没有加速度计也能估计声门下共振：从语音生成振动再做自动跟踪

英文题目：From Continuous Speech to Subglottal Resonances: Automatic Signal Generation, Estimation, and Tracking Framework

会议身份：conference:interspeech:2026:conference-paper-id:udeogu26_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：#CNN #信号处理 #发声与构音 #语音 #语音属性识别

评分：6.3/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 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

• Chigozie Uzochukwu Udeogu：机构信息未能从会议 PDF 纯文本可靠映射
• Carol Espy-Wilson：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为连续麦克风语音，输出为颈部加速度计波形与前三个次声门共振（Subglottal Resonances，SGRs）随时间的轨迹，难点在于专用采集成本高、共振易被声道共振峰掩蔽且女性高基频下线性预测不准。方法链分三步：监督式多尺度谱学习模型将语音谱图映射为加速度计谱图并逆变换重建波形，能量持续时间准则从浊音区挑选最长最强稳定元音段做参考估计，自适应跟踪模块用语音活动检测加概率YIN基频门控剔除非浊音帧，用参考偏差触发线性预测阶数与预加重因子重搜实现连续跟踪。与Lulich等逐个共振半自动标注相比，该工作首次实现三共振并发全自动估计与跟踪。在TIMIT语料身高回归评测任务下，本框架Sgr1的RMSE为6.2 cm，低于Arsikere等方法的RMSE 6.6 cm。跟踪阶段以参考共振为锚点逐帧比较偏差并重搜参数从而抑制突变与断裂。该结论适用边界受限于成人美式英语元音主导连续语音，儿童、病理与强噪声场景尚未验证。原文未披露训练、推理或部署成本。结论仅在 50 名成人美式英语说话人元音主导语料上验证，儿童、病理嗓音与强噪声外推未验证，训练推理成本未披露。

🔗 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，目标是什么，先保留哪些信息？

这篇解读的输入是论文正文给出的文字证据和 3 张官方原图像素，目标是让刚进入语音音频领域的研究生能复述方法并核对实验条件。必须保留的信息包括数据集划分方式、采样率变化、模型输入输出形态、估计与跟踪算法的参数设置、评价指标方向和关键误差数字，输出是一套按学习依赖展开的中文技术说明。

声门下系统这个白话概念先解释，它指声门以下的气管支气管和周围组织，在发声时推动气流经过喉部和声道。当声门打开时，声门下系统与声道发生声学耦合，在声道传递函数中引入额外的极零点对，这些固有频率就是声门下共振，英文为 subglottal resonances，缩写为 SGRs。论文只处理最低的 3 个，记为 Sgr1、Sgr2 和 Sgr3，它们与说话人归一化、身高估计、语音识别和肺健康监测有关，在数据量有限时仍比较有效。

加速度计信号这个白话概念也要先解释，它指放在颈部环状软骨处的加速度计记录到的颈部皮肤振动，间接反映声门下压力变化。直接测量共振要么需要在声门下放置微型压力传感器，要么依赖喉切除患者，要么需要专门的颈部加速度计采集装置，成本高且难以推广。论文的思路是只用普通麦克风语音作为输入，先生成对应的加速度计波形，再从该波形自动估计和跟踪 3 个共振。

声门下共振 × 加速度计信号： 声门下共振负责描述气管支气管系统的固有频率，随说话人声道下部结构稳定存在，加速度计信号负责在颈部环状软骨处记录与声门下压力相关的皮肤振动，二者搭配的原因是直接测共振需要专用昂贵设备而颈部振动保留了共振的极零点信息，组合意义是用易于从语音间接恢复的振动波形作为估计共振的中间表示。

对初学者而言，一个样本的完整链条是这样的，一段包含元音的连续麦克风语音进入系统，先变成频谱表示，经过多尺度卷积网络生成加速度计频谱再转回波形，然后在浊音最稳定的长段上做线性预测得到参考共振，最后在连续语音的每 1 帧上做自适应校正并输出 3 条随时间变化的共振轨迹。这个链条决定了后文的阅读顺序，先理解任务与已有路线，再看全景与组件，然后是训练构造与实验结果。

已有路线在同输入同目标下是如何做的？

在同输入同目标的维度上，已有估计方法大多以加速度计实测为输入，以单个共振为目标，采用人工或半自动方式逐个测量 3 个共振中的某一个。论文引用的 Lulich 等人的方法是这类路线的代表，需要人工参与挑选测量段。另一条路线是 Arsikere 等人从成人语音信号自动估计前 3 个共振并用于身高估计，但论文强调此前没有同时从连续语音中自动估计并跟踪 3 个共振的工作。

