静音中段与清化元音下日本人听辨英语/iː/–/ɪ/：时长与促音偏置为何压过频谱残留

英文题目：Perception of English /iː/–/ɪ/ by Japanese Listeners under Silent-Centre and Devoiced Vowel Conditions

会议身份：conference:interspeech:2026:conference-paper-id:tokuma26_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 #跨语言 #音频分类

评分：5.6/10 | 创新 1.3/2 | 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 0.7/1.5 | 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

• Shinichi Tokuma：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为通用美音男性在载体句中读出的teat/tit与peace/piss的/CVC/录音，输出为日本大学生在静默中心与去浊化元音条件下的二选一辨认，难点是母语时长策略、促音联想与清辅音环境极易掩盖频谱线索。方法链分三步：先录制筛选最优token，再分别构造挖除元音核的SC连续体与用送气尾部扩展替代元音中部的DEV连续体，最后经由Praat MFC范式收集辨认并用重复测量逻辑回归建模，前步编辑后token重新嵌入载体句进入下一步听辨。与既往SC研究的关键差异是改用前后均为清辅音的高元音框架以触发日语清化语境，并增设送气编辑对照以检验残留高频频谱是否有助辨认，其意义在于区分时长效应与清化联想的实际贡献。在重复测量逻辑回归评测设置下，DEV条件的元音类型效应的指标Wald χ2为57.136，高于SC条件的元音类型效应的指标Wald χ2 37.402。结果显示时长缩短诱发选/ɪ/的偏好与40ms附近触发的促音式clipping效应叠加，而去浊化残留与送气存在并未提升辨认准确率，低水平者尚未验证对频谱线索的有效利用。结论仅适用于CEFR B1左右、无海外经历的日本大学生对teat/tit与peace/piss特定清辅音框架的感知，未验证高水平者、其他元音与自然语流的外推。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：为何只剩两头也能听出元音？

这篇论文的输入是英语单词中的元音判断任务，不是连续语音识别，也不是合成语音质量评价。具体来说，听者每次听到一个放在 carrier 句中的单词，如 teat 或 tit、peace 或 piss，只需在屏幕上点选听到了哪一个词。目标元音只有两个：长元音/iː/与短元音/ɪ/。对刚入门的研究生而言，关键是理解静音中段范式的做法。它把一个辅音元音辅音音节中元音最稳定、共振峰最平的那一段中央切掉，只留下靠近前后辅音的过渡段，中间用静音补上，但从词首辅音起点到词尾辅音终点的总时长保持不变。

母语者即使听不到元音核，仍能靠两头过渡的动态频谱变化猜对元音，这说明元音感知不只依赖稳态共振峰，还依赖时长与过渡变化。论文要追问的是第二语言听者是否也这样听。由于日语母语者听英语高前元音时本来就容易混淆/iː/和/ɪ/，且更依赖时长而非频谱，研究者把实验放在最容易触发日语清化与时长策略的清辅音包夹高元音环境中。必须保留的信息是：本研究没有训练神经网络，没有提出新模型，所有结论来自行为 forced-choice 辨认率。

资源状态为本次未发现可验证的公开代码、模型或数据，不得声称已公开。

前人做到哪里：静音中段在二语中为何变难？

静音中段的经典发现来自斯特兰奇等人，英语母语者在句中听被挖空的元音仍能保持较高辨认率。把它搬到二语后，情况开始分化。罗杰斯与洛佩兹比较西班牙语背景的英语学习者，发现晚学组在完整词和保留 40 毫秒音节时尚可，但在静音中段条件下显著差于母语者，早学组则接近母语者。这提示年龄与经验影响对过渡信息的利用。

施瓦茨等人用波兰人听英式英语，发现水平高的学习者更会用动态共振峰信息，因而静音中段正确率更高，水平低的则停留在较粗的线索上。德间此前的研究把同一范式用于日本人听/iː/、/ɪ/和/e/，发现日本音系的制约很强：对元音长短的依赖，以及由促音联想带来的切断感。凡是听感上像被截断的短促元音，容易被归为/ɪ/，因为英语 kick 等词进入日语常变成 kikku，促音前的短 i 与听感上的元音截断相互强化。本文的增量正在于指出前人刺激并不真正触发日语清化。

