺细节的环节：已知的是基座为 Matcha、微调数据为真人逗号对比朗读、输出作为 4 条件中的拟人情感基准，未知的是具体超参数与冻结策略，需要补做声学测量才能确认机器化确实没有附带改变边界线索。
实验条件：听谁说、听多少句、怎么算对错？
实验条件的公平性是理解结果的前提。被试方面，论文报告从 Prolific 招募了 160 人，均为居住在美国或加拿大的英语母语者，年龄在十九到三十岁之间，每种声音条件分配 40 人。样本量依据是此前操纵音高并测量理解的研究，用效应量近似估算需要 154 人达到较高统计效力，因此取 160 人作为保守基准。每名被试只听一种声音，避免跨声音比较带来的预期污染。
刺激方面，每种句型有 6 对实验句，填充句则每种句型有 4 对松紧元音对立的填充句，每人共听到 40 个不同句子。实验句配对靠有无逗号区分边界位置，填充句配对靠元音松紧区分发音，且填充句采用有逗号的韵律结构。填充句的作用是让任务不只依赖韵律，也包含发音层面的对错判断，并检验局部语速对元音感知的影响是否与全局语速对印象评分的影响分离。
流程上每轮给两张图和 1 次听音机会，被试按键判断匹配与否，并录音反馈，允许回放但只有 1 次重录机会，最终保留最后 1 次录音。文字稿从不呈现给被试，确保判断只能来自听觉。统计上行为数据用混合效应逻辑回归，以图片是否真正匹配、声音条件、逗号条件及其交互为预测变量，随机效应包含项目截距与被试截距及相应斜率，最终收敛模型做了简化；问卷数据用累积链接模型，以熟悉度、声音条件、问题项及其交互预测零到十分的评分。
下面这张任务界面图是理解被试实际看到什么的关键，导读时先建立左右图的对应关系，再理解判断与录音反馈的闭环。
看图路径： 1. 先看左侧机器人头像与中间加粗黑框的目标图、右侧细框的非目标图如何并排呈现；2. 再看目标图与非目标图如何用同一句 She has to pull Bart 对应拉人与呼唤人两种动作；3. 最后看下方 Did I describe the target image correctly 与 YES 重复原句、NO 纠正说法的两个选项
论文图 1。原论文 Figure 1：“Participants evaluated the robot avatar producing the sentence, “She has to pull Bart,” as either matching (correct) or not matching the target image (incorrect).”。
图中左侧是机器人化身，中间黑框为目标图，右侧为非目标图，下方是是否正确描述目标图的提问与是否重复或纠正的选项。结合正文可知，被试的按键选择被编码为匹配或不匹配，从而与真实的图片匹配状态对照算出正确率。这种把理解转化为二选一匹配的设计，使得后文的正确率可以直接解释为听出边界的能力，而不是对声音的好感度。
图片匹配 × 逗号条件： 图片匹配指被试判断机器人说的话与目标图片是一致还是不一致的行为指标，承担客观可懂度测量的分工；逗号条件指同一词序列有无逗号从而对应不同句法切分和目标图片的实验条件，承担制造必须靠韵律才能区分的歧义的分工；两者搭配的理由是只有把声音与图片的对应关系和有无边界交叉起来，才能算出在有边界和无边界时各自的正确率，组合意义在于把主观印象评分转化为能否听出逗号的客观证据。
为便于核对实验规模，下表把刺激数量与被试分配整理为 5 个维度的对照，表中数字与单位均来自原文连续句，裸数值不擅自添加百分号等单位。
表前比较问题是：在词序列相同而边界不同的设计下，每名被试实际承担多少试次、不同句型各有多少对、声音条件如何分配，条件是否一致。
| 类别 | 句型 | 对数 | 每人总句数 | 逗号条件 |
|---|---|---|---|---|
| 实验句 | 直接称呼句 | six pairs | 40 unique sentences | With Comma or Without Comma |
