普通话卷舌不是卷舌尖：收缩位置后移与前腔扩大才是稳定区别

英文题目：Articulatory Analysis of the Mandarin Alveolar–Retroflex Contrast Using Real-Time MRI

会议身份：conference:interspeech:2026:conference-paper-id:wu26d_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 #语音属性识别

评分：5.5/10 | 创新 1.2/2 | 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 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.3/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Qi Wu：机构信息未能从会议 PDF 纯文本可靠映射
• Tatsuya Kitamura：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

普通话齿龈卷舌对比的舌尖姿态争议大，本文输入为中矢面实时磁共振视频，输出为归一化收缩位置、收缩长度、前腔伪面积与后腔伪面积的类别判别，难点在于低空间时间分辨率下微小开口易受元音语境与声道长度干扰。方法链第一步沿气道中线每2毫米布设正交网格并依强度不连续提取气组织边界形成开口函数，为后续测量提供轮廓基础。第二步以0.5毫米阈值界定收缩区间并计算口部归一化位置与前后腔宽度和，将开口函数转化为四维指标。第三步以线性混合效应模型控制元音语境与声道长度后检验类别主效应与类别乘辅音对交互，由四维指标得到统计判别。相对既往腭位图与超声定性观察，该工作以腔体几何量替代舌尖姿态描述，更直接衔接共振声学解释。原文未提供可核对的关键定量结果。结论仅适用于北方标准音成年人的单次稳态帧，受小样本、仰卧录音与低时间分辨率限制，尚未验证时间动态与声学中介。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

为什么齿音与卷舌音的区分不能只听声音下结论？

本文输入是普通话学习者最难掌握的发音对比之一，目标是讲清齿音与卷舌音在口腔内部到底哪里不同，输出是 4 个可复述的测量量与跨辅音对的稳定性判断。必须保留的信息是研究对象为 4 对辅音 ts 与 tù、tsh 与 tùh、s 与 ù、l 与 ü，方法是正中矢状面实时磁共振成像加网格声道跟踪，结论是收缩位置后移与前腔扩大稳定，而收缩长度与后腔不稳定。

对于刚进入语音领域的读者，白话解释是，声音是结果，口腔形状是原因，若只比较频谱而不看舌与腔的几何，就无法知道学习者该调整舌位还是唇形。英文名需要先记住，实时磁共振成像即 real-time magnetic resonance imaging，缩写 rtMRI，声道跟踪即 vocal tract tracking，收缩即 constriction，前腔即 front cavity，后腔即 back cavity。正文按学习依赖展开，先讲任务与既有路线的矛盾，再讲方法全景与 4 个量的计算，再讲数据采集与统计控制，最后讲结果、反例与复现要点。

教学例子在后文会明确标为例子，例如把开口函数想象成沿声道展开的峡谷剖面图，但例子不提供新数值，所有数字都回到原文核对。

传统卷舌描述与仪器观察的分歧在哪里？

传统中文音系把 zh、ch、sh、r 称为卷舌音，白话解释是舌尖上卷或后卷，英文为 retroflex。仪器路线给出的画面并不一致。原文回顾的 X 射线与腭位图研究报道腭后收缩但无明确舌尖卷曲，超声与磁共振研究进一步记录到舌体成束与明显的说话人间差异。跨语言工作以印地语与波兰语为例，说明卷舌或类卷舌范畴不能仅由舌尖后卷定义。声学机制线索是前腔长度或体积增大与第三共振峰 F3 降低相联系，唇收缩或前突也可能通过扩大前腔参与其中。

这些对照的输入、目标与监督各不相同，不能当作同条件胜负，只能说明若把卷舌等同于舌尖上卷，会与多种仪器的形态证据冲突。本文因此选择同时量化收缩位置与声道腔形态，而不是只拍一张舌尖照片。需要区分的表述是，原文报告的是仪器反复显示非卷曲实现较多，支持卷舌在普通话中是异质的发音实现，这是有限解释，而舌尖下垂是否直接导致 F3 降低则属于未同步录音验证的待验证推测。

