拥挤声调空间里，纯音训练为何只救得了部分粤语声调

英文题目：Tone-space Distribution Modulates Transfer from Non-linguistic Pitch Training to Cantonese Tone-in-Noise Perception in Native Speakers

会议身份：conference:interspeech:2026:conference-paper-id:weng26_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 #语音 #语音可懂度评估

评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Yi Weng：机构信息未能从会议 PDF 纯文本可靠映射
• Junjie Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Yanyuan Ye：机构信息未能从会议 PDF 纯文本可靠映射
• Gang Peng：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理粤语母语者在多人babble噪声下声调识别脆弱的问题，输入为受掩蔽的单音节词，输出为六声调类别判断，难点在于基频被信息性掩蔽且拥挤声调空间易混淆。方法链分三步：先用前后测词识别与奇异性音高敏感性测试建立基线，输出可辨阈与各声调识别准确率。接着将基线揭示的音高分辨短板送入8次居家自适应ABX纯音水平与轮廓辨别训练，以缩小可辨阈并锐化低层音高表征。最后把训练后的表征送入同说话人与新说话人词识别检验，分别度量近迁移增益与跨说话人远迁移保持。相比以往在安静条件下检验非言语训练的做法，本研究把增益窗口压到0dB与-5dB噪声并引入说话人泛化，以区分天花板效应与表征锐化效应。在安静条件的孤立音节识别任务下，T3的准确率约为70%，高于T6的准确率42%。结论边界是声学分离度高的声调可借助领域通用锐化获益，拥挤区声调仍需依赖说话人归一化与语境的针对性训练。低起始压缩区声调的跨说话人泛化适用边界受限，仍需针对性训练验证。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，目标是什么，本文要回答哪两个问题？

本文输入是粤语母语成年人的听觉行为数据，目标是判断非语言音高训练能否改善已定型的母语声调在噪声下的识别。研究对象是 33 人招募、最终 29 人完成分析的香港粤语母语者，年龄 19 至 32 岁，平均 22.34 岁，听力正常，近三年无乐器练习。训练材料不是词语而是 126–217 Hz 范围内的纯音，测试材料则是/fan/、/fu/、/ji/3 个覆盖元音空间的音节各带 6 个声调，另加/se/作音域熟悉语境。输出是两类可复述指标，一类是音高恰可察觉差，数值越小表示越灵敏，一类是六选一词识别正确率，在干净、0 dB 和 -5 dB 三档下测量。

为什么母语者还需要训练，这与天花板效应有关。白话说，粤语有 6 个声调，3 个平调 T1 高平 55、T3 中平 33、T6 低平 22 靠高度区分，3 个曲折调 T2 高升 25、T4 低降 21、T5 中升 23 靠走向加高度区分。因为类别挤在一起，T2 与 T5 双向混淆，T3 与 T6 在安静单音节下正确率也只有约 70% 和 42%，噪声一来更难。已有工作发现非语言音高训练在安静下对粤语声调辨别改善有限，本文要区分两种解释，是安静下本来就够好所以看不出进步，还是训练根本碰不到语言层面的需求。

基频 × 词汇声调： 基频指声带振动频率 F0 决定的音高物理量，负责提供连续可测的声学线索；词汇声调指粤语中用 F0 高低与走向区分词义的音系类别，负责把连续 F0 映射为 T1 至 T6 离散判断。二者搭配的理由是共享早期听觉表征，组合意义是若 sharpen 基频分辨率，就可能在噪声下仍保住声调类别边界。

为此作者提出两个依次依赖的问题。第一，非语言训练能否 sharpen 心理物理层面的音高敏锐度。第二，这种 sharpen 能否在信号劣化时向上传到词汇声调识别。如果只回答第一问，只能说听纯音变厉害了，如果第二问在噪声下成立，才支持自下而上的垂直迁移。

近迁移 × 远迁移： 近迁移指同一心理物理域内换任务形式仍有增益，负责验证训练是否真的提高了音高分辨力；远迁移指跨到质性不同的词识别任务仍有增益，负责验证低层改善能否向上传到语言加工。二者搭配才能区分学会了做题还是表征变好了，组合意义是本文用 oddity 检验前者，用噪声下词识别检验后者。

本解读默认从原文独立写作，事实只来自带编号证据与本次收到的官方原图像素。资源状态方面，本次未发现来源绑定且完成 HTTPS 验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字复述可重做的方法与条件。

