高频能量为何能暴露儿童卷舌擦音的前移：从 16 kHz 噪声能量到发音位置比值

英文题目：Informativity of high-frequency bands on the place of articulation shift in retroflex sibilants produced by children

会议身份：conference:interspeech:2026:conference-paper-id:skorzewska26_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 #语音学与音系 #言语障碍 #语音 #病理语音评估

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Oliwia Skórzewska：机构信息未能从会议 PDF 纯文本可靠映射
• Maria Filipek：机构信息未能从会议 PDF 纯文本可靠映射
• Wojciech Pieniążek：机构信息未能从会议 PDF 纯文本可靠映射
• Zuzanna Miodońska：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

儿童卷舌擦音与塞擦音的病理替代会改变摩擦噪声的频谱分布，输入为切分出的擦音段波形，输出为对构音位置偏移的声学判别，难点在于儿童声道短、个体发育差异大且病理样本稀少不平衡。本研究先对波形归一化并分帧取中段以抑制协同构音，再提取噪声能量与摩擦共振峰积分能量及其比值，最后以构音位置为固定效应、说话人与词为随机效应的线性混合效应模型逐特征检验。与传统只看7 kHz以下低频的分析不同，该方法将诊断线索扩展到高频并用比值刻画能量再分配，对浊音与发音方式更稳健。在波兰学龄前儿童卷舌音语料任务下，聚合特征FNER12_23的指标边际R2为20%，高于单子带NE1的指标边际R2 15%。该比值特征在浊擦音与塞擦音上均保持判别力，其适用边界受限于共振峰划分与波兰语三列齿音体系。结论限于波兰语卷舌音的四类构音位置，未纳入牙齿解剖因素与纵向发育验证，外推到其他语言需重估共振峰划分。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：要解决的临床问题从哪里来？

这篇解读的输入是 2026 年悉尼 Interspeech 会议论文，目标是让刚进入语音与音频方向的研究生能够不查原文也复述出数据、特征、模型和结论，并知道哪些结论有定量支持、哪些还只是待验证。必须保留的信息包括波兰语儿童卷舌擦音与塞擦音的 4 种发音位置划分、扩展到 16 kHz 的噪声能量特征构造、线性混合效应模型的固定与随机结构、以及齿化与齿间化在高频段的差异模式。输出是 1 篇按学习依赖展开的方法复述，而不是对临床价值的营销式判断。

论文研究的并不是通用语音识别或语音增强，而是儿童常见音位障碍中的一种：统称为 sigmatism 的擦音失真。波兰语有 12 个擦音，分齿音、卷舌和龈腭 3 套，构音复杂使儿童要到 6 岁左右才能稳定发出擦音，塞擦音更晚，因此学龄前儿童中 sigmatism 最为常见。非规范实现包括发成齿音、龈腭音、齿间音等，它们在听感上可能接近，但在频谱能量分布上会削弱不同擦音之间的区分度。

卷舌擦音在这套系统中历时稳定性更差，也更容易出现系统性替代，因此成为早期筛查和言语治疗师诊断流程中最值得客观量化的目标。理解这一点很关键：后文所有高频分析不是为了追新频段，而是要回答标准低通分析是否漏掉了区分前移错误所必需的线索。

已有路线为什么只看到 7 kHz 以下？

在儿童擦音声学研究中，一条长期路线是用谱峰和能量集中度描述前腔共振。原理很直观：收缩点与门齿之间的前腔越小，共振频率越高；儿童声道本来就短，所以规范/s/的谱峰可以落在 5 到 12 kHz，而前移的/s/会出现更宽的分布并把峰推到 13 到 14 kHz。另一条路线是波兰本土的病理儿童语音研究，之前在 42 名说话人的小样本上分析/s/和/ts/的齿间实现以及卷舌音的齿化和齿间实现，使用的噪声特征只做到 7 kHz 以下，发现齿间实现在 2 到 3.5 kHz 能量偏高而在 5.5 到 6.5 kHz 偏低。