在同监督同运行阶段的维度上，语音增强领域的 PrimeK-Net 提供了多尺度谱学习的监督范式，输入输出都是频谱，用编码器解码器加跳跃连接恢复细节。论文借用该结构但改变了任务，输入是麦克风语音谱，目标是加速度计谱，属于跨传感器的监督生成，而不是去噪或增强。

这种对照说明论文不是在通用语音生成上竞争自然度，而是解决缺少加速度计条件下的共振可获得性问题。理解这一点后，就不会误把后文的语音质量分数当成听感评价，也不会把身高估计误差直接当成共振估计误差。

论文实际要解决的两个耦合问题是什么？

第一个问题是如何从语音直接获得可用的加速度计信号。加速度计信号比语音弱，可能被过大氣压或测量伪影污染，且频谱能量分布跨越多个尺度，单一尺度的卷积难以同时抓住短时谐波结构和长时包络变化。论文把该问题定义为监督谱映射，输入输出配对来自同时录制的麦克风和加速度计波形。

第二个问题是如何从连续语音自动估计并同时跟踪 3 个共振。元音段能量高、低频强、持续时间长，是共振表现为极零点对的主要载体，但连续语音中存在清音、静音和弱噪声段，若逐帧固定参数做线性预测，高基音说话人或高频衰减都会导致偏差。论文把该问题定义为先选参考段再逐帧自适应校正的跟踪问题。

举一个教学例子帮助理解，假设有一句载体句中的元音词，语音活动检测会给出多个有声片段，算法不是平均使用所有片段，而是按能量乘以时长选出最长最强的片段作为参考，再用该参考去约束后续每 1 帧的 3 个共振。这个例子只是说明选择逻辑，不附加论文之外的数值。

两阶段框架如何从语音走到三个共振？

论文框架分为前后两段，前段是语音到加速度计波形模型，后段是自动估计与跟踪算法。前段负责跨传感器生成，后段负责从生成波形的浊音区提取 3 个共振。这种分工使身高估计等下游任务在只有麦克风的公开数据集上也能使用共振特征。

下图是论文给出的总体流程导读，阅读时重点看数据形态如何从语音波形变为加速度计波形，再变为 3 个并行输出，两个方框分别对应可训练的生成模型和基于信号处理的估计算法。

看图路径： 1. 先从左到右跟随语音波形到加速度计波形再到三个共振输出的主箭头；2. 再确认中间语音到加速度计波形模型是一个独立可训练模块；3. 最后观察自动估计与跟踪算法同时分出三路的并行输出形态

论文图 1。原论文 Figure 1：“Overview of our proposed framework.”。

从像素可见，该图从左到右是语音波形箭头指向语音到加速度计波形模型方框，再指向加速度计波形示意，接着指向自动估计与跟踪算法方框，最后分出指向 Sgr3、Sgr2 和 Sgr1 的 3 条箭头。左侧语音波形包络相对稀疏，中间加速度计波形包络更集中且幅度形态不同，右侧 3 路输出表明 3 个共振是同时跟踪而非逐个单独估计。这一结构对应后文先训练生成模型再冻结或复用其输出做估计的实验安排。

生成模型与估计跟踪各做了什么计算？

生成模型采用类 U-Net 的编码器解码器结构。输入通道按组划分，每组用不同素数尺寸卷积核处理，这就是组素数核卷积，英文为 Group Prime-Kernel Convolution。编码器用多个该卷积块加池化逐步降低分辨率并提高抽象程度，解码器用上采样加同类卷积块重建频谱，编码器与解码器镜像层之间有跳跃连接以保留下采样丢失的细粒度谱细节。模型输入输出都是频谱，输出谱再转回波形。素数核的原文理由是避免周期性重叠效应，从而提高精度并减少特征冗余。

下图是 PrimeK-Net 总体结构的导读，阅读时重点看幅度与相位两路如何汇合编码又如何分开解码，以及压缩解压缩路径与残差相乘的位置。

看图路径： 1. 先看左侧幅度谱与相位谱如何拼接后进入编码器；2. 再看中间组素数核前馈与通道注意力在编码解码之间的位置；3. 最后对比右侧幅度解码器与相位解码器不同的后处理路径