已有路线如何看待语言与非语言音高共享机制？

第一条路线主张共享早期机制。声调语言者对纯音、音乐音程乃至非母语声调对比都更敏感，脑干编码与早期皮层加工都显示语言与音乐经验会塑造领域一般的音高表征。按这条路线，用纯音做心理物理训练有可能通过共享的低层基座改善声调类别。

第二条路线强调相对自主。音乐与言语声调分离的证据指出，粤语声调辨别在安静下经非语言训练后进步有限。这可以读作上限解释，安静信号已足够清晰，不需要更精细的分辨率，也可以读作能力边界解释，非语言训练处理不了说话人归一化、语境利用等高层语言需求。

第三条路线是噪声下的言语感知。多人谈话噪声同时消耗加工资源并破坏目标 F0 提取，F0 承载词汇对比的语言因此受损更重。光谱时域训练与 F0 辨别训练曾被报告能改善噪声下言语可懂度，作者把这类低层改善向上支持高层任务的现象称为垂直迁移，其中同一域内换任务为近迁移，跨到不同质任务为远迁移。本文的增量是把训练对象放在母语已定型的粤语者身上，并用干净与两档噪声对比来检验天花板解释，同时用新说话人检验泛化是否只是记住了特定音色。

要检验的矛盾是什么，什么结果算支持什么结论？

中心矛盾是领域一般的音高变好，是否等于拥挤声调空间里的识别变好。作者把判断标准事先讲清楚了。如果训练后所有声调在掩蔽下都有稳健增益，说明安静下看不到进步只是天花板，噪声下的困难来自分辨率不足，训练补上了分辨率。如果训练后完全没有改善，则说明非语言训练碰不到高层语言需求。

本文实际得到的是第 3 种条件依赖结果，部分支持第一种解释但加了边界。平调与曲折调的分辨力确实提高了，词识别在噪声下确实提高了，但在干净下几乎不动，除 T6 外。这支持天花板解释在干净条件下成立。同时增益在声调之间不均匀，在新说话人下更不均匀，说明分辨率解释不够，需要再加声调空间分布这个调节变量。也就是说，问题不是训练有没有用，而是对谁有用、在什么信噪比下有用、换人后还有没有用。

三阶段流程如何组织，样本如何走完全程？

流程分训练前、居家在线训练、训练后 3 段。训练前在隔音室做 3 次词识别加 3 次音高灵敏度测试。随后 48 小时内开始在线训练，两周内完成 8 次，每次包含平调与曲折调两个子成分，顺序随机。最后 1 次训练后 48 小时内回实验室做训练后测试，内容与训练前镜像，再加 3 次用两个新说话人录制的词识别作为泛化测试。

沿一个样本走一遍更直观。1 名被试先听熟悉说话人说的/fan/6 个声调，在干净、0 dB、-5 dB 下点选 6 个汉字选项。接着听 3 个纯音的 oddity 试次，指出哪一个不一样，难度由阶梯程序调整。然后回家用耳机做 ABX 训练，听 A、B 再听 X，判断 X 像 A 还是像 B，答错会被重复播放同一配置 3 次。8 次结束后再回实验室重测旧说话人与新说话人。这样设计把训练任务、近迁移任务、远迁移任务三者分开，ABX 只用于训练，oddity 只用于前后测灵敏度，词识别只用于语言层面的远迁移，避免用同一范式既练又测带来的虚假增益。

平调与曲折调刺激如何生成，难度如何参数化？

所有纯音时长统一为 450 ms，采样率 44.1 kHz，词识别刺激按均方幅度归 1 到 70 dB。平调灵敏度以 173.2 Hz 为基准，该值是男女声 F0 范围平均后的均值，比较音在 127.67–217.03 Hz 上下界内生成。难度用半音差分十档，从 2、1.5、1、0.7、0.5、0.3、0.2、0.1、0.05 到 0.03 半音，差越小越难。曲折调范围与平调相同，但用正弦调制生成 F0 走向，上升取 1.5π 至 2.5π 相位，下降取 0.5π 至 1.5π 相位。标准刺激调制窗 400 ms 居中，前后各留 25 ms 平台，比较刺激把调制窗按比例缩到标准的 10% 至 95%，共十档，窗越短斜率越陡反而越容易，因为变化更突出。

平调 × 曲折调： 平调指 F0 基本持平、只靠相对高度区分的 T1、T3、T6，负责考验静态高度分辨率；曲折调指 F0 随时间上升或下降的 T2、T4、T5，负责考验动态斜率与时程整合。二者分工不同故训练分别用半音差和调制窗时长来操纵难度，组合意义是能定位训练改善的是高度还是走向。