日语清化要求高元音被夹在清辅音之间，且声学上并非完全无声，高频仍有非周期成分残留。前人用的辅音环境不满足该条件，声学处理又直接做成静音，因此无法检验日本人是否把静音中段听成清化元音。作者还引入送气问题：英语清塞音后自然带一段送气，其无声带振动但有高频能量的性质与清化元音平行，听者可能把送气整合进后随元音的感知。已有日语研究指出/p/后清化元音处送气残留占主导，跨语言研究也显示听者会利用送气判断后随元音。

这就构成 3 个待检验假设：日语时长与切断效应仍强；保留高频的清化刺激应比纯静音更易辨；含送气的刺激应更易辨。

本研究到底要回答哪三个可检验问题？

论文把大问题拆成 3 个方向明确、操作可重复的预测。第一，日语母语影响是否仍然主导。具体操作是看完整词是否普遍偏向/iː/，而把过渡或浊音段缩短后是否系统转向/ɪ/，以及静音拼接是否额外推向/ɪ/。若成立，则说明即使放在清化易发环境中，时长与促音经验仍是主导线索。第二，清化刺激是否比静音中段更易辨。

操作是比较同一元音在两种构造下的正确率曲线。若日语清化经验真能迁移，保留高频噪声的清化刺激应高于对应静音刺激。第三，送气是否有帮助。操作是在静音中段内对比送气编辑与送气保留两种做法。若听者真把送气当作元音线索，保留送气的版本应更高。

教学上要注意，这 3 个预测的指标方向不同：第一个看偏置方向，第二个和第 3 个看正确率高低。作者明确写出预测方向，因此反例很清晰：如果清化更低或送气保留更低，就说明低水平听者没有利用频谱残留。样本走查可以帮助理解：拿 teat 的 1 次录音，先切出词，再按条件保留两头各 40 毫秒或更短，中间静音或噪声，最后放回原 carrier 句播放，听者点选 teat 还是 tit。整个推理只依赖行为选择，不依赖任何解码器输出。

术语速查：研究生第一次读必须对齐的词

静音中段指挖掉元音中央稳态、中间静音但总时长不变的刺激，用于检验过渡信息是否足够。清化刺激指中央用类送气噪声填充、有高频而无浊音的刺激，用于模拟日语清化。送气编辑与送气保留是静音中段的两种首段处理，前者首段浊音更短，后者保留送气因而浊音更长。过渡时长在静音图中指单侧保留时长，总浊音约为 2 倍；浊音段时长在清化图中直接指保留的浊音总量。

正确率指选对目标词的平均百分比，full 指未编辑原词。广义估计方程逻辑回归是处理被试内重复二选一数据的统计方法，报告的沃尔德卡方只检验因素是否显著，不直接给出两两差异。欧标 B1 与托业 665 用于标定本组为中低水平，这是解释为何频谱未被利用的关键信息条件。

方法全景：从录音到 120 次点选的流水线

整个流程可以沿一个样本走完。起点是 1 名 50 多岁的通用美式英语男性无言语障碍发音人，以舒适语速朗读印在纸上的框架句，目标词是 teat、tit、peace、piss。框架句为英文引文所示的固定句式，取句中第二个、处于非重读位置的词用于加工，以模拟日语清化多发生在非重音音节的特点。每种目标词共录得 4 个 token，录音为左声道单声道，话筒为索尼驻极体电容话筒，经 Praat 以 44100 赫兹采样存入笔记本电脑。随后按频谱分析与听感挑选每个类型的一个最优 token，切出框架句后在 Praat 中加工。

静音中段刺激用 teat 和 tit 制作，清化刺激用 peace 和 piss 制作。选择这两组词的理由是前后都是清辅音，符合日语高元音清化环境，且按日本放送协会重音词典的清化可能性分级，tit 的日语化形式属最易清化的甲类，piss 的日语化形式属次易的乙类。静音中段保留首尾过渡各 10、20、30、40 毫秒，中间调强度层挖空并加 2 毫秒线性渐变以减少拼接感，总起止时长不变。清化刺激则把中央换成送气尾部 20 毫秒段的延长，浊音段做成原长、80、60、40、20、0 毫秒的连续统。加工后的词再放回原框架句呈现。