成人方向的近期工作把高频能量推到 10 kHz 甚至 11 到 15 kHz，证明高频动态比传统低频电平更能捕捉气流和构音的细微变化，尤其在声道较短的女性说话人中上移更明显。同输入同目标的对照是：同样研究波兰儿童擦音失真，前人用 7 kHz 以下特征已能区分部分病理与规范，但对龈腭这种与卷舌非常接近的错误类型区分困难；同样关注高频，成人研究给出了空气动力学解释但没有验证到儿童。

本研究要补的正是这个缺口：把儿童卷舌擦音与塞擦音的分析统一推到 16 kHz，并检验龈腭、齿间和齿 3 种前移或邻近实现如何重塑常被忽略频段的能量。同运行阶段的差异在于，前人更多是探索性声学描述，本研究明确要为言语治疗师提供跨清浊和发音方式更通用的比值指标。

问题如何形式化：四种发音位置要比什么？

论文把问题形式化为在说话人和单词层次结构下，检验发音位置是否系统改变摩擦噪声的谱能量分布。研究对象限定为卷舌清擦音、卷舌浊擦音和卷舌清塞擦音，浊塞擦音因为在波兰语中罕见、样本太少而直接排除。每个音位、每个说话人被标注一个发音位置，分为规范的卷舌、龈腭、齿和齿间 4 类；如果同一说话人在所分析擦音上表现不一致则整人剔除，共剔除 3 例。

举例说明：同一个目标清擦音，规范实现是舌尖上卷的卷舌音，齿化实现是把它发成类似[s] 的齿音，齿间实现是舌尖伸到齿间，龈腭实现是收缩更靠后上腭化的实现。任务不是做四分类器，而是对每个声学特征单独建模，以规范卷舌为截距参照，估计其他 3 种位置偏离了多少、偏离是否显著、固定效应解释了多少方差。这种设计的好处是临床可解释：治疗师想知道的是某种错误在哪个频段、以多大效应偏离规范，而不是黑盒分类正确率。

需要记住的边界是：说话人数量本身不平衡，规范远多于非规范，齿间最少，这会影响稀少类别的估计精度，后文模型选择正是为此做了部分池化。

方法全景：一个切段如何走完特征到模型？

沿一个样本走一遍最有助于建立整体感。输入是一段已切分好的包含目标擦音的单词录音，采样率 44.1 kHz，因此理论上 22.05 kHz 以下都有可靠谱信息。先把整段波形线性归一化到 0 到 1 区间，目的是减小不同录音的整体幅度差异；接着按 20 毫秒帧长、10 毫秒重叠分帧，只保留单词中间 50% 的帧以削弱相邻音素的协同发音影响；然后对每帧做离散傅里叶变换，按每 500 Hz 一个子带从 2 kHz 做到 16 kHz，共 28 个子带求噪声能量，再按摩擦共振峰区间做积分并求比值。

最后把属于同一切段的所有帧特征向量按平均聚合成切段级观测，共得到 4429 个切段，再按音位分别拟合线性混合效应模型。表示层面从波形到帧能量再到切段均值逐步抽象，组件层面分为预处理、噪声能量提取、共振峰比值构造和分层统计四块，目标是得到每个特征上发音位置的估计值、置信区间和解释方差，输出不是单个诊断标签而是一组可核对的频段效应。

摩擦共振峰 × 高频能量： 摩擦共振峰负责标定擦音噪声中相对稳定的低中频共振区间，本研究取 2 kHz、4 kHz、5.5 kHz 和 7.5 kHz 作为积分边界；高频能量负责承载 7.5 kHz 以上难以看到清晰峰但对前腔变化敏感的拖尾信息，二者搭配的原因是儿童声道短使共振整体上移，只看 7 kHz 以下会截掉齿化和齿间化的关键差异，组合意义是用共振峰划分低中频锚点再用高频段检验能量外溢。

本研究的关键取舍是把上限从传统 7 kHz 推到 16 kHz，原文给出两个安排理由：一是采样率支持，二是成人高频研究和儿童声道更短的物理预期共同指向高频包含诊断信息。这不是简单加宽频带，而是要用实证回答龈腭、齿间和齿 3 种实现是否在高频留下不同签名。