测量时两个子成分都用三区间 oddity，每试次 3 个音隔 1000 ms 呈现，被试指出不同的那一个。难度调整用 2-down-1-up 阶梯，即连续答对 2 次变难，答错 1 次变容易，每轮到 10 次反转后结束，取最后 6 个反转点估计恰可察觉差。平调的恰可察觉差记为最小半音差，曲折调记为可靠辨别走向所需的最短调制窗时长，数值越小越灵敏。这种把物理量与阈值直接挂钩的做法，让后文训练曲线的纵轴可以直接读作灵敏度变化。

8 次 ABX 训练实际做了什么，为何训练曲线不单调？

本研究没有训练神经网络，training 节指对人的知觉训练。被试在自有设备上经网页界面、用有线耳机完成训练。每次同时练平调与曲折调，刺激生成与难度操纵原则与灵敏度测试相同，平调用半音差索引难度，曲折调用调制窗时长索引难度。任务换成 ABX 并给逐试次反馈，答错后把同一刺激配置重复三遍，难度同样用 2-down-1-up 阶梯，每轮取最后 6 个反转点算阈值。

训练中的阈值变化是理解近迁移的关键铺垫。原文报告平调的高阈值与低阈值在 8 次间主效应都不显著，首末次计划比较也不显著。上升曲折调有训练次数主效应，但 Bonferroni 校正后只有第 1 次与第 3 次差异可靠，首末比较不显著，呈非单调轨迹。下降曲折调总主效应不显著，但首末计划比较显著下降。换句话说，只看训练内部曲线会觉得学得不稳，有起伏甚至末次回升，不能据此断言无效，必须看独立 oddity 前后测是否下降。

下面这张图显示 8 次训练内部的阈值轨迹，阅读时不要把单点波动当成定论，要与后文独立测试的显著下降对照理解。

看图路径： 1. 先看上排两幅平调面板横轴 1 至 8 训练次数与纵轴半音的变化是否平坦；2. 再看下排两幅曲折调面板纵轴毫秒数从第 1 次到第 3 次是否下探；3. 对比第 8 次是否回升，判断训练曲线是否为单调下降；4. 注意每点误差线长度，判断波动是测量噪声还是学习效应

论文图 2。原论文 Figure 1：“Changes in JNDs over training sessions.”。

这张图上排是平调高低 2 个方向，纵轴半音，曲线在 0.4 至 0.7 之间来回，整体无下行趋势。下排是曲折调上升与下降，纵轴毫秒，上升在第 3 次探底后回升到第 8 次，下降从第 1 次高点掉到第 2 次后持平。像素可见的回升提醒我们，在线居家训练有设备、注意力波动，单次估计噪声大。作者后文用实验室 oddity 前后测来做正式推断，正是为了避开训练曲线的噪声，用不同范式验证能力是否真变了。

词识别与灵敏度测试的条件如何保证可比？

词识别沿用 Tao 等人流程并做小改。3 个测试音节/fan/、/fu/、/ji/各带六调，前后测用 1 男 1 女两个母语者录制，共 48 个 token，四音节乘六调乘 2 人，泛化测试另加 1 男 1 女两个未训练说话人。每个试次先放/se/作音域熟悉语境，帮助归一化，再放目标音，被试从 6 个同音节不同调的视觉词选项中六选一。每人做 3 种听音条件，无噪声、0 dB 和 -5 dB 的 6 人 babble 噪声，试前有练习。

信噪比 × 多人谈话 babble 噪声： 信噪比指目标语音与掩蔽声的能量比，负责定量控制信号劣化程度；多人谈话 babble 噪声指 6 人同时说话形成的掩蔽声，负责同时带来能量掩蔽和信息掩蔽并干扰 F0 提取。二者搭配才能复现真实鸡尾酒会效应，组合意义是 clean、0 dB 和 -5 dB 三档构成从够用到不够用的连续压力测试。

灵敏度测试在隔音室经网页界面完成，平调与曲折调各跑自适应阶梯，oddity 范式与训练的 ABX 范式不同，这是近迁移设计的核心。被试共 29 人纳入分析，训练前后各 3 次重复测量取稳定估计。统计上用重复测量方差分析，报告 F、p 与偏 eta 平方，事后比较经校正。复现时必须保留的关键超参数是基准 173.2 Hz、上下界 127.67–217.03 Hz、十档半音与十档窗长、450 ms 时长、44.1 kHz 采样、oddity 间隔 1000 ms、2-down-1-up、10 次反转取后 6 次、70 dB 归一、三音节加一语境音节、两旧说话人加两新说话人、三档噪声。缺其中任何一项，阈值与正确率都不可直接对比。