听者是中央大学 18 至 22 岁、无海外经历、无听力障碍、学英语六至七年的学生，英语水平约相当于欧标 B1。实验在安静语言实验室用罩耳耳机进行，Praat 的实验模块控制，屏幕左右随机呈现两个词选项，音量自调，先熟悉再做 8 个练习试次，正式每 10 个试次休息 1 次，共 120 个呈现。最终 1 人中途放弃，纳入分析者为 14 人。

刺激如何构造：静音、清化与送气的三种波形

理解 3 种刺激的声学差别是复述方法的第一步。静音中段分两种子类型。送气编辑把词首的送气段也纳入编辑，等于首段过渡中浊音更少；送气保留则保留送气，只操纵其后的浊音段，因此同一名义切段下实际浊音更长。作者用 teat 从词首辅音起点到词尾辅音终点的总时长固定来保证时长线索只来自内部可听段，而非整体变短。

清化刺激则完全不同，它不是静音，而是用噪声填充中央，模拟日语清化中高频仍有能量的特点。原文强调日语清化不是把元音整段删掉，苏等与吉田的研究都显示无周期声门脉冲时仍有高频成分。下面的 3 张 Praat 截图分别对应 3 类样本的上波形下语图结构，读图时注意上为振幅波形、下为语图加绿色强度包络。

静音中段 × 元音清化： 静音中段负责把元音中央稳态段整体挖掉并用静音代替，分工是检验只剩首尾过渡时听者还能否辨元音；元音清化负责把中央段换成送气尾段延长而来的类噪声高频成分，分工是检验保留真实清化残留是否更像日语而更易辨；两者搭配的理由是日语清化并非全空而静音中段却是全空，只有并列比较才能分离无能量与有高频残留的作用，组合意义是判断频谱残留是否真被低水平学习者利用。

先看送气编辑的静音中段样本。它是 tit 在每侧保留 40 毫秒条件下的例子，中央为近乎平线的静音，左右各有一小段过渡，语图中间出现空白，强度包络跌至基线。这种构造最干净地检验过渡信息，但与真实清化相距最远。

看图路径： 1. 先看上半波形中间是否出现接近零振幅的静音段；2. 再看下半语图左右两段过渡与中间空白的对应关系；3. 对比绿色强度包络在中间段是否跌到基线

论文图 1。原论文 Figure 1：“Stimulus sample – SC/AE ‘tit’ (40ms).”。

该图显示中央静音两侧各有一段短促过渡，左侧过渡含爆破与送气后紧接的浊音，右侧为进入尾辅音的过渡。语图上左右共振峰过渡清晰，中间无能量，说明听者只能靠两头动态变化与残留时长判断。若听者依赖时长，会因浊音短而偏向/ɪ/；若对拼接敏感，也会因切断感偏向/ɪ/。

送气编辑 × 送气保留： 送气编辑指把词首塞音后的送气段也按操纵处理，分工是让首段过渡的浊音时长更短；送气保留指保留送气而只操纵其后浊音段，分工是保留更多可听过渡与浊音时长线索；搭配理由是英语清塞音到元音天然带送气而日语感知可能把辅音残留听成元音线索，只有对照才能检验送气是否被整合进元音判断，组合意义是解释同一切段下两类刺激为何走向不同偏置。

再看送气保留的同一切段样本。它的首段明显更长更连续，因为送气被完整保留，语图首段从噪声到浊音的过渡更丰满。教学例子：同样标称 40 毫秒，送气保留的实际浊音时长约为送气编辑的 2 倍，因此不能直接把标称值当浊音时长比较，这是解释两条曲线分叉的关键。

看图路径： 1. 先看首段过渡波形是否比图 1 更长且连续有声；2. 再看语图首段低频周期性能量是否更完整；3. 对比中间静音宽度与尾段过渡的对称性

论文图 2。原论文 Figure 2：“Stimulus sample – SC/ANE ‘tit’ (40ms).”。

该图可见首段波形振幅从小到大连续爬升，语图低频周期性能量更完整，强度包络首峰更高更宽。这意味着听者若按浊音时长判断，会觉得该刺激更长，从而更可能选/iː/。原文正是用这一声学差别解释为何在 40 与 30 毫秒处送气保留仍偏向/iː/，而送气编辑已转向/ɪ/。