本文要回答的发音问题是什么？

本文研究的是发音实现问题，不是语音识别或合成建模问题。给定同一元音语境下的齿音与卷舌音，问 4 个维度中哪些能稳定区分辅音类别。4 个维度分别是归一化收缩位置、收缩长度、前腔伪面积、后腔伪面积。白话解释是，收缩位置回答窄缝在哪里，收缩长度回答窄缝有多长，前腔回答窄缝之前留了多大空间，后腔回答窄缝之后留了多大空间。

原文把 l 与 ü 纳入比较，理由写得很明确，尽管 l 在发音方式上与 ü 不同，但纳入是为了在统一的实时磁共振测量框架下做以部位为焦点的口腔收缩位置与腔形态比较。这一步对初学者很关键，否则会误以为 l 与 ü 是严格的清浊或塞擦对应对。本文覆盖 12 个后接元音语境并全部读第四声，嵌入载体句中发音，目的是让部位效应经受元音协同发音的考验，而不是只在 a 语境下成立。

从躺进扫描仪到得到四个数字要走哪几步？

先沿一个样本走完全程，再展开细节。假设目标是 tsa 中的 ts，发音人躺在扫描仪内仰卧并用头部固定减少头动，扫描仪采集正中矢状面动态图像，同时用磁共振兼容麦克风在孔内靠近嘴部录音。研究者从连续帧中手动选出辅音稳态帧，定义为后接元音的构音运动开始之前紧邻的那 1 帧。

然后用定制 MATLAB 工具箱做基于网格的气组织边界分割，沿开放声道手动勾画气道中线，标定上唇最低点、硬腭后界、喉上缘 3 个解剖标志，再沿中线每隔 2 毫米放置正交网格线，在每条网格线上基于强度不连续自动检测上下边界交点，全部轮廓经目视检查并在必要时手动校正。接着计算每条网格的上下距离得到开口函数，把小于 0.5 毫米的区间记为收缩，由此划分前腔与后腔并求和得到伪面积，最后计算归一化收缩位置与收缩长度。

下面的图是理解该流程的关键，先看文字导读再看图。

本图展示网格放置与边界检测两步在同一矢状面上的对应关系，左侧青色扇形为测量网格，右侧绿红曲线为检测到的上下边界，读图时应把左右视为同一帧的前后处理阶段而非两个发音。

看图路径： 1. 先看左侧青色扇形网格如何覆盖唇到咽的口腔区并与气道走向正交；2. 再看右侧绿线与红线如何分别勾勒上、下气组织边界并形成黑色气道；3. 确认窄缝处上下线靠近即后文距离小于 0.5 毫米的操作定义来源

论文图 1。原论文 Figure 1：“Example midsagittal rtMRI frames illustrating ex- traction of air–tissue boundary distances along the vocal tract: gridline placement (left) and detected boundary points (right).”。

从像素可见，左侧黑色气道背景上叠加了从唇前经口腔到咽喉的放射状细线，右侧同一气道上出现沿上腭走向的绿线与沿舌体与下唇走向的红线，两线之间即黑色气道，窄缝处两线靠近，这直接对应后文距离序列中低谷的来源。手动校正的必要性在于强度不连续在牙齿与组织交界处容易误检，若不目视检查，开口函数会出现虚假窄点。

四个测量量是如何从开口函数算出来的？

开口函数是全部计算的起点，白话解释是沿声道从前到后的开口宽度序列，英文为 aperture function。记声道从前网格序号 s 到后网格序号 e，每条网格序号 i 的上下距离为 di，这些 di 连起来就是该辅音帧的正中矢状面开口函数。前腔伪面积与后腔伪面积的原文定义是对开口宽度求和，白话解释是把 2 维宽度相加作为面积的代理指标，英文为 pseudo-area，公式含义是前腔从 s 加到收缩起点 cs，后腔从收缩终点 ce 加到 e。