论文图 2。原论文 Figure 2：“Overall architecture of PrimeK-Net.”。

从像素可见，左侧分别有幅度谱热图和相位谱灰图，幅度经过压缩分支后与相位拼接进入编码器方框，中间经过组素数核前馈与通道注意力模块，然后分叉到幅度解码器和相位解码器，幅度解码器输出经解压缩并与顶部直连的压缩信息相乘后得到右侧重建幅度谱，相位解码器直通得到右侧重建相位谱。该图说明模型同时重建幅度和相位，但两路解码器结构不对称，幅度路有多余的压缩解压缩与乘法校正。

组素数核卷积 × 多尺度谱学习： 组素数核卷积负责把输入通道分组后用不同素数尺寸卷积核分别提取时频特征，避免周期性重叠并减少特征冗余，多尺度谱学习负责同时处理语音频谱中短时细节和长时变化，搭配原因是加速度计信号弱且频谱能量分布跨尺度，组合意义是让编码器解码器在多个时间尺度上学到从麦克风谱到加速度计谱的映射。

估计部分先用 Silero 语音活动检测器得到浊音二值掩码，提取连续有声区间集合。对每个候选段计算能量与时长乘积作为分数，选最高分段为最佳浊音块，对信号做系数为 0.97 的预加重，分帧为 30 毫秒汉明窗、5 毫秒帧移、帧间重叠为帧长一半，用 12 阶线性预测编码提取共振。跟踪部分先用该最佳块得到参考共振，再用概率 YIN 算法估计基音轮廓，设基音阈值为该块最大基音的 1%，低于阈值的帧判为非浊音并把 3 个共振置零。

能量时长准则 × 线性预测编码： 能量时长准则负责从语音活动检测给出的多个浊音候选段中选出能量高且持续最长的稳定元音段，线性预测编码负责在该段及其相邻帧上拟合全极点模型并提取共振频率，搭配原因是共振在元音谱中表现为极零点对且需要高能量长时信号才能稳定估计，组合意义是把自动选段与参数估计串成无需人工挑窗的估计入口。

对浊音帧，算法拼接前后相邻重叠帧形成复合信号，用阶数为变量的线性预测求系数并提取共振，再与参考共振比较绝对偏离。若偏离超过阈值，则在 11 到 16 之间调整预测阶数、在 0.96 到 0.98 之间调整预加重系数，重新预加重、分帧、拼接并重估，直到 3 路偏离都低于阈值。阈值经网格搜索确定为 Sgr1 用 50、Sgr2 用 50、Sgr3 用 100。

自适应线性预测 × 动态预加重： 自适应线性预测负责在连续语音的每 1 帧上根据与参考共振的偏离调整预测阶数并重估共振，动态预加重负责在同一帧内调整预加重系数以改变高低频能量平衡，搭配原因是不同帧的基音和发声条件变化会导致固定阶数和固定预加重失配，组合意义是用以参考共振为锚的帧内循环校正来同时跟踪 3 个共振并抑制跳变。

生成模型用什么数据如何训练？

训练数据来自 WashU-UCLA 语料库，该库有 50 名美国英语成人说话人，男女各 25 人，每人重复 10 次 35 个单音节词，嵌入载体句中，共 17500 对麦克风与加速度计波形，原始采样率为 48 千赫、16 比特。论文按说话人划分为未见组与已见组，未见组是 5 人，包括 3 名女性 Sp9、Sp19、Sp35 和 2 名男性 Sp21、Sp41，其余 45 人为已见组。生成模型只用已见组从头训练，输入为麦克风录音，目标为加速度计录音。

训练前所有录音下采样到 16 千赫。已见组再分为训练集与测试集，测试集是 45 人每人 4 条麦克风及其对应加速度计录音，其余为训练集。优化器为 AdamW，批量为 2，最多 1000k 步，超参数经训练集网格搜索选定。论文未报告损失函数的具体形式、学习率数值和梯度截断等细节，这部分属于缺项，复现时只能按 PrimeK-Net 原文的相同模型设置去查，不能从模型名称推定。

估计阶段把加速度计录音进一步下采样到 8 千赫。需要区分的是，生成训练用 16 千赫配对数据，估计跟踪用 8 千赫加速度计信号，二者采样率不同，不能混为同一输入条件。

