鼻腔通不通，元音会知道：用 A1-P0 与 A1-P1 追踪上气道手术前后的鼻化

英文题目：Vowel Nasalization in Upper Airway Diseases: An Analysis Using the CUCO Database

会议身份：conference:interspeech:2026:conference-paper-id:wei26_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 #语音 #病理语音评估

评分：5.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Yilan Wei：机构信息未能从会议 PDF 纯文本可靠映射
• Qi Wang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为上气道手术患者与健康对照的连续朗读语音，输出为元音鼻化程度与病种及手术时间点的关联判断，难点在于传统基频与微扰指标对鼻腔通气变化不敏感。方法链分3步：先基于CUCO数据库的TDU子集选取4组共107名西班牙语被试在术前、术后2周和3个月的固定朗读；再用Montreal Forced Aligner（蒙特利尔强制对齐器，MFA）定位与鼻辅音同音节的/e/、/u/、/o/并以Styler脚本提取鼻化指标\(A1-P0\)与\(A1-P1\)；最后做组间单因素方差分析与组内配对t检验以检验病种与时间效应。与泛用声学特征相比，该机制直接比较第一共振峰幅度与鼻耦合附加峰能量，理论上更贴近鼻腔通畅度与鼻口耦合变化。在CUCO数据库TDU子集术前横断比较条件下，鼻中隔成形组/u/元音的\(A1-P0\)指标为-8.81 dB，低于内镜鼻窦手术组的\(A1-P0\)指标-5.31 dB。结论仅适用于卡斯蒂利亚西班牙语有限鼻化语境，未验证跨语言与自发语外推，且长期手术效应基本为阴性。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://github.com/stylerw/styler_praat_ — 链接不可用（HTTP 404） 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，本文要保留哪些关键信息？

本文的输入是连续朗读语音，目标是判断上气道疾病与手术是否改变了元音里的鼻腔参与程度。读者需要先建立一个白话理解：平时发元音主要靠口腔共鸣，如果软腭关闭不完全或鼻腔与口腔之间声学连接增强，鼻腔就会分走一部分能量，元音听起来带鼻音，频谱上会出现额外的鼻峰，这就是鼻化。英文对应 nasalization。而鼻-口耦合对应 nasal-oral coupling，指鼻腔声道与口腔声道在能量分配上的连接强度，是解释鼻化变化的生理物理原因。

上气道慢性病如过敏性鼻炎和慢性鼻窦炎会改变鼻腔与咽腔的结构和通气，进而影响共鸣。临床常用鼻中隔成形术、功能性鼻内镜鼻窦手术和扁桃体切除术恢复通气，这些手术也可能改变客观语音特征。已有工作多用基频、共振峰、抖动、微颤和 harmonics-to-noise ratio 等通用声学特征，但论文指出这些量主要反映声带振动或整体声道形态，对鼻气流受限和鼻-口耦合这 1 核心环节不够直接，因此需要更贴近鼻功能的量。

鼻化 × 鼻-口耦合： 鼻化指元音发音时鼻腔参与共鸣的程度，是可测的声学现象；鼻-口耦合指鼻腔与口腔两条声道在声学能量上的连接方式，是背后的生理-物理机制。二者搭配的理由是上气道疾病改变的是鼻腔通畅度和耦合条件，而鼻化指标正是把这种耦合变化读出来，组合后使结构改变有了可连续量化的语音表征。

本解读的输出是一套可复述的方法链：用哪个库、选哪几句话、锁定哪几个元音、算哪两个差值、做哪两类统计、看到什么数字才能下什么判断。必须保留的信息包括 4 组人数与 3 个时间点、3 个目标元音的音节条件、两个指标的数值方向、横断面与纵向各自的检验方法与关键统计量。后续各节按学习依赖展开，先讲相关路线，再讲方法全景与计算细节，然后讲实验条件、结果与反证，最后讲复现要点。

已有路线为什么没有直接回答鼻腔变化？

第一条路线是通用嗓音声学路线。论文回顾了鼻息肉术后比较基频、抖动、微颤和 noise-to-harmonics ratio 的研究，术后 6 周未见显著差异；鼻中隔相关患者术前术后比较基频、抖动、微颤和谐噪比，只有谐噪比显著变化。教学上可以这样理解：这些量像检查发动机转速是否平稳，适合发现声带振动不稳，但上气道手术动的是鼻腔咽腔这段排气管道与共鸣腔，发动机平稳不代表管道通畅，因此灵敏度不足。