收缩位置分两步，先取收缩区间 cs 到 ce 的几何中心即中点，再相对口腔区域归一化到 0 到 1 区间，0 为口腔前界，1 为口腔后界。收缩长度是收缩区间跨越的网格位置数。操作阈值是距离小于 0.5 毫米即判为收缩，前后腔与位置都依赖该阈值，若改阈值则长度与起终点都会移动，这是复现时必须固定的细节。

收缩位置 × 前腔： 收缩位置负责标定收缩区间几何中心经口腔归一化后的前后坐标以定位收缩点，前腔负责累加收缩起点之前开口宽度的伪面积以反映舌前与唇前空间大小，二者分工是定位与塑形分离，组合原因是仅有位置不能说明共鸣腔如何被重塑而仅有前腔不能定位成因，组合后才能把后移的收缩点与扩大的前腔作为同一几何因果链来解释卷舌实现。

气道中线 × 网格线： 气道中线负责沿开放声道手动勾画出从唇到喉的中心走向以确定前后顺序与归一化基准，网格线负责在中线上每隔 2 毫米放置与中线正交的测量线并在每条线上检测上下气组织交点距离，搭配理由是若无中线则网格朝向与前后序号无统一参照，若无网格线则中线只是示意曲线无法量化开口函数，二者组合才把 2 维正中矢状面图像转化为可逐点比较的开口函数。

齿音 × 卷舌音： 齿音负责提供以齿龈为主要收缩区的参照类，包括 ts、tsh、s 和作为发音方式不同但部位参照的 l，卷舌音负责提供传统上称为卷舌的对应类，包括 tù、tùh、ù和ü，搭配理由是只有把发音方式相近的 3 对塞擦与擦音加上 l 与ü这 1 对部位对照放在同一测量框架下，才能分离部位后移与前腔扩大是否跨发音方式稳定，而新增作用是避免把某 1 对的特异长度差异误读为卷舌的普遍定义。

线性混合效应模型 × 声道长度校正： 线性混合效应模型负责把辅音类别、辅音对及其交互作为固定效应、把元音语境作为协变量、把说话人作为随机截距来估计类别差异，声道长度校正负责加入每位说话人的平均声道长度及其每次发音偏离该均值的偏差以控制解剖差异，搭配理由是若无声道长度校正则个体咽腔长短会混入前后腔伪面积，若无混合效应结构则多人多语境重复测量无法正确归因，组合后类别主效应才能被解读为排除身高与语境后的部位效应。

开口函数 × 收缩长度： 开口函数负责给出每个归一化网格位置上的上下边界距离序列以显示哪里窄、哪里开，前后腔伪面积与收缩位置都从该序列派生，收缩长度负责计数开口距离小于 0.5 毫米的连续网格点数以表示窄段延伸范围，搭配理由是开口函数提供连续形态而收缩长度提供窄段离散计数，二者组合才能区分收缩点整体后移与窄段变长变短是两种独立维度，本文正因此发现位置稳定而长度按对变化。

代表性示意帧有助于建立直觉，但必须明确其证据等级。该图为同一男性北京发音人在 a 语境下 tsa 与 tùa 的单帧对比，左为齿音，右为卷舌，原文指出同一构音模式在各发音人間均可观察到，但这仍是示意而非跨语境均值。

看图路径： 1. 对比左右两帧同一/a/语境下舌体最高点与舌尖指向的前后高低变化；2. 观察右侧卷舌帧舌尖向下而舌体隆起与唇形是否同时变化；3. 确认该例为单说话人单语境示意，不能直接推广为全数据均值

论文图 2。原论文 Figure 2：“Midsagittal rtMRI images illustrating the alveolar– retroflex contrast in the /a/ context (left: /ts/ in /tsa/; right: /tù/ in /tùa/).”。

从像素看，2 帧均为左侧为面部前方、右侧为后方的正中矢状面灰度图，右侧卷舌帧可见舌尖向下而舌体中部隆起，唇前开口形态与左侧也有差异。原文据此提示卷舌常涉及舌尖下垂姿势，而非刻板的舌尖上卷，该观察与既有非卷曲报道一致，但不能单独证明全部卷舌 token 都是如此，定量判断要看后文跨语境均值与统计检验。