最后看清化样本。它是 piss 在浊音段 40 毫秒条件下的例子，中央不是静音而是一段持续噪声，波形上右侧为密集毛刺状摩擦，语图高频区在中央仍有弥散能量，而左侧浊音段仍可见共振峰结构。

看图路径： 1. 先看中间段是否不是静音而是连续噪声波形；2. 再看语图高频区是否在中间段仍有弥散能量；3. 对比左侧浊音共振峰与右侧噪声段的频谱差异

论文图 3。原论文 Figure 3：“Stimulus sample – DEV ‘piss’ (40ms).”。

该图左侧为浊音元音的周期波形与清晰共振峰，右侧为延长的类送气噪声，高频发黑而低频周期性消失，强度包络右侧维持在中等高度而非跌零。这对应真实清化中声带不振动但口腔滤波仍塑造高频的情形。若听者会用高频残留，中央噪声应提供元音身份线索；若不会，则中央噪声只是拉长了整体听感而不增加可辨性，这正是第二个假设被否定的声学背景。

有无模型训练：本研究计算的是什么？

本研究没有训练任何神经网络、声学模型或分类器，也就没有优化器、损失函数、梯度路径、参数冻结与更新、早停或验证集选择。training 一节在此的职责是明确说明这一点，避免把行为实验误读为机器学习训练。真实的计算全部发生在刺激生成与行为统计两个环节。刺激生成环节的计算是信号编辑：在 Praat 中依据波形与语图确定元音起止点，按毫秒级时长截取过渡段，用强度层置零制造静音，或复制送气尾部 20 毫秒段并延长以制造噪声中央，再加 2 毫秒线性渐变平滑拼接。

统计环节的计算是对 14 名听者的二选一正确率取平均，按 token 类型与时长条件分组，并用针对重复测量的广义估计方程逻辑回归检验元音类型、送气类型与过渡时长的主效应。监督来源不是标签反传，而是人事先给定的正确答案，即播放的是 teat 还是 tit、peace 还是 piss。重置时机也不存在，因为没有跨轮参数状态，每次呈现独立随机化屏幕词序与刺激顺序。因此复现时不需要显卡预算，只需复现录音挑选标准、切点判定、时长阶梯与呈现次数。

若缺失切点处共振峰数值的逐点报告，应明确记为原文未报告的缺项，不能从 Praat 默认设置反推具体阈值。

实验条件如何保证可比：被试、呈现与统计口径

可比性来自三处固定：材料固定、呈现固定、聚合固定。材料上，发音人、框架句、取第二个词、每类四取一的挑选逻辑全程一致；静音用 teat 与 tit，清化用 peace 与 piss，前后清辅音环境一致，且都属于高元音，排除了元音高度与浊辅音干扰。呈现上，每名听者都听全部 30 种 token 类型，每种经左右屏位与 2 次重复共 4 次，合计 120 次，音量自调但设备与安静实验室一致，练习与休息规则一致。

聚合上，纵轴为每类每时长的平均正确百分比，横轴在静音图中为单侧过渡时长，full 表示未编辑原词，在清化图中为浊音段时长。原文特别提醒静音图的横轴数字是单侧值，总浊音时长约为 2 倍，例如 20 毫秒指两侧各 20 毫秒，总计 40 毫秒浊音。统计用重复测量逻辑回归的广义估计方程，给出沃尔德卡方与显著性。下面的设计参数表把时长阶梯与总量固定下来，读表时注意单位都在同一格内，毫秒不可拆分或四舍五入。

全词基线 × 过渡时长： 全词基线指未经挖除的原始 teat、tit、peace、piss，分工是提供无时长缩减、无拼接时的默认偏好；过渡时长指每侧保留 10、20、30、40 毫秒或浊音段 80 至 0 毫秒，分工是系统压缩可听元音信息；搭配理由是只有先确认完整词都偏向/iː/，才能把短条件转向/ɪ/归因于操纵而非词本身难辨，组合意义是让每条识别曲线的升降都有共同起点可比。