为便于核对，下面把协议中带单位的关键数字整理成表，表中数字与单位写法保留原文，裸值不擅自加单位。

表后需要说明代价与边界。8 次居家训练换来的是实验室前后测的阈值下降，但训练内部曲线本身并不漂亮，说明在线阈值的单次估计噪声大，不能用训练曲线代替效果证明。同时 70 dB 与 450 ms 的归一保证了响度与时长不成为线索，复现若改动归一方式，半音阈值与毫秒阈值的含义都会变。未报告的是居家设备型号与环境噪声，这些是待验证的调节变量。

近迁移是否成立，阈值下降了多少？

近迁移的答案是成立，但两类刺激幅度不同。平调 oddity 的训练前后乘方向方差分析显示训练主效应显著，阈值从前测到后测下降，方向主效应与交互都不显著，说明高低 2 个方向双向获益。曲折调 oddity 训练主效应更强，交互显著，上升与下降事后都显著下降，且前测时上升阈值小于下降，训练后方向差异消失。这被解释为上升本来显著性占优、基线更好所以进步空间小，下降基线差反而进步大，最终拉平。

下图是前后测 oddity 阈值的直接证据，阅读时注意上下排单位不同，不能跨排比绝对值，只能比下降斜率。

看图路径： 1. 先确认上排纵轴为半音、下排纵轴为毫秒，不可直接跨排比数值大小；2. 比较每幅内 Pretest 到 Posttest 连线斜率，判断哪类下降更陡；3. 观察曲折调两幅下降幅度是否大于平调两幅；4. 结合误差线判断前后测分离是否可靠

论文图 1。原论文 Figure 2：“Changes in JNDs between pre- and post-training”。

像素可见上排两幅半音纵轴 0 至 1.5，前测约 0.9 降到后测约 0.75，降幅小但误差线分离。下排两幅毫秒纵轴 0 至 300，前测约 260 降到后测约 175，斜率陡得多。这与正文 F 值呼应，平调 F 较小而曲折调 F 很大。教学提示是，纵轴向下在这里是变好，因为阈值越小越灵敏，不要误读为性能变差。

下面把关键推断统计整理成表，表中 F、p 与效应量保留原文写法，用于判断效应是否可靠而非直接比较大小。

表后解释主要收益与代价。收益是 8 次 ABX 训练确实 sharpen 了纯音分辨率，且换到 oddity 范式仍成立，排除单纯学会按键的解释。代价是平调训练内部 8 次曲线无显著进步，提示静态音高辨别可能有任务天花板或依赖离线巩固，不能指望练中曲线天天向下。未胜出项是平调效应量远小于曲折调，说明训练对动态走向更有效，这为后文 T4 泛化好而 T6 泛化差埋下伏笔。

远迁移在什么噪声与声调下成立，换人后还剩多少？

远迁移的答案是条件依赖。干净下几乎稳定，只有 T6 从训练前到训练后与泛化显著提高，训练后与泛化之间无差异。0 dB 下 T3、T4、T6 训练后显著高于训练前，T5 呈趋势，T2 无差异，其中 T2、T3、T4 在泛化时仍高于训练前，T1 全程稳定。-5 dB 下 T1、T3、T4、T6 训练后显著高于训练前，泛化时 T1 与 T3 与训练后相当，T2、T4、T5、T6 相对训练后显著回落。总体是噪声越大同说话人增益越普遍，但换新说话人后保留越难，0 dB 反而比 -5 dB 保留更多声调，作者称之为信噪可分性调节。

下图是三行乘三列的词识别柱状图，阅读时先按行看噪声压力，再按列看训练与泛化。

看图路径： 1. 先按行看 Clean、0 dB、-5 dB 三行整体高度如何随噪声变大而降低；2. 再按列比较 Pre、Post、Generalization 三组中同色柱的变化；3. 在 -5 dB 行重点看 T1 绿色柱与其他颜色柱的落差；4. 注意 T2、T5、T6 在泛化列是否回落到接近训练前水平

论文图 3。原论文 Figure 3：“Word identification accuracy across noise”。

像素可见上行干净 3 组柱子都很高，T1 绿色最高，T6 黄色最低但训练后略升。中行 0 dB 训练前 T2、T3 橙蓝柱明显矮，训练后蓝柱追上，泛化列仍保持。下行 -5 dB 训练前除 T1 外全矮，训练后各色齐升，泛化列 T1 仍高而 T5、T6 绿黄柱回落。这直观显示了声调空间调节，分布孤立的 T1 高平、T3 中平在拥挤区之外、T4 唯一降调有额外嗓音线索，三者在 -5 dB 仍能泛化，而挤在低起始区的 T2、T5、T6 靠精细高度差区分，一换说话人就守不住。

