英文题目：Phonetically Grounded Vowel Space Metrics for Evaluating Synthetic Speech During TTS Model Training
会议身份：
conference:interspeech:2026:conference-paper-id:udawatta26_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：#评测协议 #模型评估 #语音学与音系 #语音 #文本到语音
评分：5.4/10 | 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 0.5/1.5
排名：后50% | 文档类型：方法研究
👥 作者与机构
- Pasindu Udawatta：机构信息未能从会议 PDF 纯文本可靠映射
- Jesin James：机构信息未能从会议 PDF 纯文本可靠映射
- Sally Akevai Nicholas：机构信息未能从会议 PDF 纯文本可靠映射
- B. T. Balamurali：机构信息未能从会议 PDF 纯文本可靠映射
- C. I. Watson：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
本文输入为文本到语音（Text-to-Speech，TTS）微调过程中不同检查点的合成语音，输出为与目标口音相似程度对应的客观分数，难点在于训练损失曲线缺乏语言学可解释性且无法反映口音感知变化。方法链分为三步：先用WebMAUS切分与Parselmouth提取共振峰（Formant）在音段中点求平均得到元音空间坐标，再分别计算合成与真实角元音多边形的面积交叠与普鲁克分析（Procrustes Analysis）对齐残差，最后将两指标时序曲线与听感口音相似度评分做关联验证。与仅做定性可视化的既有工作相比，该机制将形状相似显式量化为可追踪的面积共享与尺度位置旋转不变的几何偏差，具有训练过程可监测的实际意义。在新西兰英语8个检查点上元音空间交叠（Vowel Space Overlap）与平均口音相似度的Pearson相关为0.72，普鲁克归一化差异（Procrustes Normalised Disparity）相关为-0.79，均达到显著水平。结论目前仅适用于以元音差异为主的英语口音Tacotron 2微调场景，未验证辅音主导语言、协同发音变化及现代非自回归架构的外推性。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
训练时听不出进步：损失在降，口音像了吗？
这篇论文的输入是文本转语音模型训练过程，目标是在训练中途给出能解释口音学习程度的客观度量，输出是两个基于语音学形状的数值指标及其与人听评分的相关性证据。读者需要先保留 3 个信息：研究只处理英语口音适应，只用元音空间的角元音多边形，只在检查点上合成词表并测量共振峰后计算指标。本文按学习依赖展开，先讲为什么主观听测和损失曲线不够用，再讲元音空间全景与两个指标的计算，然后讲从通用美国英语微调到新西兰英语和印度英语的具体构造，最后讲感知实验条件、数值结果与复现要点。
语音合成通常在训练完成后做主观听测，听测能反映感知但昂贵耗时，不可能每个训练步都做。训练中能看到的是损失曲线，但原文指出损失曲线缺乏语言学可解释性，不一定反映言语质量与发音准确率在语言或口音维度上的感知变化。对于刚入门的研究生，关键动作是区分优化目标与评价目标：损失回答频谱预测误差是否变小，口音相似度回答合成语音是否更像目标人群的元音格局。论文要补的正是第二个问题在训练中的可观测代理量。
口音差异的一个语言学抓手是元音系统，特别是第一共振峰与第二共振峰张成的 2 维元音空间。用白话说，第一共振峰大致对应开口度与舌位高低，第二共振峰大致对应舌位前后，每个元音在该平面上是一个点，角元音是舌位最极端的几个点，把它们按顺时针或逆时针连起来就得到口音的几何轮廓。以下图展示了 3 种英语口音的轮廓差异，是理解后文重叠与对齐的思想基础，图中横轴为第二共振峰、纵轴为第一共振峰，均以 Bark 为单位且方向为反转坐标。