| 实验句 | 列举句 | six pairs | 40 unique sentences | With Comma or Without Comma |
| 填充句 | 直接称呼与列举 | four pairs | 40 unique sentences | With Comma 韵律 |
表后解释是：该表显示每人四十句的负荷来自 6 对实验句加 4 对填充句的组合，有无逗号是实验句的核心对照，填充句固定用有逗号韵律以提供发音判断基线。代价是每名被试只听一种声音，无法做被试内直接比较，作者在局限中明确承认未来需要多化身设计来支持被试内比较。未胜出或未评测的边界是填充句的正确率在正文证据中没有作为主结果展开，因此不能用该表推断填充句上也有机器化优势。
下表进一步核对被试规模与构成，同样保持原文写法与精度，不做四舍五入。
表前比较问题是：总样本是否达到功效分析建议，每组人数是否均衡，年龄与性别构成是否明确，指标方向是人数越多效力越稳。
| 招募总数 | 每声音条件人数 | 年龄范围 | 平均年龄 | 性别构成 |
|---|---|---|---|---|
| 160 participants | 40 speakers in each Voice Condition | between 19 and 30 years old | M age = 25.34, SD = 3.18 | 91 females and 68 males |
表后解释是：该表确认总样本达到功效分析建议的 154 人以上，且 4 组均衡分配。代价是年龄集中在十九到三十岁的年轻母语者，结论向儿童、年长者或非母语者的推广需要额外验证。反例是有 1 名被试未标明性别，说明性别统计存在缺项，复现时应保留原始缺失处理方式而不是自行补齐。
主结果：机器味只在有逗号时提高正确率，情感只提高自然度
行为主结果的核心是图片匹配、逗号条件与声音条件的 3 阶交互。直观说，被试整体上更倾向于回答没有边界，因此在无逗号条件下正确率很高，而在有逗号条件下正确率明显偏低，表现为经常漏听逗号。关键的调节在于，在有逗号条件下，机器化声音的正确率高于拟人声音，而在无逗号条件下各声音都接近天花板而差异很小。对比分析报告拟人与机器的差异显著，不一致与一致条件的差异较小，总体结论是机器化音质提高了有逗号句的准确率。
问卷结果则呈现分离：熟悉度越高评分越积极，不同问题项均值不同，但声音条件的主效应与交互均不显著。事后未校正比较显示情感音比单调音在自然度上评分更高，拟人音比机器音在智能感上略高但只达边缘显著。换句话说，让声音更有起伏能让人觉得更自然，但不能让人更懂；让声音更机器能让人更懂有逗号句，但没有让人觉得更自然或更聪明。
可懂度 × 自然度： 可懂度指听者能否把听到的句子映射到说话人意图表达的含义，在本研究中体现为图片匹配任务的正确率，承担客观理解的分工；自然度指听者觉得声音在多大程度上 pleasant 地像人，是问卷中零到十分的评价项之一，承担主观印象的分工；搭配理由是论文同时采集行为正确率和问卷评分以检验两者是否分离，组合意义在于发现情感音提高了自然度却没有提高可懂度，而机器化音质提高了特定条件下的可懂度却没有提高主观评分，从而证明好听不等于听得对。
下面这张行为结果图把上述交互可视化，读图时先确认坐标与图例，再判断升降的好坏含义。
看图路径： 1. 先对比左图 Without Comma 与 With Comma 两个面板中深色圆点与黄色三角的上下距离；2. 再看右图 Without Comma 方块点接近顶部而 With Comma 菱形点明显下移且机器化条件更高；3. 注意大小圆点含义不同：小点是被试原始数据，大点加误差线是模型估计与百分之九十五置信区间