特征如何计算：噪声能量与共振峰比值的分工是什么？

先说白话：噪声能量就是某个窄频带里摩擦噪声有多强；摩擦共振峰是擦音噪声中相对稳定的共振集中区，用来划分低中频的积分范围；摩擦噪声能量比是两个区间能量的比值，用来刻画谱倾斜和能量前后分配。英文名分别为 Noise Energy、Fricative Formant Frequency 和 Fricative Noise Energy Ratio，后文简称 NE、FF 和 FNER。计算上每个 NE 子带把落在该 500 Hz 上下截止之间的频谱仓幅度平方求和，子带总数为 28 个，覆盖 2 到 16 kHz。

FF 在本数据集取 2 kHz、4 kHz、5.5 kHz 和 7.5 kHz，是把 frication 噪声谱峰均值四舍五入到最近 500 Hz 对齐 NE 边界得到的；7.5 kHz 以上因谱变异大、清晰峰常缺失，不再定义新的共振峰。FNE 是把相邻 FF 之间所有 NE 求和，得到 FNE12、FNE23、FNE343 段积分能量，FNER 则是两段 FNE 相除，例如 FNER12 与 23 之比、12 与 34 之比、23 与 34 之比。每帧共 34 个特征，包括 28 个 NE、3 个 FNE 和 3 个 FNER，全部在 MATLAB 2023b 中实现。

摩擦噪声 × 发音位置： 摩擦噪声是气流通过狭窄收缩再撞击门齿等障碍形成的湍流噪声，其谱形由收缩点前方共振腔决定；发音位置决定收缩点前后移动从而改变前腔大小与共振频率，二者搭配的理由是前腔越小能量越向高频集中，因此用噪声能量分布可以直接读出发音前移，组合意义是把听辨标签转化为可计算的谱能量位移。

噪声能量 × 摩擦噪声能量比： 噪声能量负责把每个 500 Hz 子带的离散傅里叶幅度平方求和得到局部能量，摩擦噪声能量比负责把相邻摩擦共振峰区间内的能量相除得到谱平衡，二者搭配的原因是绝对能量受录音增益和儿童响度影响大而比值抵消整体电平，组合意义是得到跨清浊和擦音塞擦音更稳定的前移指数。

复述时要注意：NE 保留绝对电平信息但易受响度影响，FNE 通过积分降维并对应生理共振区间，FNER 进一步消除整体增益，只留下前后能量再分配，这正是后文 FNER 跨音位更稳健的原因。

没有神经网络训练时，模型在拟合什么？

本研究没有训练神经网络，也就没有反向传播、优化器更新、参数冻结与解冻或早停问题，必须明确说明这一点以免误解。真实计算过程是统计建模：对每一个声学特征、每一个音位单独拟合一个线性混合效应模型。公式结构可复述为特征约等于发音位置固定效应加说话人随机截距加父词随机截距，规范卷舌作为参照截距。固定效应有 4 个水平，回答的是龈腭、齿、齿间相对规范偏离多少。

随机效应只设截距不设斜率，是一种保持收敛稳定的简约选择，用来吸收同一说话人多切段相关和同一单词语音环境带来的变异。拟合前已把帧级特征在切段内平均，得到切段级观测；拟合工具是 R 4.4.2 中的 lme4 包，用 lmerTest 求固定效应的 p 值，用边际决定系数表示仅固定效应解释的方差、用条件决定系数表示固定加随机共解释的方差。原文没有报告梯度路径、学习率或迭代预算，因为这些概念不适用于该模型。

也没有做说话人分层采样，而是通过部分池化在保留全部不平衡数据的前提下稳定稀少类别估计。这意味着结果的可重复关键不在随机种子，而在切段聚合方式、随机截距设定和分音位建模这三处。