第二条路线是语音学中的鼻化测量路线。陈姓研究者提出的基于幅度的 A1-P0 与 A1-P1 已用于协同发音、跨语言比较、说话人差异和韵律影响研究，并有人验证了其区分口元音与鼻化元音的能力。这条路线直接比较第一共振峰能量与鼻峰能量，理论上更贴近鼻通气与耦合变化。论文指出的 3 个缺口是：缺乏在统一框架下比较不同病理类型的工作；缺乏覆盖术前与多个术后时间点的纵向连续量化。

缺乏系统检验不同元音是否对气道变化敏感的证据。本文正是补这三块，而不是重复通用嗓音参数。

本文把问题拆成哪三个可检验的比较？

本文不做开放式分类或诊断建模，而是做 3 个结构清晰的比较。第一个是病理类型比较：在术前基线，健康对照、鼻中隔成形组、鼻内镜鼻窦手术组、扁桃体组之间，鼻化指标是否有差异。第二个是手术时间追踪：在同一组内，术前、术后 2 周、术后 3 个月之间，鼻化是否变化，变化是持续还是先升后回落。第 3 个是元音层面细化：上述差异是否集中在特定元音上，是否存在对气道变化更敏感的元音。

举一个教学例子，但不代表论文数据：假设只比较术前某元音的平均鼻化，若两组均值差很大但个体重叠严重，就不能说该指标可区分人群，必须看方差分析与事后两两比较。本文正是用这种先整体检验再两两比较的流程，避免被单一均值误导。3 个问题共用同一套指标与同一批朗读材料，保证病理、时间、元音 3 个维度在可比条件下展开。

从一句话录音到一个鼻化数值，完整链条是什么？

先沿一个样本走完全程。输入是 1 名被试在某个时间点朗读固定短句的录音。第一步是按句子与时间点整理录音，保证术前、术后 2 周、术后 3 个月的材料一致。第二步是用蒙特利尔强制对齐器西班牙语声学模型与词典做音素对齐，找到目标元音在时间轴上的起止位置。第三步是对每个目标元音段计算频谱幅度，提取第一共振峰附近最强谐波幅度作为 A1，再提取低频鼻峰幅度作为 P0，以及位于第一与第二共振峰之间约 950 赫兹附近的鼻共振峰幅度作为 P1。

第四步是相减得到 A1-P0 与 A1-P1，数值越小表示鼻化越强。第五步是按被试聚合，再进入横断面方差分析或纵向配对 t 检验。

同音节鼻协同发音 × 目标元音/u/： 同音节鼻协同发音提供鼻化来源明确、可预测的语音环境，分工是保证观测到的鼻化确实来自相邻鼻辅音；目标元音/u/提供对耦合变化放大的声道条件，分工是以高舌位加圆唇的较闭合声道提高口部辐射阻抗。二者搭配的理由是把清晰的鼻化动机与敏感的元音载体结合，组合后使组间和术前术后差异更容易被稳定检出。

目标与输出也很明确：输出不是一句话的转写，也不是说话人身份，而是每个被试、每个目标元音、每个时间点的两个分贝差值，以及组级别的均值、标准差、检验统计量和效应量。理解这条链条后，再看组件细节就不会把对齐、提特征、做统计混为一谈。

A1、P0、P1 各自怎么取，差值方向怎么读？

术语首次出现需要白话加英文。第一共振峰幅度 A1 指靠近预期第一共振峰的那条最强谐波的幅度，反映口腔主共鸣能量。低频鼻峰 P0 指鼻腔与鼻窦耦合引入的低频区谱峰幅度，取数规则是看第一谐波与第二谐波中幅度较高者，若第一谐波过高则用第二谐波估计。鼻共振峰 P1 指位于第一与第二共振峰之间的鼻共振峰幅度，通常在 950 赫兹附近。计算目标就是两个差值：A1 减 P0 得到 A1-P0，A1 减 P1 得到 A1-P1，单位均为分贝。

A1 × P0： A1 负责表征第一共振峰附近口部共鸣的主能量，P0 负责表征鼻腔耦合引入的低频附加峰能量。二者搭配的理由是单看一个峰的绝对幅度易受录音增益和发声用力影响，相减后得到 A1-P0 可以突出鼻腔贡献的相对增强，组合意义是以差值越小表示鼻化越强的方式连续刻画鼻化程度。