论文图 2。原论文 Figure 2：“Small dots represent participant data, while large dots and error bars represent model estimates and 95% CIs.”。
左图按有无逗号分面板，纵轴是回答匹配的比例，深色圆点为真正匹配时的回应，黄色三角为真正不匹配时的回应，两者距离越大说明区分越好。可以看到无逗号面板中两类点上下分离明显，有逗号面板中两类点靠近且机器化条件的黄色三角更低，意味着更少把不匹配误判为匹配。右图纵轴直接是正确回应比例，方形为无逗号，菱形为有逗号，无逗号各点都接近顶部，有逗号中机器化两点高于拟人两点且括号标注显著。像素细节支持正文判断：优势局限在有逗号条件，无逗号因天花板效应无法证明机器化也有优势，也不能把末端一点推广为全程趋势。
为保留可运行策略与基线的数值对照，下表把关键对比的回归系数整理为五列，数字与符号保留原文写法。
表前比较问题是：以拟人声音为参照时，机器化与一致性对比的效应量、标准误、检验统计量与显著性如何，指标方向是正确率越高越好，系数符号需结合编码理解。
| 条件对比 | β | SE | z | p |
|---|---|---|---|---|
| Human-like differed from Machine-like voices | β = −0.51 | SE = 0.22 | z = −2.29 | p = .022 |
| Incongruent from Congruent voices | β = 0.44 | SE = 0.22 | z = 1.99 | p = .046 |
表后解释是：该表显示机器与拟人的差异达到常规显著水平，一致性对比的效应较小但也显著，支持机器化在有逗号时提高正确率的判断。具体代价是效应只在有逗号条件成立，且无逗号接近天花板可能掩盖了潜在差异。未胜出项是情感与单调的对比在行为上没有显著效应，说明压缩音高未能改变理解，这与问卷上情感提高自然度的结果形成对照，证明印象与理解分离。
如果去掉哪一部分，结论还成立吗：单调无效与问卷分离
把本研究的操纵看作消融逻辑会更清楚。去掉音高变化即比较情感与单调，行为上没有显著差异，说明在此合成器与任务下，音高起伏的多少不是听出逗号的决定因素。这是一个负结果，但很重要，因为它排除了机器化效应是附带改变音高的简单解释。去掉拟人包装即比较拟人与机器，行为上出现有逗号优势，说明与边界无关的身份线索反而起了作用。
问卷上的分离进一步支持这种双通道解释：情感操纵只动了自然度评分，机器操纵只边缘性地动了智能感评分，而可懂度评分本身没有随声音条件显著变化。这意味着被试并没有觉得机器音更清楚，只是在行为上更能选对。作者提出两种可能机制但都标注为待验证：一是预期偏差，即听到机器音就更倾向于认为对方会认真标记边界，从而更愿意听到逗号；二是注意努力，即听到较不聪明的机器音时听得更仔细，从而更能捕捉微弱边界。
两种机制都与当前数据相容，因为无逗号天花板与缺乏听努力测量使得无法裁决。
下面这张问卷效应图是检验上述分离的直接证据，读图时注意零线与置信区间的关系。
看图路径： 1. 先按行找到 Intelligible、Natural、Prosodic、Sociable、Competent、Intelligent 六个问卷维度；2. 再在每行内比较第一行单调对比情感、第二行机器对比拟人、第三行不一致对比一致三条置信区间是否过零；3. 重点确认只有 Natural 行第一条区间整体偏右且标星，其余多数区间都横跨零线
论文图 3。原论文 Figure 3：“Model estimates of how ratings on questionnaire items changed for each Voice Condition contrast. Error bars indicate 95% CIs (一个星号 p < .01).”。