固定效应 × 随机效应： 固定效应负责估计发音位置四水平相对卷舌规范的系统偏移，是临床要回答的组间差异；随机效应负责吸收说话人和父词带来的层次相关与不平衡样本量，通过部分池化稳定稀少类别的估计，二者搭配的原因是帧和切段嵌套于说话人和单词不能当独立样本，组合意义是在保留全部数据的同时得到可做显著性检验的发音位置估计。

数据、划分与统计口径如何保证可比？

数据来自波兰视听儿童语音数据集 PAVSig，专为 sigmatism 计算机辅助诊断收集，原始库有 201 名 4 到 8 岁学龄前儿童的已切分擦音样本，本分析聚焦其中卷舌相关 tokens，覆盖 26 个不同单词，其中 13 个含清擦音、9 个含浊擦音、4 个含清塞擦音。说话人层面规范卷舌 120 人、龈腭 30 人、齿 28 人、齿间 8 人，合计 186 人进入分析，不平衡是无先验分层收集的自然结果。帧层面只保留每段中间 50% 并去掉不一致者，段层面共 4429 个切段。信号层面统一 0 到 1 归一化、20 毫秒帧、10 毫秒重叠、28 个 500 Hz 子带到 16 kHz。

统计层面不做训练验证测试划分，而是全量拟合解释模型；每个特征独立建模、分音位进行；显著性阈值为 p 小于 0.05；效应量用边际与条件决定系数双报告，避免只看 p 值夸大稀少类别的发现。指标方向需要讲清：NE 是子带能量，越高表示该频带噪声越强。

FNER 是区间能量比，比值偏大表示分子区间相对分母区间能量更集中；边际决定系数越大表示发音位置对该特征的区分力越强。硬件预算原文未报告具体机时，因为主要成本是常规信号处理与线性混合模型拟合，不涉及大规模深度训练。下表把数据规模与处理配置放在一起，便于复现时逐项核对，表中数字全部来自原文连续句而非对原表格的转抄。

表后需要说明代价与边界：保留全部不平衡数据使规范类估计更稳，但齿间仅 8 名说话人，其高频估计的置信区间必然更宽。

只取中间 50% 帧减少了协同发音污染，但也丢掉了塞擦音中爆破向摩擦过渡的动态信息，这对塞擦音的解释是一个未评测边界。

主结果：齿化为何全局偏离而龈腭只留下局部签名？

主结果按音位组织，比较条件一致：同一音位内以规范卷舌为参照，其他 3 种位置的每个特征单独检验。首先看清擦音，齿化几乎影响全部谱带，并在 2 到 4 kHz 和 5 到 6 kHz 形成宽显著簇，个别子带如 4 到 4.5 kHz 不显著，原文解释为病理与规范能量曲线在此交叉；龈腭偏离集中在 4 到 10 kHz，齿间偏离集中在 3 到 3.5 kHz。聚合特征上 FNER12 与 23 之比和 12 与 34 之比边际决定系数最高达 20%，超过单个 NE 子带例如 NE1 的 15%。塞擦音呈现相似全局模式：齿化除 4 到 4.5 kHz 外全谱显著，FNER12 与 23 之比的边际决定系数达 0.298，龈腭的特异签名在 8.5 到 10 kHz，齿间显著性偏向 2.5 到 4 kHz。

浊擦音受清浊影响最大：齿化依然全局可分，齿间显著性上移到 8.5 到 14 kHz，龈腭与规范最接近，仅在 5 到 5.5 kHz 显著，而 FNER12 与 34 之比达 0.23、12 与 23 之比达 0.19，成为区分力最强的指标。 下图是三行音位下 28 个频带的标准化估计及其置信区间，读图时不要把曲线向下直接读成性能变差，纵轴是相对能量 Z 分数，向下只表示该频带能量相对较低。

看图路径： 1. 先确认横轴为 NE0 至 NE27 频率带、纵轴为相对能量 Z 分数，三行分别为清擦音、塞擦音和浊擦音；2. 再比较蓝色齿化曲线在最左侧低频带是否低于其他三条，而在右侧高频带是否反超并保持在上；3. 观察每条曲线周围的 95% 置信阴影在高频段是否变宽，判断稀少类别估计不确定性；4. 对照齿间绿色曲线在中高频的走向，确认浊擦音下其高频抬升是否更明显