统计模型如何分离部位效应与身高及语境差异？

每个测量量分别拟合一个线性混合效应模型，白话解释是同时考虑固定分组差异与随机个体差异的回归，英文为 linear mixed-effects model。固定效应包括辅音类别即齿音对卷舌音、辅音对即 4 对中的哪 1 对，以及二者交互。元音语境作为协变量纳入。为了控制说话人解剖差异，模型纳入两个声道长度项，一是每位说话人的平均声道长度，二是每个 token 偏离该说话人均值的偏差，说话人作为随机截距。估计用限制最大似然，软件为 R 的 nlme 包，多重比较用 Benjamini-Hochberg 错误发现率校正，报告为 q 值。

初学者容易混淆 p 与 q，p 是单次检验的显著性，q 是经错误发现率调整后的显著性，本文成对差异用 q。未报告的缺项是随机斜率与具体声道长度测量方法，原文只说明控制了两项长度，未给出从网格如何量取总长度的逐步公式，复现时只能保留其控制意图而不能臆测实现。

本研究有神经网络训练吗？真实计算是什么？

本研究没有训练神经网络，也没有优化器、梯度路径、参数冻结与更新的安排，因此 training 一节的任务是如实说明无训练，并讲清实际发生的计算。真实计算有 3 类。第一类是图像测量计算，包括手动选稳态帧、手动勾画中线、自动检测边界、目视校正、计算开口函数与 4 个量，这部分是规则与人工标注加数值求和，没有学习参数。第二类是统计推断计算，用限制最大似然拟合线性混合效应模型并做错误发现率校正，这部分估计的是类别效应与交互系数，不是神经权重。

第 3 类是既有工具调用，包括定制 MATLAB 声道跟踪工具箱与 R 的 nlme 包，均按原文引用的既有流程调用。因为无训练，不能把无训练等同于确定性求解，手动选帧与手动校正带来人工变异，不同标注者可能选到相邻帧。若把本研究误述为深度学习训练，会错误期待训练曲线与验证集，而原文的证据结构是小样本重复测量加统计检验。

数据、发音人与扫描条件是否足以支撑部位结论？

测什么、与谁比、条件是否一致是本节的组织线索。测量对象是 96 个单音节项与 8 个辅音乘 12 个元音语境的组合，每个发音人每项产出 1 次，若发现发音错误则实验者立即通知重读，保证每人每项有一个可接受产出。比较基线是同一辅音对内的齿音参照，条件一致体现在同一元音语境、同一声调第四声、同一载体句、同一稳态帧选择规则下比较。

发音人为 4 名母语者，2 男 2 女，平均年龄 26.75 岁，3 人来自北京 1 人来自天津，均在北方居住至至少 18 岁且以普通话为日常主要语言，无言语听力障碍史。扫描在京都 ATR 机构 3T 设备完成，正中矢状面，头部固定，磁共振兼容麦克风近嘴录音。下面的表把原文连续句中的关键采集与被试数字整理为可核对形态，阅读时先提出问题：在如此小样本下哪些参数是固定的、哪些是变异来源。

该表用于核对扫描分辨率与样本规模是否达到可复现的记录粒度，指标方向不适用好坏判断，重点是时间与空间分辨率是否足以分辨毫米级收缩移动，以及被试与条目数是否支持跨语境结论。

表后解释需要同时讲支持与代价。支持是高面内分辨率 1 毫米与明确的 2 毫米网格间隔使收缩位置移动具有可检测基础，12 个元音语境与载体句控制使部位效应经受协同发音考验。代价是 4 人小样本限制了向更广泛群体的推广，13.78 帧每秒的时间分辨率与手动单帧选择使动态轨迹信息丢失，仰卧姿势与头动固定也与自然直立发音存在差异。未胜出或未评测的边界是声学同步建模缺失，原文明确把声学与构音关系留待未来用同步录音在统一框架下检验。