看图路径： 1. 先看横轴第二共振峰与纵轴第一共振峰的朝向，注意数值向右和向下增大的反转坐标习惯；2. 再对比粉色通用美国英语四边形与橙色新西兰英语、蓝色印度英语三角形的顶点位置；3. 找到各口音标注为圆点的角元音及其 Wells 关键词，确认形状差异来自哪些顶点；4. 把形状差异与后文要用角元音连多边形的度量思路联系起来
论文图 1。原论文 Figure 1：“Vowel space shapes of three English accents. Corner vowels are indicated with dots and Wells’ keywords [12].”。
上图把通用美国英语画成四边形，把新西兰英语和印度英语画成三角形，并用圆点标出角元音及其 Wells 关键词。从像素可见，通用美国英语的 FLEECE、GOOSE、START、TRAP 分布较开，新西兰英语的 FLEECE、START、THOUGHT 构成偏低的三角形，印度英语的 FLEECE、GOOSE、PALM 构成高而尖的三角形。这种形状差异说明仅比较单个元音均值不够，需要同时比较多边形的面积共享程度与形状本身是否一致，这直接引出重叠指标与普鲁克鲁斯特指标的分工。
已有路线为何停在看图说话？
与本文同输入、同目标的工作包括用元音空间面积、共振峰离散度、相对元音位置分析人类发音，以及把普鲁克鲁斯特匹配用于说话人归一化和基于发音数据的语音识别。原文梳理指出，近期文本转语音研究已观察到从一个口音微调到另一个口音时，合成语音的元音空间会逐渐向目标口音移动，但停留在定性层面，依赖视觉检查而非可测量、可复现的指标。
另一条同目标路线是合成语音自然度的元音空间重叠探索，以及口音相似度的发音相关指标。原文的限定很明确：前者的有效性与感知效度尚未建立，后者只在单一口音上验证且只做训练后评价。因此本文的增量不是提出元音空间本身，而是把训练中的形状演化变成两个可在检查点重复计算的数值，并用两个口音的听感数据检验其感知相关性。
对初学者而言，同运行阶段的对照很重要：训练后做 1 次听测属于事后评价，训练中每个检查点都能算的几何指标属于过程监控，二者成本与用途不同。本文不主张取消听测，而是为训练中何时更像目标口音、何时出现偏离提供可解释的中间信号。
要回答的具体问题是什么？
论文把问题收敛为一句话：合成元音空间在视觉上向目标靠拢的过程能否被量化，并作为有感知依据的学习指示器。具体做法是固定真值元音空间形状，在训练步 t 计算合成形状与真值形状的几何相似度，再检验该相似度是否跟踪人感知的口音相似度。
这里的真值指目标口音录音数据的元音空间，合成指当前检查点模型生成的相同词表的元音空间。贡献按原文是两项：提出两个语音学有依据的训练中评价指标，给出它们在多个口音上与感知口音相似度相关的证据。例子仅为教学：好比用三角形的重合程度判断描图是否描准，本文把描图对象换成角元音多边形，把肉眼判断换成面积交集与对齐残差。
方法全景：一个检查点走完输入到指标
沿一个训练检查点走完完整链路有助于建立依赖顺序。输入是 25 个不同词序的词表，词表由表 1 中的单元素词构成，目的是平衡邻接词与句中位置带来的合成变异。模型在该检查点合成这些词表语音，语音经切分得到音素边界，再在每个元音出现的时间中点提取共振峰并跨出现次数平均，得到每个单元素的一个第一共振峰与第二共振峰对。接着只取角元音的坐标连成多边形，分别计算重叠面积与普鲁克鲁斯特归一化差异。输出是该步的两个数值，数值方向相反：重叠越大越好，差异越小越好。
新西兰英语取 FLEECE、THOUGHT、START 为角元音，印度英语取 FLEECE、GOOSE、PALM 为角元音。原文明确指标用角元音计算，而全部 11 个单元素用于合成与切分语境。这种安排的理由是角元音定义形状极端点，对口音几何最敏感，同时减少内部元音波动对多边形稳定性的干扰。
两个指标的互补性需要在全景层先记住：重叠回答共享声学空间有多少，普鲁克鲁斯特差异回答去除位置、朝向、尺度后形状还差多少。前者保留绝对落点信息，后者聚焦相对构型，原文报告二者在两个口音的最优点出现在同一训练步，提示二者可能共同促成成功的口音适应。
重叠指标如何从多边形算出面积？