评价如何划分条件与指标方向？

生成质量用感知语音质量评价和对数谱距离评价，英文分别为 Perceptual Evaluation of Speech Quality 和 Log Spectral Distance，缩写为 PESQ 和 LSD。PESQ 范围为负 0.5 到 4.5，越高越好，LSD 越低越好。论文明确说明此处 PESQ 不是评价加速度计听感，而是作为基于参考的客观度量，衡量生成信号中语音相关信息的保留程度，只能用于相对比较不同核尺寸的改进。

估计一致性用平均均方根误差、说话人内变异系数百分比和标准差评价，英文为 root mean squared error、coefficient of variation，分别缩写为 RMSE 和 COV。COV 为标准差除以均值，越低表示同一说话人测量越稳定。身高估计用说话人级平均绝对误差和均方根误差评价，单位为厘米，越低越好，英文为 mean absolute error，缩写为 MAE。

跨数据集验证用 TIMIT，该库有 630 名说话人、6300 句，每人 10 句，采样率为 16 千赫。论文按类似已有工作用线性回归做身高估计，训练用 WashU-UCLA 未见组 5 人加 TIMIT 训练集 26 人共 35 人，测试用 TIMIT 测试集 604 人，训练测试比小于 0.1，用于检验有限数据下的泛化。资源状态方面，本次未发现来源绑定且完成验证的公开代码模型或数据链接，因此不得声称代码模型或数据已公开。

生成与估计的主结果在什么条件下成立？

为说明多尺度核尺寸的选择依据，本段先整理已见组与未见组的语音质量分数，再解释鲁棒性结论，下表即为该对照整理，数字均来自正文原句。

上表显示选定核尺寸在已见组取得 3.55 和 0.75，在完全未见语音输入的未见组取得 3.53 和 0.77，下降很小，报告支持生成模型具有鲁棒性。未胜出项是核尺寸 3、11、23、31，其分数略差，论文因此未选用。需要限制的是 PESQ 不能解读为加速度计听感变好，只能说相对改进。

上表的主要收益是真值与模型生成对的平均误差最小，总体在 50 Hz 以内且最佳情况在 25 Hz 以内，显示生成波形与真值波形高度接近。具体代价是 Sgr3 误差最大，这与颈部组织皮肤对高频的低通滤波有关，Sgr1 也因靠近强低频谐波而较难测量。

下图是连续跟踪结果的导读，阅读时先看时间轴与频率轴的范围，再看浊音段平台与静音段归零的切换是否整齐。

看图路径： 1. 先对照上方波形包络确认五段浊音区间与下方共振平台的时间对齐；2. 再比较三层共振轨迹中实线真值与虚线生成值的贴合程度；3. 最后观察浊音间隙处轨迹回零的门控行为是否干净

论文图 3。原论文 Figure 3：“Sample plot of SGRs tracking results from continuous speech of Sp19 (female speaker).”。

从像素可见，上方面板是幅度随时间变化的波形，显示约 1.0 秒内有 5 段包络，下方面板横轴为时间秒、纵轴为频率赫兹，3 层轨迹分别位于约 600 赫兹、约 1550 赫兹和约 2600 赫兹附近，黑色实线为真值、蓝色虚线为模型生成，二者在每个平台段内起伏趋势基本重合，在间隙处都回落到零。该样本来自女性说话人 Sp19，论文报告女性因基音较高使线性预测估计略差于男性，但总体跟踪误差仍与标准差相当。第 3 张表进一步给出跟踪与身高估计的数字，放在下一节展开。

跨数据集的身高估计能说明什么与不能说明什么？

为说明跟踪误差与身高估计误差的量级关系，下表整理原文中可重放的分组误差写法，保留末尾单位覆盖整组的原文形式，不逐格拆分单位。

上表的主要收益是用单个共振特征和仅 35 人训练达到与已有方法接近的误差，其中身高估计为 MAE ranging from 5.1-5.5 cm and RMSE ranging from 6.2-6.9 cm，且估计误差保持 below 7 cm，而连续语音跟踪误差为 approximately 30, 50 and 80 Hz for Sgr1, Sgr2 and Sgr3 respectively。论文将有效性归因于共振的说话人稳定性和与身高的强相关。

具体代价是 Sgr3 的身高误差在三者中最大，且论文未测量误判率延迟或推理成本，因此不能承诺这些量得到改善。未评测边界包括非英语、儿童、病理嗓音和强噪声条件，原文未覆盖。