数值方向必须记牢：差值越小鼻化越强，因为鼻耦合增强会抬高 P0 或 P1，使其接近 A1；差值越大则口共鸣主导、鼻化越弱。论文还给出声学解释：P0 是鼻腔与鼻窦耦合引入的低频峰，能量变化更直接响应鼻通气变化；P1 估计依赖更复杂的谱形，易受第一与第二共振峰干扰。这为后文 A1-P0 更稳健埋下机制伏笔。

A1-P0 × A1-P1： A1-P0 分工在捕捉低频区鼻腔与鼻窦耦合峰的变化，A1-P1 分工在捕捉位于第一与第二共振峰之间约 950 赫兹附近鼻共振峰的变化。二者搭配的理由是它们对鼻腔结构变化的敏感位置不同，联合比较可以检验哪个频段更稳定，组合意义是本研究发现 A1-P0 在病理区分上更稳健而 A1-P1 更易受共振峰干扰。

提取实现上，论文调用他人已验证的 Praat 自动测量脚本处理目标元音。需要交代资源状态：原文给出的脚本链接本次核对为当前不可用，状态码为 404，因此复现时不能默认该链接可直接下载，应寻找论文引用的同名脚本存档版本或按相同取峰规则自行实现，并在复现记录中注明实际使用的代码来源。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练神经网络，也没有更新声学模型参数，因此不存在优化器、梯度路径、冻结层或早停等训练概念。蒙特利尔强制对齐器在这里是作为已有的对齐工具被调用，不是本研究训练的对象；Praat 鼻化脚本是作为已验证的特征计算程序被调用，同样不是本研究拟合的对象。把无训练理解成结果天然确定是不对的，因为对齐边界、谐波峰拾取和分贝差仍受录音质量与参数选择影响。

横断面比较 × 纵向配对追踪： 横断面比较分工在回答术前不同病理组与健康对照是否有差异，纵向配对追踪分工在回答同一人在手术前后是否发生变化。二者搭配的理由是只看横断面无法区分手术效应与个体差异，只看纵向无法判断病理特异性，组合后可以同时检验病理类型差异与手术时间动态。

真实计算分为两类。第一类是信号计算：对每个目标元音段做频谱分析、峰幅度提取与相减，得到每个 token 的 A1-P0 与 A1-P1，再按被试聚合。第二类是统计计算：横断面以被试为单位，对每个元音做 4 组单因素方差分析，若整体显著再做 Tukey HSD 两两比较并报告 Cohen’s d；纵向在组内对每个元音比较 3 个时间点的两两配对，用配对 t 检验并以 Holm-Bonferroni 法在同一元音同一组内校正多重比较，显著结果报告效应量。统计在 Python 中用 SciPy 与 statsmodels 完成。

数据、材料、划分与聚合条件是否一致？

数据库用的是 CUCO 库中 TDU 子集，论文称其为最大的公开上气道疾病语音库之一。语种为卡斯蒂利亚西班牙语，共 107 人，分为健康对照 26 人、鼻中隔成形 29 人、功能性鼻内镜鼻窦手术 27 人、扁桃体切除 25 人。对照组经过临床筛查，排除有声道手术史、颈部癌症或言语嗓音相关障碍者。任务是朗读固定的 4 个短句，时间点为术前、术后 2 周、术后 3 个月，材料与时间点高度一致，适合纵向比较。

目标元音只选与鼻辅音直接同音节协同发音、鼻化来源清晰的三处：功能词 en 中的元音/e/属于元音加鼻结构，功能词 un 中的元音/u/属于元音加鼻结构，实词 carbon 中文对应 carbón 的元音/o/属于辅音加元音加鼻结构。所选三句原文包括 Corre agua en el arroyo al crepúsculo、Calienta la casa el brasero y el hornillo de carbón、Es hábil un solo día。所有目标元音都在同一音节内先于鼻辅音，鼻化主要来自协同发音，保证语音动机明确。

指标方向与聚合对象需要统一：指标是分贝差，越负鼻化越强；聚合以被试为单位，每个元音分别检验，避免把不同元音混在一起平均。横断面只用术前数据检验组效应，纵向只在组内做时间配对，不跨组混比。这种设计使病理差异与时间动态的证据来源分开，便于判断结论的适用边界。