论文图 1。原论文 Figure 1：“1”。

从像素可见：最左侧低频带蓝色齿化曲线起点明显低于紫色龈腭、黄色卷舌和绿色齿间，随频率增加蓝色曲线在中频附近追平并在右侧高频持续位于上方；三行都呈现从左高到右低的整体下倾，但齿化和齿间在右侧的拖尾高于后部位置；齿间在浊擦音底行的高频段抬升延续更远，与正文报告的延伸到 14 kHz 一致；各曲线周围阴影在高频变宽，提示高频估计不确定性增大。综合判断是：分析应扩展到高频，齿化提供全局可分性，龈腭只留下窄带签名，而浊音会把齿间线索推向更高频。

卷舌音 × 齿化替代： 卷舌音是本研究的规范参照，其收缩位置相对靠后因而前腔较大；齿化替代是把卷舌目标发成齿音例如把卷舌清擦音发成[s]，其收缩前移使前腔变小，二者搭配比较的原因是齿化是最常见的波兰儿童卷舌失真类型且声学区分度最大，组合意义是用后减前直接量化前移带来的低频下降和高频抬升。

未胜出项也要点名：龈腭在多数低频带与规范无显著差异，说明只用低频会把它漏诊，这正是高频分析的必要性所在。

比值特征是否跨清浊通用：NE0 与 FNER 对照说明什么？

如果把 NE0 看作非相对的参照，把 3 个 FNER 看作待检验的紧凑表示，就形成一组类消融对照：绝对能量是否足够，相对比值是否带来跨音位的稳定性。证据显示 NE0 在齿化处下降但受音位和说话人电平影响大，而 FNER12 与 23 之比、12 与 34 之比在 3 个音位上置信区间重叠，说明它们捕捉的是发音位置本身的谱平衡而非清浊或发音方式。FNER23 与 34 之比更呈现从龈腭到齿间的线性排列，提示它可以作为构音精确度的连续度量。

下表把原文连续句中报告的效应量放在一起，表中百分点与决定系数不可混为一谈，30% 是方差解释比例，0.298 是其小数表示。

表后解释代价：比值通过相除抵消电平获得了通用性，但也丢失了绝对响度信息，若临床同时关心弱摩擦与强摩擦的差异，仍需回看 NE。

塞擦音 0.298 是全场最大，但它来自齿化这种最易分的对比，不能推广为所有错误类型都如此可分。 下图直接展示 4 个特征下 4 种位置的固定效应估计，读图先确认图例中颜色对应 3 个音位而非发音位置。

看图路径： 1. 先看四列分别为 NE0 和三个 FNER 比值，横轴均为龈腭、卷舌、齿、齿间四种发音位置；2. 再比较中间两列 FNER 在齿化处是否形成明显尖峰，且三条音位曲线是否重叠；3. 观察最右列 FNER 随发音位置前移是否单调上升，确认其作为连续偏离指数的形态；4. 核对星号标注的显著差异出现在哪些音位与位置组合，不要把估计值高低直接当显著性

论文图 2。原论文 Figure 2：“Estimates for fixed effects (NE0 and FNER ratios). Error bars represent 95% confidence intervals. Stars indicate differences compared to the Retroflex production (p < 0.05).”。

从像素可见：中间两列 FNER 在齿化处形成尖峰且 3 条音位折线几乎重合，左右两侧龈腭与卷舌点位接近；最左列 NE0 的估计为负值且齿化处下探最深，星号标出与卷舌的显著差异；最右列随龈腭、卷舌、齿、齿间依次上升，支持其作为前移连续指数的解释。反例是龈腭在多数面板与卷舌重叠，说明比值也没有解决邻近位置的细粒度区分难题。