先讲白话再给英文名：元音空间重叠即 Vowel Space Overlap，做法是把合成多边形与真值多边形叠在一起，算两者相交部分的面积。顶点按顺时针或逆时针排序，相交多边形用 Sutherland-Hodgman 多边形裁剪算法求出，再用鞋带公式求面积。训练步 t 的重叠记为交集面积，取值从 0 到真值形状面积，越大表示几何相似与潜在语言或口音相似越高。
元音空间 × 共振峰： 元音空间负责提供可画图、可比较的口音几何载体，共振峰负责提供每个元音在该空间中的坐标测量，第一共振峰对应舌位高低、第二共振峰对应前后，二者搭配的理由是仅有抽象口音标签无法定位学习变化，而仅有声学数值又缺乏语言结构，组合后角元音连成的多边形形状成为可计算重叠与对齐残差的对象。
具体操作时，合成形状与真值形状都在第二共振峰为横轴、第一共振峰为纵轴的平面上，相交多边形的顶点数为 M，面积是对相邻顶点交叉乘积求和后取绝对值的一半。原文强调该指标是基于面积的共享程度指示，不是点对点的平均误差，因此即使个别顶点有偏移，只要整体落区重合仍可得到较高值。
元音空间重叠 × 普鲁克鲁斯特归一化差异： 元音空间重叠负责度量两块声学区域共用多少面积，普鲁克鲁斯特归一化差异负责在去除位置、朝向和尺度后度量形状本身差多少，前者对绝对位置和大小敏感，后者只看相对构型，搭配的理由是口音既涉及整体分布是否落到目标区域，也涉及跨说话人归一化后的三角形或四边形是否一致，组合后同一训练步的两种最优值互相印证。
需要区分的是，重叠对平移和缩放敏感，若合成整体偏离目标区域则交集变小。这正是需要第二个形状归一化指标的原因，下节继续讲对齐后的残差。
对齐后还差多少：普鲁克鲁斯特归一化差异
用白话说，普鲁克鲁斯特归一化差异即 Procrustes Normalised Disparity，做法是先把合成点集与真值点集搬到同一中心、缩放到同一尺度、旋转到最贴合的角度，再算贴合后还剩多少平方残差，最后除以真值形状的总方差做归一化。数值从 0 向正值增大，越小表示对齐后几何失配越小。
计算分 4 步。第一步去中心化：合成坐标矩阵与真值坐标矩阵分别减去各自质心，得到去位置影响的点集。第二步除以 Frobenius 范数去除尺度影响，Frobenius 范数定义为矩阵元素平方和的平方根。第三步求最优正交旋转矩阵，使旋转后的归一化合成点集与归一化真值点集的 Frobenius 距离最小，原文用正交普鲁克鲁斯特算法并以 SciPy 实现求解。第 4 步由旋转矩阵算出缩放因子，再把去中心合成点集缩放、旋转、平移回真值质心，得到对齐后合成坐标，最后用对齐残差平方和除以真值去中心平方和得到该步指标。
该设计的语言学依据是元音空间可能因说话人平移或缩放，但决定口音的是相对形状。对齐后接近零的残差意味着合成形状几乎复刻了真值形状的相对构型。原文的可视化把对齐后合成形状画成粉色实线多边形，便于与橙色真值虚线直接比较贴合程度。
模型如何从美国英语起步并微调到两个口音？
训练部分按原文交代，不做超出证据的实现猜测。基础模型是 Tacotron 2，先在通用美国英语语音数据集上训练 376000 步，该数据集约 24 小时、13100 个音频片段、女性发音，训练按验证损失收敛停止。然后分别向新西兰英语和印度英语微调 28000 步，停止点通过观察损失曲线确定。新西兰英语语料约 1 小时、831 个片段、女性发音，在 NVIDIA K80 上以 0.001 学习率训练约 36 小时。印度英语语料约 10 小时、1095 个片段、男性发音，在 NVIDIA RTX 4090 上以 0.001 学习率训练约 6 小时。
微调 × 感知口音相似度： 微调负责提供从通用美国英语起点向目标口音移动的学习过程，感知口音相似度负责提供人类听感是否跟随移动的外部标尺，前者产生一系列中间检查点的合成语音，后者用李克特量表对这些检查点打分，搭配的理由是仅看损失无法判断口音是否更像目标，组合后几何指标与听感评分的相关系数成为指标是否有效的判据。
原文未报告冻结哪些层、梯度路径与优化器细节超出学习率与硬件的部分，这些缺项在复现时必须如实保留为未知，不从模型名称推定实现。能确定的是起点相同、微调目标不同、步数相同，这使得两个口音的学习轨迹可以在相同步轴上比较。后续选择的检查点新西兰英语为 0、1000、3000、7000、10000、16000、20000、28000，印度英语为 0、1000、3000、7000、10000、16000、24000、28000，差异在于 20000 与 24000 的取舍，比较时需注意该不对齐点。