图中每行为一个问卷维度，横轴是预测评分差异，纵轴 3 条线分别对应单调对比情感、机器对比拟人、不一致对比一致。可以看到只有自然度行第一条线的置信区间整体位于零右侧且标星，表明情感显著更自然；智能感行第二条线偏右但跨零，对应边缘显著；其余多数区间横跨零线，对应无显著主效应与交互。像素细节不支持把总体趋势推广为每行都成立，也不支持把自动指标当成人评，问卷与行为必须分开解读。
边界在哪里：天花板、被试内比较与机制未裁决
论文明确承认的局限首先是设计为被试间比较，每人只听一种声音是为了保证对单个化身的预期稳定，但代价是无法让同一被试直接比较 4 种声音，未来需要设计多个化身以支持被试内比较同时维持每个化身的预期一致。其次是无逗号条件接近天花板，这使得机器化在无逗号时是否也有优势无法判断，也使得预期偏差与注意努力两种解释无法区分，因为两种解释在有逗号上都预测机器化更高，而在无逗号上的预测差异被天花板掩盖。
第三是缺乏听努力的直接测量，作者指出未来需要加入听努力指标才能裁决机制。第四是样本与声音的覆盖有限：被试为年轻英语母语者，基座声音为单一女性音色，微调数据与变换参数都较特殊，结论是否适用于其他年龄、语言、音色或更自然的合成器仍待验证。
最后是统计上的收敛妥协，最大随机效应结构未能收敛而做了简化，最终模型在项目截距上无斜率、在被试截距上只保留图片匹配斜率，复现时应按原文简化路径处理，而不是强行拟合不收敛的最大模型。
要复现，先把刺激、声音与流程固定下来
复现的第一步是重建刺激表。准备直接称呼句与列举句各 6 对，每对词序列相同而逗号位置不同，再准备松紧元音填充句每种句型 4 对，填充句用有逗号韵律朗读，确保每人听到 40 个不同句子且从不见文字稿。第二步是重建 4 种声音。先找女性英语母语者按有无逗号对比朗读并微调 Matcha 合成器，以其输出为拟人情感基准；再用 Praat 工具把音高压缩到 40% 得到拟人单调版，用延迟 0.02 秒与振幅 0.5 帕变换得到机器情感版，叠加两者得到机器单调版。
复现时必须补做原文缺失的声学核对：测量边界处停顿时长与音高轮廓在拟人与机器版本之间是否一致，否则无法主张机器化与边界线索无关。第三步是固定流程与样本。每种声音招募 40 人、总计 160 名年轻英语母语者，每人只听一种声音，每轮呈现目标与非目标图片各一张，记录匹配或不匹配按键，允许回放但只保留最后 1 次录音反馈，随后填写熟悉度与 6 个零到十分的问卷项。
分析时行为用混合效应逻辑回归，问卷用累积链接模型，随机效应按原文收敛路径简化。资源状态方面，本次收到的证据未绑定完成验证的代码与数据链接，因此复现应按无公开资源处理，不声称代码或模型已公开，需要自行实现变换与统计。
何时值得尝试机器味：为听出结构而非为好听
综合全部证据，可以给出的实践判断是：当合成音必须传递靠韵律区分的结构含义时，值得尝试让声音听起来更像机器，而不是一味追求更像人、更有起伏。支持在于机器化在有逗号句上提高了客观正确率，而情感化只提高了主观自然度，说明好听与听懂在本任务中分离。适用条件很具体：歧义必须来自边界位置，听者必须在没有文字稿的情况下仅靠听辨做选择，且无逗号基线已接近天花板时不应期待额外增益。
代价是机器化可能让智能感评分略低，且机制尚未裁决，可能是预期偏差也可能是更仔细的聆听，因此不应承诺降低误判率之外的延迟或成本改善。还需补的验证包括被试内多化身比较、听努力测量、不同年龄与语言的推广，以及对边界声学的直接测量以排除机器化附带改变停顿的可能。对初学者的特有误解需要澄清：机器味更好不是因为机器音质本身携带了更多边界信息，而是因为它改变了听者如何解读同样微弱的边界信息。
单调无效也不是证明音高不重要，而是证明在此合成实现下压缩音高不足以改变行为。记住这一层，才能把本研究从猎奇结论还原为关于预期如何塑造语音感知的可检验命题。
⚖️ 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