哪些维度稳定区分卷舌，数字如何支持？

主结果按问题组织：收缩位置与前腔是否跨 4 对稳定，收缩长度与后腔是否按对变化。开口函数均值图先给出形态直觉，4 对中卷舌的低谷均比齿音更靠后，唇前区开口更大。箱体分布图进一步显示收缩位置与前腔的蓝红分离清晰，后腔蓝红高度重叠，收缩长度仅部分对分离。统计上收缩位置与前腔的卷舌主效应强，收缩位置的类别与辅音对交互不显著，说明后移幅度跨对一致，前腔交互显著说明扩大幅度按对有别，收缩长度为交互主导，后腔主效应不显著。

读图时必须先确认图例，蓝色为齿音，红色为卷舌，阴影或箱体表示变异而非单样本，横轴 0 为前 1 为后，纵轴为毫米或伪面积求和，红色低谷右移即后移，不能把纵轴开口变小误读为性能变差。

下图为 4 对辅音在归一化声道上的平均开口函数，每面板两条曲线分别跨说话人与元音语境平均，阴影为正负 1 倍标准误，观察重点是低谷位置与唇前高度。

看图路径： 1. 沿横轴 0 为前 1 为后确认每对红色低谷比蓝色低谷向右偏移；2. 对比最左端纵轴开口距离，红色在唇前区系统性高于蓝色；3. 检查四分面板在 0.5 至 0.8 段红色是否高于蓝色以对应后部形态差异

论文图 3。原论文 Figure 3：“Mean vocal-tract aperture functions along the normalized midsagittal vocal tract for each consonant pair. Blue = alveolar; red = retroflex. Shaded regions indicate ±1 SE.”。

从像素可见，4 个面板横轴均为 0 至 1，纵轴为网格距离毫米，蓝色低谷约在 0.13 至 0.15 附近，红色低谷约在 0.18 至 0.21 附近，红色在最左端 0 至 0.1 区间的纵轴值系统性高于蓝色，在 0.6 至 0.8 区间红色也多高于蓝色，阴影带较窄说明均值估计较稳，但这仍是平均形态，个体与语境变异需看箱体图与模型。

该表把原文直接报告的定性方向与关键显著性整理为可核对形态，比较必须保留原文实际可运行的策略即同对内齿音参照，不能用跨对最优值代替，指标方向是收缩位置越大越靠后、前腔越大表示前部空间越大。

表后解释要给出具体代价与反例。主要收益是收缩位置与前腔在 4 对中方向一致，可作为发音教学的候选目标，即往后调收缩点并塑造前部口腔空间。代价是前腔扩大程度随辅音对变化，l 与 ü 对的前腔增量小于 3 对塞擦与擦音，收缩长度在 ts 与 l 2 对无显著差异，后腔几乎无分离，说明若只练窄段长短或咽部收紧，难以稳定实现对比。未胜出项是后腔，它在箱体图与检验中均未胜出，这不是测量失败，而是提示后部差异要么不稳定，要么未被正中矢状面伪面积准确捕获。

若只看长度或后腔会得出什么不同结论？

把本节当作反证检验：如果研究者只用收缩长度或后腔来定义卷舌，会得到按对矛盾的结论。收缩长度在 tsh 与 s 2 对显著缩短而在 ts 与 l 2 对无差异，若以长度为定义则 4 对无法统一。后腔在 4 对中蓝红箱体中线接近且检验不显著，若以后腔为定义则类别几乎不可分。只有收缩位置在 4 对中蓝箱整体低于红箱且重叠少，前腔红箱中线系统性高于蓝箱，才能跨对统一。下图是该反证的可视化依据，需按面板逐 1 核对而非只看总体趋势。

该图为 4 个测量量在 4 对内的成对分布，蓝色为齿音，红色为卷舌，每组内左右并列，纵轴分别为归一化位置、网格计数与前后腔伪面积求和，读图时应区分箱体中线、箱体高度与须线范围分别代表集中趋势、组内变异与全距。

看图路径： 1. 先看左上收缩位置四组蓝色箱体整体低于红色箱体且重叠少；2. 再看左下前腔四组红色中线系统性高于蓝色而右下后腔蓝红高度重叠；3. 最后看右上收缩长度仅中间两对红色明显低于蓝色以确认按对变化