这里必须点名未胜出项。T2 在 0 dB 同说话人下就没有显著增益，T5 在多处只是趋势或回落，T6 虽在干净与噪声下都有同说话人增益但新说话人下失败。这说明领域一般的绝对 F0 训练 sharpen 的是绝对分辨，而拥挤声调换人需要关系重算与语境归一化，训练没有教这个。把自动增益推广到所有声调是误读，原文明确说拥挤区需要语言学针对性的精细训练。

哪些边界尚未评测，不能承诺什么？

第一，无未训练对照组。所有 29 人都是训练组，前后测差异可能混有重测熟悉效应，尤其是词识别六选一任务练 3 次后自然变熟。作者用新说话人泛化与噪声特异性来辩护，但严格因果仍需待验证的随机对照。

第二，样本与生态边界窄。19 至 32 岁健康年轻人、无近期音乐训练、隔音室测听、6 人 babble 特定噪声，不能推广到老年人、听损者、儿童或真实街景噪声。基线正确率、合并格局都与香港粤语特定分布绑定。

声调空间 × 说话人归一化： 声调空间指 6 个声调在音高与曲拱维度上的分布与拥挤程度，负责决定类别间距离和混淆风险；说话人归一化指听者根据说话人音域重新校准相对音高的关系计算，负责把绝对 F0 换算成可比的类别判断。二者搭配的理由是拥挤区更依赖归一化，组合意义是解释为何纯音绝对分辨训练救不了 T2、T5、T6 的新说话人泛化。

第三，未测量误判矩阵细节之外的延迟、 effort 与成本。本文报告正确率与阈值方向，未报告反应时、训练总时长换算的收益比、居家设备差异的影响。因此不能承诺该训练省时或降低听 effort，只能说在给定 8 次剂量下正确率（%）与灵敏度方向变好。把总体趋势读作每人每调每步都变好也是误读，原文 3 阶交互显著恰恰说明效应高度依赖声调与噪声组合。

复现先做什么，需要保留哪些信息条件？

先按方法全景重搭 3 段流程。招募粤语母语者并做纯音测听筛查，记录年龄、音乐史与退出数。录制/fan/、/fu/、/ji/六调加/se/语境音，两旧说话人加两新说话人，全部归 1 到 70 dB 与 450 ms。用 173.2 Hz 基准、127.67–217.03 Hz 上下界生成十档半音与十档调制窗，oddity 间隔 1000 ms，ABX 反馈答错重播 3 次，均用 2-down-1-up 10 次反转取后 6 次算阈值。训练在训练前后 48 小时窗口内、两周 8 次、每次平调加曲折调顺序随机。测试跑干净、0 dB、-5 dB 三档 6 人 babble，六选一计分。

分析时先复现近迁移的训练前后乘方向方差分析，再复现远迁移的训练阶段乘噪声乘声调三因素分析，保留 F 自由度小数校正与效应量写法。注意百分点与相对百分比不同，阈值毫秒数与半音不能换算比较。代码与数据方面，本次无可用资源绑定，不得写已公开，只能说按文字参数自写刺激生成与阶梯程序即可重跑行为实验。若设备不同，应先校准耳机频率响应与声压，再比较阈值绝对值，否则只比较前后变化方向。

何时值得尝试这种训练，还需补哪项验证？

当目标是在噪声下保住已定型但分布孤立的声调类别，且能接受换人后部分回落时，这种纯音 ABX 训练值得尝试。它的价值在于不教词汇也能提高低层分辨率，在 0 dB 左右中等噪声下泛化最好，在 -5 dB 重度噪声下同说话人增益大但泛化脆弱，在干净下除基线最低的 T6 外几乎无额外收益。

当目标是拥挤区的 T2、T5、T6 在新说话人下的稳定识别时，不应单独依赖该训练。需要补语言学针对性训练，例如带说话人归一化、语境载体句、最小对立对反馈的精细高度训练，并设未训练对照组与延迟后测，检验巩固与迁移持久性。还需补不同 babble 人数、不同信噪比连续采样与真实场景录音，检验信噪可分性曲线的形状。

回到中心判断，声调空间分布调节了从非语言音高到噪声下声调感知的垂直迁移。分辨力提高是真的，噪声下有用也是真的，但有用只发生在信号不够用又没有烂掉的区间，且只留给在空间中站得开的声调。这正是研究生复述时必须带上的限定语，没有它，结论就不成立。

⚖️ 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