哪些限制会削弱结论的推广？

论文明确报告了 3 类限制。第一是类别不平衡：规范样本远多于非规范，齿间最少，线性混合效应通过部分池化缓解了不平衡，但稀少类别的估计精度仍然较低，置信区间更宽。第二是未纳入说话人特异解剖因素，例如牙列和牙齿数目，这些因素已知影响擦音产生，模型只用说话人随机截距吸收个体差异，没有显式建模口腔结构。

第三是探索性框架：分析目标是筛选潜在有效的声学线索，而非检验少数预注册假设，因此多特征多音位的显著性需要谨慎解读，未来可用扩展随机效应结构或自助重采样平衡各位置人数，但要在数据覆盖与估计稳定性之间权衡。区分直接报告与推测很重要：高频差异延伸到 14 kHz 和 16 kHz 是报告的显著性结果；高频对儿童更重要是因为声道更短属于有物理依据的有限解释。

而比值适合临床评估是基于跨音位重叠提出的应用前景，尚未测量误诊率、延迟或部署成本，不能承诺这些量得到改善。总体趋势也不等于每帧每人都成立，个别子带的交叉不显著恰好提醒谱曲线的局部相交可能掩盖全局差异。

复现先做什么：参数与信息条件清单是什么？

复现应先锁定信息条件而非调参。数据侧需要 PAVSig 中 26 个单词的卷舌相关切段及说话人级发音位置标注，剔除跨擦音不一致的说话人，保留中间 50% 帧；信号侧固定 44.1 kHz 采样、0 到 1 线性归一化、20 毫秒帧长、10 毫秒重叠、2 到 16 kHz 每 500 Hz 一个 NE 子带共 28 个；特征侧固定 FF 为 2 kHz、4 kHz、5.5 kHz 和 7.5 kHz，积分得到 3 段 FNE 再求 3 个 FNER，每帧 34 维后在切段内平均得到 4429 个观测；模型侧按音位分别拟合特征对发音位置加说话人与父词随机截距，以卷舌为参照，用 lme4 拟合、lmerTest 求 p 值并报告边际与条件决定系数。

原文未提供代码、模型或数据已公开的可用链接，资源状态为无绑定验证资源，因此不能写代码已开源，只能按上述文字步骤重新实现。常见误解是把无神经训练等同于确定性求解：实际上随机效应估计和 p 值仍依赖优化收敛与样本构成，更换聚合方式或剔除规则会改变结果。另一个误解是把高频显著直接当临床增益：复现时应同时保留 7 kHz 低通对照，检验高频是否带来超出低频的增量区分，否则无法证明扩展频带的必要性。

还需补的验证包括平衡重采样下的稳定性、加入牙列信息的增量解释，以及在新说话人上的留人交叉验证。

何时值得尝试高频比值，结论如何收束？

综合全部证据，可以给出有条件的行动指南。当任务是区分卷舌目标的齿化与齿间化，且录音采样率支持 16 kHz 分析时，值得尝试 28 子带 NE 加 FNER 的组合，尤其优先看 FNER12 与 23 之比和 12 与 34 之比，因为它们在清擦、浊擦和塞擦音上都保持较强的发音位置效应且置信区间重叠。当怀疑的错误是龈腭这种与卷舌接近的类型时，要把注意力放在 4 到 10 kHz 以及塞擦音 8.5 到 10 kHz 的窄带签名，并接受低频单特征可能无显著差异的现实。

当数据中齿间样本很少时，应把高频结论表述为探索性发现而非部署标准，并补充重采样或更大样本验证。回到中心矛盾：标准低通分析为了稳健而截掉高频，却恰好截掉了儿童前移错误最敏感的拖尾；用共振峰锚定低中频再用比值捕捉前后能量再分配，是在不引入复杂分类器的前提下恢复这些线索的简约做法。

最终收束是：高频能量 up to 16 kHz 携带诊断相关信息是本研究直接报告的支持结论，新比值提供跨清浊的紧凑表示是有限解释下的应用前景，而能否转化为治疗师工作流中的误诊率下降仍是待验证问题。

⚖️ 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

← 返回 interspeech-2026 论文汇总