比较问题是：在时长阶梯与总量一致的前提下，静音与清化的操纵是否可比。公平条件是同为高前元音、同为清辅音框架、同为放回原句播放。指标方向是正确率越高越好，但在解释偏置时还需看错误方向是否系统偏向/ɪ/。

表后需要说明代价与边界。该表显示静音与清化的时长标尺并不直接对齐，静音标称 40 毫秒对应总浊音约 80 毫秒，而清化直接标浊音总量，因此跨图比较绝对值会误导，只能比较趋势与偏置方向。未胜出项是清化并未如预测那样因更像日语而更易辨，这为后文反证埋下伏笔。未评测边界包括只测/iː/与/ɪ/两个高前元音、只用/t/与/p、s/框架、只覆盖 B1 水平大学生，不能推广到其他元音、其他辅音或高水平听者。被试与统计口径见下表，重点是样本量小而重复测量多，显著性依赖被试内比较。

该表说明最终分析人数从 15 降至 14，因 1 人中途放弃，这在小样本行为实验中会放大个体差异，误差棒的解读需谨慎。统计上静音的元音类型、送气类型与过渡时长均显著，清化的元音类型与浊音时长也显著，但显著只说明因素有影响，不说明频谱残留被有效利用，方向还需看曲线。

数据口径再核对：数字、单位与聚合对象

核对数字时必须同时锁定数据集、阶段、指标、单位与聚合对象，数值相同不代表同一指标。本研究数据集就是 14 名听者每人 120 次点选，无训练集划分，无机器指标，全部为行为正确百分比。采样率 44100 赫兹是录音参数，不是刺激时长。224.7 毫秒与 263.1 毫秒是词起止总时长，不是元音时长；94.0 毫秒与 128.3 毫秒是清化原词的元音浊音时长，不是词总时长。

10 至 40 毫秒是静音单侧过渡，80 至 0 毫秒是清化浊音总量，两套标尺不可直接相减。沃尔德值 37.402、19.675、13.857 与 57.136、80.631 分别对应静音与清化的主效应，p 值均小于千分之一，但分属不同模型，不能跨模型比大小论强弱。百分点与相对百分比不同，原文只给正确百分比，未给提升百分点，复述时不得自行计算差值百分比。自动指标与人评的区分在此不适用，因为全是人评；但总体趋势不等于每名听者每步都成立，误差棒提醒个体变异。

下表把口径冲突与缺项集中呈现，避免把不同条件混入同一列。

表后解释主要代价与反例。该表表明即使数字表面可读，若聚合对象不明仍无法复算标准误，原文未报告按被试还是按试次的方差分解，这是具体缺项。反例是 piss 平台与 tit 爬升的差异，若只看显著性会忽略构造差异，只有保留原始条件列才能看到切断感的作用。未评测边界包括无反应时、无频谱敏感度基线、无母语对照，因此不能把行为正确率外推为感知能力的全部。

主结果：越短越选/ɪ/，但送气保留反而更高？

主结果的起点是全词基线。4 个结果图中完整原词都 overwhelmingly 被选为/iː/，作者将其归因于第一种效应，即日本人默认把英语高前元音听成长音。这很重要，因为它证明后续转向/ɪ/不是词本身难辨，而是操纵引入的。一旦缩短可听段，静音图的曲线开始分叉。对 tit 而言，单侧越短正确率越高，因为答案本就是/ɪ/，时长缩短正好推向正确答案。

对 teat 而言，单侧越短正确率越低，因为答案是/iː/却被推向/ɪ/。送气编辑线始终比送气保留线更偏向/ɪ/，即 tit 的送气编辑更高、teat 的送气编辑更低。原文报告送气编辑在所有时长编辑条件下都显示更高/ɪ/偏好，而送气保留在 40 与 30 毫秒处仍偏向/iː/，到 20 与 10 毫秒才转向/ɪ/。作者的声学解释是送气编辑的首段多为送气而不计入浊音时长感知，实际浊音少于 40 毫秒，而送气保留两侧都保留浊音，总浊音翻倍，因此 40 毫秒标称下前者已触发切断感而后者尚未触发。清化图更复杂。

peace 的正确率随浊音缩短单调下降，符合时长越短越选/ɪ/的预期；piss 的正确率先升后平，从完整词的低点升至 60 毫秒附近约六成后走平甚至在 0 毫秒回落，而非像 tit 那样持续走高。作者认为 peace 与 piss 都不触发促音联想，因为/pVs/借词不产生促音，因此只有默认长音偏好与时长偏好相互作用。piss 曲线在六成附近走平而非 50%，说明时长效应略强于默认效应，但弱于静音图的叠加效应。统计显著性支持因素有效，但不支持当初有利于清化与送气的预测。