哪些参数变化被实际测试过？

论文实际测试的变化包括生成模型的多尺度核尺寸和跟踪算法的自适应参数。核尺寸比较了 3、11、23、31 与 7、13、19、29 两组，前者 PESQ 为 3.51、LSD 为 0.78，后者为 3.55 和 0.75，因此后者被选为最终模型。这属于可运行策略之间的比较，不是事后最优值替代。

跟踪算法的消融体现在固定参数与自适应校正的对比逻辑上，固定部分是初始 12 阶线性预测和 0.97 预加重，自适应部分是在偏离超阈值时搜索阶数 11 到 16 和预加重 0.96 到 0.98。阈值本身经网格搜索确定，未报告搜索网格的具体候选集合，只能复述最终取值。论文未给出拿掉自适应后误差必然上升多少的对照表，因此不能补写拿掉后必然怎样，只能说自适应设计用于处理不连续性。

另一类特有细节是说话人内稳定性，模型生成信号的 COV 紧跟真值，范围在百分之 2.1 到 4.4，标准差 Sgr1 约 28 赫兹、Sgr2 约 31 赫兹、Sgr3 约 58 赫兹，与已有方法相当。这支持共振对同一说话人有效恒定的判断，但 Sgr1 和 Sgr3 的 COV 略高，论文归因于测量难度而非模型缺陷。

方法的适用边界与未验证推测有哪些？

已验证的限制包括信号依赖与人群差异。方法依赖浊音元音段，非浊音帧被置零，因此在清音为主或元音极短的语音上可能无输出。女性跟踪误差高于男性，论文解释为高基音下线性预测共振估计精度下降，这属于有限解释，报告支持该趋势但未做因果证明。

未验证的推测需要用可能或待验证表达。例如加速度计信号弱与噪声污染可能影响生成质量，但论文未系统测试不同信噪比下的下降曲线。素数核避免周期性重叠的机制可能有助于减少冗余，但论文未给出去掉素数约束的对照，因此不能断言素数是唯一原因。

原文表头图注或算术方面，本次证据未发现互相冲突的划分，但缺项明确，损失函数细节、学习率、推理耗时、硬件预算和统计显著性均未报告。训练资源推理开销输出帧率与实际延迟应分别讨论，总体趋势不等于每组每步都成立。

要复现应先做什么与保留哪些超参数？

复现先做数据准备，按说话人划分已见与未见组，保留未见组 5 人的身份编号以便对照表 2。麦克风与加速度计配对在生成训练时统一到 16 千赫，在估计跟踪时将加速度计统一到 8 千赫。语音活动检测用 Silero，基音估计用概率 YIN，阈值取最佳块最大基音的 1%。

关键超参数包括能量时长分数选段、预加重 0.97、30 毫秒汉明窗、5 毫秒帧移、50% 重叠、初始 12 阶线性预测、自适应阶数 11 到 16、预加重 0.96 到 0.98、阈值 Sgr1 为 50、Sgr2 为 50、Sgr3 为 100。生成模型批量为 2、AdamW、最多 1000k 步、核尺寸选 7、13、19、29。

还需补的验证是统计方法与显著性检验，以及在 TIMIT 之外的真实噪声集上的测试。由于未发现可验证的公开资源链接，复现应视为按论文文字从头实现，不依赖权重下载或系统可运行声明。

何时值得尝试这种中间信号路线？

当任务需要稳定的说话人特征但只有麦克风数据时，值得尝试先生成加速度计中间信号再估计共振的路线，尤其在训练说话人很少且每个特征维度都需可解释时，单个共振即可用于身高估计的证据具有吸引力。当已有大量标注语音可直接端到端学习时，该路线的额外生成与自适应校正成本可能不划算。

对初学者的操作建议是先沿一个样本走通选段到参考共振再到逐帧跟踪的完整调试，确认浊音门控与回零行为正确，再调生成模型的核尺寸与 PESQ 和 LSD 的相对变化，最后才做下游回归。需要记住的误解纠正包括 PESQ 在此不是听感分数、数值相同不代表指标相同、百分点与相对百分比不同、自动指标不能当人评。

总体上论文报告显示生成信号接近真值、自适应跟踪误差与标准差相当、跨数据集身高误差低于 7 厘米，这些支持其准确性与鲁棒性，但都限定在所用语料与浊音条件下，推广到其他人群与噪声前仍需补验证。

⚖️ 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