术前谁和谁不一样，哪个元音真正敏感？

要回答的比较问题是：在术前基线、材料一致、以被试为单位聚合的条件下，A1-P0 与 A1-P1 能否区分健康对照与 3 种上气道病理，指标方向是越负鼻化越强。下表整理组别规模与术前横断面关键数字，表中分贝为原报告写法，方差分析自由度原文未给出故不列入，结论只按报告的 F 与 p 读取。

表后需要解释收益与代价。A1-P0 的收益是在/u/上检出组间差异，事后比较显示鼻中隔组比鼻内镜组低约 3.5 分贝、比扁桃体组低约 3.54 分贝，Cohen’s d 分别为 0.693 与 -0.759，提示鼻中隔组在/u/上鼻化更强；代价是该差异并未扩展到/e/与/o/，且健康对照与任一手术组在术前均无显著差异，因此不能把 A1-P0 读成疾病筛查指标。A1-P1 在 3 个元音上均未检出组间差异，是明确的未胜出项，支持 A1-P0 更敏感的判断。元音依赖的证据是只有/u/能捕捉鼻中隔与其他组的差异，论文从发音生理上解释为/u/舌位高加圆唇、声道较闭合、口辐射阻抗较高，因而鼻耦合对整体输出的贡献被放大。

下面先看术前分布图，再结合像素解释。前一段提出要看的问题：在材料与聚合一致时，组间差异是否只出现在特定元音，以及箱体离散是否很大。

看图路径： 1. 先确认横轴三个面板分别为/u/、/e/、/o/，每个面板内四箱为对照、鼻内镜手术、鼻中隔成形、扁桃体组；2. 再看纵轴 A1-P0 分贝值，越负表示鼻化越强，不要把箱体位置低直接读成效果差；3. 比较/u/面板中黄色鼻中隔成形箱与其他三箱的中线与星号标记位置；4. 对照/e/与/o/面板，确认四组箱体中线接近且无星号标记

论文图 1。原论文 Figure 1：“Distribution of pre-surgery A1–P0 values across vowels and groups.”。

该图为 3 个并排箱线图，纵轴是 A1-P0 分贝，越负越鼻化。从像素可见左面板/u/中黄色鼻中隔箱的中线明显低于其他三箱，箱体与须线向负方向延伸更长，顶部星号横线分别连向鼻内镜组与扁桃体组，表示这 2 对事后比较显著；中面板/e/四箱中线都集中在 -3 至 -5 分贝附近，无星号；右面板/o/四箱中线在 -5 至 -9 分贝之间，离散较大但无星号。这支持原文判断：显著性集中在/u/，而/e/与/o/即使绝对值更负也不能直接读成组间差异，因为组间重叠大且检验不显著。

手术后是持续改变还是短暂波动，哪些组没有变化？

要回答的比较问题是：在同一组内配对比较术前、术后 2 周、术后 3 个月时，鼻化是长期改变还是术后早期短暂波动，检验经 Holm-Bonferroni 校正，指标方向仍是升高表示鼻化减弱。下表整理只有扁桃体组检出变化的纵向数字，其他组与对照组在三时间点均无显著变化，基线与术后 3 个月比较在所有组均不显著。

表后解释主要形态与限制。扁桃体组的形态是先升后降：术后 2 周差值升高意味着鼻化减弱，术后 3 个月回落到基线附近，基线与 3 个月无差异说明不是长期改变，且/u/的波动幅度大于/e/，再次体现元音依赖。未胜出与负结果同样重要：鼻中隔组与鼻内镜组在三时间点均无显著变化，健康对照同样稳定，说明鼻腔手术对本文所选鼻化语境的影响更微妙或不在这些元音上显现，不能推广为所有上气道手术都会改变鼻化。

下面看扁桃体组纵向轨迹图，前一段提出要区分先升后降与全程平稳，并注意不同指标与元音的组合差异。

看图路径： 1. 先确认四面板布局：上行 A1-P0、下行 A1-P1，左列/u/、右列/e/，横轴均为术前、术后 2 周、术后 3 个月；2. 观察粉色均值折线与浅色正负 1 倍标准误阴影带的升降形态，区分先升后降与基本平坦；3. 核对每段横线上方星号数量，理解成对 t 检验的显著性等级；4. 注意右上 A1-P0 的/e/面板无横线，说明该条件下未检出显著的相邻时间点变化