从学习行为看，原文报告两条轨迹形态不同：新西兰英语在前 3000 步快速改善随后偏离最优，印度英语则渐进改善至 24000 步达到峰值对齐。这种差异提示不能把末步结果推广为全程最优，也不能把一个口音的最优步数直接套到另一个口音。
共振峰与听测条件如何保证可比？
共振峰流程的输入是各检查点合成的词表语音。切分用 WebMAUS，新西兰英语用新西兰英语语言模型，印度英语用通用英语模型。共振峰提取用 Parselmouth 即 Praat 接口，默认设置加 25 毫秒高斯窗。对每个单元素在每次出现的时间中点取值，再跨所有出现平均得到该步的一个点。这种取中点再平均的做法减少了协同发音边缘与偶发合成波动的影响。
角元音 × Wells 关键词： 角元音负责定义多边形的顶点即舌位极端点，Wells 关键词负责把跨口音的不同元音实现锚定到同一词汇集合如 FLEECE、START、THOUGHT 上，前者决定形状的稳定性，后者决定跨口音比较时取的是同一语言学对象，搭配的理由是若顶点选择不一致则面积与对齐残差不可比，组合后新西兰英语用 FLEECE、THOUGHT、START 而印度英语用 FLEECE、GOOSE、PALM 构成各自可复现的三角形。
听测是两个独立在线实验，分别评价合成的新西兰英语与印度英语在所选步上的口音感知。被试用 5 点李克特滑杆从完全不像该口音到完全像该口音打分，同时对目标口音、通用美国英语与两个干扰口音评分。新西兰英语测试覆盖 9 个单元素，包括角元音与与通用美国英语差异最大的元音，每个元音每步合成 2 句载体句共每步 18 句、总计 144 句，23 名在新西兰居住超一年的被试完成。印度英语测试覆盖 6 个单元素，包括角元音与在某些口音中实现为双元音的 FACE、GOAT，每元音每步 1 句载体句共每步 6 句、总计 48 句，23 名被试中 20 人在印度居住超两年完成。所有被试报告听力正常且熟练使用英语。
相关性分析按口音分别做，用 Pearson 相关系数检验指标与平均口音相似度在训练步之间的线性关系，平均相似度把完全不像记 1 分到完全像记 5 分后平均。原文说明正态性满足且关系呈线性才选用该系数，重叠预期为正相关，普鲁克鲁斯特差异预期为负相关。
数据与伦理信息还有哪些必须记住？
数据层面，新西兰英语与印度英语各有 11 个单元素，原文以国际音标与 Wells 关键词对照给出，并在合成词表中以 heed、head、had 等词承载。25 个词表通过打乱词序构造，目的是平衡合成中邻词与位置效应。指标计算只用角元音，但合成与听测覆盖更多元音以检验泛化与感知。
伦理与管理信息按原文记录：研究获奥克兰大学人类被试伦理委员会批准，新西兰英语与印度英语分别有对应编号与批准日期，被试激励来自研究生支持基金与工程设计学部，研究资助来自火星登基金经新西兰皇家学会管理。方法细节上，正交普鲁克鲁斯特用 SciPy 的正交普鲁克鲁斯特函数实现。这些信息是复现时核对协议一致性的依据，不是效果证据。
检查点数值显示最优点在哪里？
本节回答测什么、与谁比、条件是否一致、指标方向与关键数字。测的是同一模型在不同训练步的合成形状与固定真值形状的几何相似度，比较对象是不同步之间而非不同模型之间，条件一致性依赖同一词表构造、同一 WebMAUS 切分策略族与同一 Parselmouth 提取设置。指标方向为重叠越大越好、普鲁克鲁斯特差异越小越好、平均口音相似度越大越好。以下整理表把原文报告的检查点数值放在同一视野，便于核对最优点与非单调变化，表中数值保留原文精度与小数写法。
| 训练步 | 新西兰英语重叠 | 新西兰英语普鲁克鲁斯特差异 | 新西兰英语平均相似度 | 印度英语重叠 | 印度英语普鲁克鲁斯特差异 | 印度英语平均相似度 |
|---|---|---|---|---|---|---|
| 0 | 1.4644 | 0.2027 | 2.0556 | 2.3343 | 0.1063 | 1.1594 |