读 tit 静音结果图时，先看横轴为单侧过渡时长，纵轴为选对 tit 的百分比，蓝色为送气编辑，橙色为送气保留。

看图路径： 1. 先确认横轴从 full 到 10 毫秒方向与纵轴正确率含义；2. 再比较蓝色送气编辑线与橙色送气保留线的分离点；3. 观察误差棒在 30 毫秒附近的重叠与分离情况

论文图 4。原论文 Figure 4：“Results for SC ‘tit’ tokens.”。

该图可见完整词时两线都在约三成附近，说明 tit 原词也被大量误听为 teat，印证默认/iː/偏好。切至 40 毫秒后蓝线跃升至 80% 以上并随缩短微升，橙线仅升至四成多，到 20 毫秒才追至近 70%。这直接支持时长与切断的叠加解释，也反证送气保留并未因频谱更多而更准识别/ɪ/，反而因浊音更长而更不像/ɪ/。像素不能精确读出的具体小数不应硬写，趋势以原文文字描述为准。

重提结果时需增加新对照：把 tit 静音的高点与 piss 清化的平台对比。同样是正确答案为/ɪ/，前者在送气编辑 40 毫秒已达 80% 以上，后者在浊音 60 毫秒仅约六成走平。作者据此提出切断感在静音中被强烈触发，而在清化噪声填充下未被触发。若只看显著性会误以为两者都只是时长效应，只有对比绝对高度才能看到拼接方式的额外作用。这也解释为何作者假设清化应更高却实际略低：低水平听者没有利用高频残留，反而失去了切断这一推向/ɪ/的助力。

时长偏置 × 切断感偏置： 时长偏置指元音浊音部分越短越倾向判断为短元音/ɪ/，分工是执行日语长短对立的迁移；切断感偏置指静音中段拼接造成的 abrupt 中断听感引发/ɪ/偏好，分工是执行由 kikku 类促音借词经验带来的联想；搭配原因是两者都推向/ɪ/但触发条件不同，只有区分才能解释为何送气编辑与送气保留在 40 毫秒附近分叉，组合意义是提出约 40 毫秒浊音时长为切断感增强的阈值解释。

反证与消融：拿掉高频与送气会发生什么？

论文没有神经网络消融，但有 3 组天然对照起到消融作用。第一组是静音对清化。若把高频残留拿掉得到纯静音，按预测应更差，实际却是静音的/ɪ/识别更高，清化略低。这说明高频残留不是有效线索，至少对 B1 听者不是。第二组是送气保留对送气编辑。

若把送气拿掉，按预测应更差，实际拿掉送气的送气编辑反而更偏向/ɪ/，即在 tit 上正确率更高、在 teat 上正确率更低。这说明送气带来的额外浊音时长抵消了转向/ɪ/的趋势，听者用的是时长而非送气频谱。第 3 组是时长阶梯本身。从 full 到 10 毫秒或 0 毫秒，正确率（%）单调变化的方向符合时长假设，而 40 毫秒附近出现分叉，支持切断感在浊音总量低于约 40 毫秒时增强。作者用送气编辑 40 毫秒与送气保留 20 毫秒的高识别对比清化 40 毫秒的低识别，论证切断感只在静音拼接下强触发。

教学例子：把送气编辑想象成把首段浊音换成噪声，听者计入的元音时长变短，自然更觉得是短元音，这与频谱是否丰富无关。未胜出项必须点名：两个原本预测会赢的条件都输了，这是本文最有价值的负结果。未评测边界是若换成高水平听者，频谱可能被利用，施瓦茨的高水平组正是如此，但本研究未设高水平组，不能断言训练后仍无用。