论文图 2。原论文 Figure 2：“Longitudinal trajectories of vowel nasalization in- dices for the tonsillectomy group.”。

从像素可见左下 A1-P1 的/u/呈明显的尖峰形，术后 2 周升到约 27 分贝附近再回落到约 22 分贝，两段横线上方分别为 3 个星号；左上 A1-P0 的/u/同样先升后降但幅度较小，术后 2 周约 -3 分贝，术后 3 个月约 -6 分贝，两段分别为一个与两个星号；右下 A1-P1 的/e/也是先升后降但峰更矮，两段各一个星号；右上 A1-P0 的/e/基本平坦无横线。这说明纵向效应并非每个指标每个元音都成立，只有特定组合才显著，阅读时不能把左下最显著的尖峰推广为全部鼻化都变化。

哪些结论不能下，缺了哪些验证？

论文直接报告的是：在所选西班牙语材料与 3 个目标元音上，A1-P0 在术前/u/区分鼻中隔组与其他两手术组，扁桃体组在术后早期出现短暂鼻化减弱并在 3 个月回到基线，其他组无长期改变。这些是报告层面的结论，可以复述。论文的有限解释是：/u/敏感可能与其闭合声道构型有关，扁桃体术后波动可能与口咽结构暂时改变与组织愈合有关，鼻腔手术效应可能更微妙而未在所选语境检出，这些解释有机制合理性但属于支持性推断，应表述为可能或待验证。

未验证的推测不能当结论：不能说鼻化指标可用于临床诊断或疗效判定，不能说对所有元音、所有鼻语境、其他语言同样成立，也不能承诺改善误判率、延迟或成本，因为原文未测量这些量。缺项也很具体：只用了有限元音与鼻语境，只用卡斯蒂利亚西班牙语，未报告录音设备、信噪比、对齐错误率、脚本参数与失败 token 处理，未报告除显著性与效应量之外的分类性能。相关不等于因果，术后 2 周变化可能包含水肿、疼痛、发声用力等混杂，不能直接归因于耦合本身。

要复现这条链条，先做什么，后补什么？

复现应从数据与材料对齐开始。先获取 CUCO 库 TDU 子集，核对 4 组人数与 3 个时间点是否齐全，确认朗读材料为固定短句且包含 en、un 与 carbón 等目标词。若无法获得原库，应明确说明替代数据的语种、鼻语境与时间点不一致，不直接套用原文阈值。接着用西班牙语声学模型与词典做强制对齐，人工抽查 en、un、carbón 中目标元音边界，记录边界错误率，因为边界偏移会改变峰估计。

特征计算要锁定规则：A1 取最靠近预期第一共振峰的谐波峰，P0 在第一与第二谐波中取高者并处理第一谐波过高情形，P1 取第一与第二共振峰之间约 950 赫兹附近鼻共振峰，再相减得到分贝差并牢记越小越鼻化。原文脚本链接当前不可用，复现时应固定所用脚本版本或自行实现取峰逻辑，并保存逐 token 数值以便按被试聚合。统计复现要严格分开：横断面只用术前数据做单因素方差分析加 Tukey HSD，纵向只在组内做配对 t 检验加 Holm-Bonferroni 校正，分别对每个元音进行。还需补的验证包括更换元音与鼻语境、更换语言、报告缺失率与设备条件，以及检验 A1-P1 在其他语境是否仍不敏感。

何时值得尝试鼻化指标，何时应换路线？

当研究对象涉及鼻通气或鼻-口耦合，且语音材料能提供鼻化来源清晰的同音节鼻语境时，值得尝试 A1-P0，并优先在声道较闭合的元音如/u/上观察，因为本文显示该组合对病理与术后波动最敏感。当目标是整体嗓音质量或声带振动稳定性时，应回到基频、抖动、谐噪比等通用嗓音路线，而不是强行用鼻化解释一切。

使用时要保留关键信息条件：语种与材料、目标元音的音节结构、时间点定义、指标方向、检验与校正方法。若材料换成开放元音为主或无明确鼻语境，A1-P0 的优势可能消失；若只看术后末次随访，可能错过术后 2 周的短暂波动。总体趋势不等于每组每步都成立，本文的长期无差异结论只针对所检验的三时间点与所选元音。下一步最有价值的补证是在多语言与更广鼻化环境中检验 A1-P0 的稳健性，并结合鼻通气生理测量验证声学变化的来源。

⚖️ 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