| 1000 | 4.8243 | 0.0006 | 2.2609 | 2.1599 | 0.1117 | 2.9638 |
| 3000 | 5.9867 | 0.0002 | 2.5000 | 4.6922 | 0.0672 | 3.2899 |
| 24000 | — | — | — | 6.5546 | 0.0033 | 3.7609 |
| 28000 | 4.1752 | 0.0132 | 2.4583 | 6.2040 | 0.0048 | 3.6957 |
上表提出的问题是最优点是否同时被两个几何指标与听感指向，公平条件是同一起点模型与各自固定的真值形状，指标方向如前所述。主要收益是新西兰英语在 3000 步重叠最大且差异最小，印度英语在 24000 步重叠最大且差异最小，且对应步的平均相似度也处于高位。具体代价与反例是新西兰英语并非越练越好，3000 步后重叠回落、差异回升，28000 步重叠仅 4.1752 而差异升至 0.0132。印度英语在 1000 步甚至出现重叠低于起点而差异高于起点的波动，说明早期单调改善不成立。未胜出项必须指出：新西兰英语 16000 步与 3000 步平均相似度相近，但几何指标一致认为 3000 步更优，这正是几何指标提供额外分辨力的例子。
以下图为新西兰英语的代表性可视化，用于把表格中的最优与偏离落到形状上，导读强调先分清 3 类线型再看步轴。
看图路径： 1. 先按图例区分橙色虚线真值形状、蓝色虚线合成形状与粉色实线对齐后合成形状；2. 再看横轴训练步滑杆，确认当前面板对应新西兰英语的哪个检查点；3. 观察 FLEECE、START、THOUGHT 三个顶点在合成与真值之间的距离变化；4. 对比不同步面板中粉色填充交集与对齐后残差的视觉大小
论文图 2。原论文 Figure 2：“Representative visualisations of vowel space metrics for New Zealand English.”。
上图解释可见内容：橙色虚线为真值形状，蓝色虚线为合成形状，粉色实线为对齐后合成形状。在代表性面板中，3000 步附近的粉色多边形与橙色虚线贴合最好，对应表中接近零的差异值，而 28000 步面板中 START 与 THOUGHT 顶点的错位重新增大，对应重叠下降与差异上升。像素不能精确读出的面积数值不硬写，以表格数值为准，图只用于确认方向一致。
相关性与互补性是否在两个口音都成立？
本节把几何指标与听感的关系做跨口音检验，并说明两指标为何互补而非重复。检验方法是分别计算重叠与平均相似度、差异与平均相似度的 Pearson 系数。以下整理表保留原文的相关系数与显著性写法，表中括号内为显著性值。
| 指标 | 新西兰英语相关系数 | 新西兰英语显著性 | 印度英语相关系数 | 印度英语显著性 |
|---|---|---|---|---|
| 元音空间重叠 | 0.72 | 0.04 | 0.79 | 0.02 |
| 普鲁克鲁斯特归一化差异 | -0.79 | 0.02 | -0.79 | 0.02 |
上表提出的问题是几何接近是否对应听感更像目标口音，公平条件是同一组检查点上的指标与评分配对，指标方向为重叠正相关、差异负相关。主要收益是 4 个系数绝对值均超 0.7 且显著性均小于 0.05，支持更大重叠与更小对齐残差对应更高平均口音相似度。具体代价是相关性不是因果，且样本是步级别的聚合均值而非句级别分布，不能推出每一步、每位听众都成立。未评测边界包括辅音、协同发音与其他语言，原文明确未研究这些因素。
以下图为印度英语的代表性可视化，用于检验渐进学习轨迹的形状证据，导读要求先定位 3 个角元音再看步轴变化。
看图路径： 1. 先按图例区分真值、合成与对齐后合成三类多边形线型；2. 再定位 FLEECE、GOOSE、PALM 三个印度英语角元音在两类形状中的位置；3. 观察训练步滑杆从早期到 24000 与 28000 时蓝色合成点向橙色真值点的靠拢；4. 注意对齐后面板中粉色多边形与橙色虚线的贴合程度
论文图 3。原论文 Figure 3：“Representative visualisations of vowel space metrics for General Indian English.”。