论文图 4。原论文 Figure 4：“Pairwise distributions of constriction location, constriction length, front cavity, and back cavity for alveolar and retroflex classes across consonant pairs.”。

从像素可见，左上收缩位置 4 组蓝色中线约在 0.13 至 0.15，红色中线约在 0.18 至 0.19，红蓝间隔清晰，左下前腔蓝色中线多在 50 至 80，红色中线多在 108 至 125，右上收缩长度中 ts 对蓝红中线均约 5 而 s 对蓝色约 4 红色约 2，右下后腔 4 组蓝红中线均在 500 至 560 附近高度重叠。该形态支持原文判断，即总体趋势不等于每组每步都成立，前腔幅度与长度方向均存在按对差异。

哪些边界使结论不能直接当作发音处方？

原文明确承认小样本与手动选帧两项限制。4 人样本且地域集中于北京与天津，不能代表更广泛的普通话群体，个体舌体成束策略差异在既有文献中已被报道，本数据也显示 l 对齿音位置变异较大。手动选择稳态帧丢失了时间动态，进入元音的过渡轨迹未被分析，而协同发音恰是跨语境稳定性的关键。

测量上前后腔为 2 维宽度求和的伪面积，不是 3 维体积，唇圆展与咽壁侧向形态超出正中矢状面单层 10 毫米的捕获能力，后腔弱区分可能源于指标不敏感而非生理无差异。声学侧缺同步建模，F3 降低与前腔扩大的联系引用既有 account 而非本数据直接检验。相关性不是因果，未测量误判率、延迟或教学增益时，不能承诺按此目标练习必然更快学会。

资源状态方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码、模型或数据已公开，只能依据正文描述复现流程。

要复现这套测量先固定哪些步骤？

复现先做三件事。第一，按原文固定刺激与流程，准备 8 辅音乘 12 元音语境的 96 单音节项并区分 78 真词与 18 合法非词，随机分 session 呈现，嵌入同一载体句读第四声，每项保留一个可接受产出并记录重读原因。第二，按原文固定采集，3T 正中矢状面，矩阵 256 乘 256，面内 1 毫米乘 1 毫米，层厚 10 毫米，时间分辨率 13.78 帧每秒，仰卧加头部固定，磁共振兼容麦克风近嘴同步录音。

第三，按原文固定测量，沿开放声道勾画中线并标定上唇最低点、硬腭后界、喉上缘，沿中线每 2 毫米放正交网格，自动检测上下交点后全部目视校正，定义小于 0.5 毫米为收缩，取 cs 到 ce 中点并归一化到 0 到 1，前后腔分别从 s 到 cs 与 ce 到 e 求和。统计复现需用限制最大似然拟合含类别、辅音对、交互、元音协变量、两项声道长度与说话人随机截距的模型，并做错误发现率校正。

还需补的验证是标注者间一致性、多帧轨迹分析与同步声学检验，缺失这些不是技术错误，但不补则不能把形态差异直接等同于听感差异。

何时值得参考这套目标，还需补哪项验证？

当教学或研究需要给学习者可操作的口腔目标而非抽象的卷舌二字时，值得参考本文的两点，即把收缩点往后调并扩大前部口腔空间，同时关注可能的唇形配合。复现优先级是先保证网格、中线、阈值与归一化与原文一致，再谈跨实验室比较。还需补的验证是更大更多样被试、时变轨迹与声学构音同步关系，只有补了才能判断前腔扩大在多大程度上对应可听的频谱线索。

对常见误解需要澄清，卷舌不等于舌尖上卷，本数据常见舌尖下垂，收缩后移与前腔扩大才是更稳定的描述，但这不否定个别说话人存在卷曲策略。另一误解是把后腔无差异当作咽部无事，原文的谨慎表述是后腔区分弱或未被伪面积准确捕获，而非断言后部完全相同。总体上，本文提供的是基于证据的学习者导向的构音描述起点，而不是可直接部署的发音纠错系统。

⚖️ 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