哪些结论还站不稳：样本、材料与推断边界

首先是样本边界。最终 14 人、单所大学、同为 B1、无海外经历，个体差异大，误差棒在部分时长上较宽。结论中约 40 毫秒阈值的说法用的是可能与待验证语气，原文明确写需要进一步验证，不能当作普适阈值引用。其次是材料边界。只用 teat、tit、peace、piss 4 个词，塞音与擦音框架、 carrier 句固定、发音人单一，无法分离词频、语境与发音人清晰度的影响。

清化构造用送气尾部延长代替真实日语清化元音，其高频形状是否等同自然清化未经声学等价性检验，只能说模拟了有高频而无浊音的性质。第三是推断边界。行为正确率只能显示相关，不能证明听者完全没听到高频，只能说在当前任务中没有转化为正确率收益。也未测量反应时、置信度、听力阈值或频谱敏感度，因此不能承诺教学干预或算法增强高频就能改善。

原文图注把第七图仍写作 piss tokens 而正文按 peace 解释，存在图文标注冲突，引用时应按正文语义说明该图为 peace 曲线并标注冲突，而不应自行改写原图注数字。最后是统计口径。平均正确率未报告按被试还是按试次聚合的方差细节，广义估计方程只给出主效应显著，未报告交互项与事后校正，不能据此做两两时长点的显著性断言。

若要复现：先做什么、参数如何冻结

复现的第一步是重建刺激，而非重跑模型。按原文顺序：录制目标词在固定框架句中的四遍发音，取第二词位置；用波形加语图确定元音起止，挑选听感与频谱最优的一遍；静音刺激按单侧 10、20、30、40 毫秒截取首尾过渡，中央强度置零并加 2 毫秒线性渐变，总起止时长分别固定为 tit 的 224.7 毫秒与 teat 的 263.1 毫秒；清化刺激以原浊音 94.0 毫秒与 128.3 毫秒为起点，按 20 毫秒步长生成原长、80、60、40、20、0 毫秒连续统，中央用送气尾部 20 毫秒延长填充。

送气编辑与送气保留分别处理首段送气。关键超参数必须原样保留：44100 赫兹采样、单声道左声道、2 毫秒渐变、单侧时长定义、放回原句播放。第二步是重建流程：14 人以上同水平被试、罩耳耳机、Praat 实验模块、屏幕词位随机、刺激顺序随机、8 个练习、每 10 试次休息、每种类型 4 次共 120 次。第三步是重建分析：按类型与时长算平均正确百分比，横轴定义与原文一致，统计用重复测量逻辑回归。

还需补做的验证包括：报告切点判定者间一致性、测量中央噪声与自然清化的频谱距离、增设高水平组与母语对照组、补充反应时与个体时长敏感度，以检验 40 毫秒阈值是否稳定。资源方面，原文仅声明用生成式工具做英文校对，不涉及代码生成；本次未发现可验证的公开资源，不得写已公开或当前可用。

何时值得借鉴：给语音教学与实验设计的 takeaway

当你的问题也是第二语言元音感知且怀疑母语时长策略在捣乱时，这套静音加清化的双构造值得借鉴。它用极少的词与时长阶梯分离了 3 种效应：默认长音偏好、时长缩短推向短音、拼接切断感推向短音。若你的听者水平较低，不要指望简单保留高频或送气就能提高辨认，因为本研究显示他们更可能只计浊音时长。若要让频谱起作用，可能需要先训练听者注意动态共振峰，或改用高水平组验证。

实验设计上，务必像原文那样明确单侧与总量的换算，否则送气编辑与送气保留的比较会完全错位；同时把完整词基线放在每条曲线起点，否则无法判断转向是操纵所致。常见误解是把静音中段的静音等同于日语清化，本文恰恰证明两者声学与感知都不同：清化有高频残留，静音全无，而低水平听者对残留不敏感，却对拼接敏感。

另一个误解是把显著性等同于预测成立，本文三因素显著但 2 个方向性预测被否，这才是规范解读：显著只说有影响，曲线方向才说如何影响。总体上，该研究支持母语时长与促音经验压过时长中和效应的判断，但阈值与机制仍待高水平组与声学等价性检验来加固。

⚖️ 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