上图解释可见内容：印度英语面板中合成的 GOOSE 与 PALM 点随训练步向真值点靠拢，对齐后粉色多边形在 24000 步附近与橙色真值虚线最为贴合，对应表中该步重叠最大、差异最小。28000 步略有回落，说明峰值不在末步。两指标在同一峰值步同时最优，支持原文关于共享声学空间与对齐后形状相似共同跟踪口音适应的判断，但该判断仍是相关性层面的支持而非机制证明。
哪些结论不能从当前证据推出？
第一，适用范围限于英语口音，且原文说明聚焦英语口音是合理的，因为元音空间差异对这些口音变异贡献最大，但这不等于该方法可直接推广到更依赖辅音或声调的语言。第二，指标只用角元音多边形，未建模内部元音、辅音与协同发音，内部元音的改善或退化不会反映在当前数值中。第三，听测用载体句与有限元音集合，平均相似度是对被试与句子的聚合，不能等同于自然连续语音的整体自然度。
第四，训练资源与推理开销需分开讨论：原文给出微调硬件与时长，但未测量指标计算本身的延迟、误判率或作为早停与损失函数成分时的收益，因此不能承诺加入这些指标一定提升自然度或节省训练成本。第五，总体趋势不等于每组每步成立，新西兰英语先升后降、印度英语早期波动都是反例，实际使用时应逐检查点观察而非只看起点与终点。
最后，原文图表与数值之间若出现表头或聚合口径冲突，应以原文连续表述为准，本文未发现可自行调和的冲突之外的额外划分，不虚构说话人归一化或统计口径来圆成一致。
要复现应先固定哪些步骤与检查项？
复现的第一步是固定起点与语料条件：先训练通用美国英语 Tacotron 2 至验证损失收敛，再分别微调新西兰英语与印度英语 28000 步，学习率按原文取 0.001，硬件差异允许但需记录，因为原文两口音硬件与时长不同。第二步固定检查点集合与词表构造：按原文步数合成 25 个不同词序的词表，保持每步合成量一致，新西兰英语与印度英语在 20000 与 24000 处的差异要原样保留以便对照。
第三步固定测量链：WebMAUS 切分语言模型按口音分别选择，Parselmouth 用默认设置与 25 毫秒高斯窗，取时间中点再跨出现平均，只用角元音计算指标。新西兰英语角元音为 FLEECE、THOUGHT、START，印度英语为 FLEECE、GOOSE、PALM，顶点顺序保持顺时针或逆时针一致。第 4 步固定听测聚合：5 点量表从完全不像到完全像分别记 1 至 5 分，按口音分别算平均相似度，再算 Pearson 系数并检查正态与线性前提。
关于可用性，本文证据中资源状态为未发现可验证的公开资源绑定，因此不声称代码、模型或数据当前已公开或可下载。复现者应以论文正文的参数、语料描述与工具名称为依据重建流程，缺失的冻结层、优化器与批量大小等细节记为未报告项，不从模型名称推定。
何时值得尝试这套训练中探针？
当你的微调目标是口音或语言的元音格局，且损失曲线已收敛但听感仍不确定是否更像目标时，值得在检查点上并行计算这两个几何指标。操作是每隔固定步数合成相同词表，算重叠与对齐残差，若两者同时改善且听感抽查也向好，则继续训练的信心更强。若两者背离，例如重叠上升但对齐残差不降，应检查是整体平移问题还是形状本身问题，前者可能与说话人尺度有关，后者更可能与角元音实现有关。
损失曲线 × 元音空间指标： 损失曲线负责反映频谱预测误差是否收敛，元音空间指标负责反映元音几何是否逼近目标口音，前者是优化目标的代理量，后者是语言学可解释的外部探针，搭配的理由是损失下降不必然等于口音变像，组合后论文建议把元音空间指标作为训练中与损失曲线并行的补充观察量而非替代损失函数。
对初学者的特有误解需要澄清：接近零的普鲁克鲁斯特差异不等于合成与真值波形相同，它只说明去除位置、朝向、尺度后三角形几乎重合。重叠最大也不等于每个元音都准确，它只说明共享声学区域最大。原文未来工作提到把指标用于早停辅助、损失函数或注意力机制，但这些在当前证据中属于待验证方向，不能当作已证收益。收束时记住可复述的方法句：固定真值角元音多边形，在每个检查点合成同词表、切分取中点平均得坐标，连多边形后一路算交集面积、一路做中心化、归一化、最优旋转对齐后算归一化残差，再与听感均值做步级别相关检验。
⚖️ 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