送气擦音不是一个线索说了算：沙溪白语三代人的时间与频谱权重如何重组

英文题目：Age-related Differences in Acoustic Realization of Aspirated Fricatives in Shaxi Bai

会议身份：conference:interspeech:2026:conference-paper-id:zhang26q_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 #社会语音学 #语音 #语音属性识别

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.3/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.3/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Xiaofang Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Infat Lo：机构信息未能从会议 PDF 纯文本可靠映射
• Yao Lu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

沙溪白语送气擦音的输入是受控词表朗读录音，输出是送气对立在三维声学上的相对效应与代际差异，难点在于时间、频谱、发声三类线索相互耦合且随擦音部位与年龄变化。方法链先在Praat中分层标注擦音区间、送气区间、后接元音与整音节并提取起始时长比（initial duration ratio）、频谱质心差（spectral centroid difference）与经共振峰校正的一二次谐波差（H1-H2），再经由人内标准化消除量纲与基线差异，最后以送气条件为核心固定效应的线性混合效应模型（linear mixed-effects model）估计边际均值与成对对比。与以往单参数或描述性声谱分析不同，该研究在同一建模框架内量化三维相对效应并检验其协变重组。在沙溪白语16词朗读语料条件下，中年组齿龈擦音/s/的频谱质心差指标为2.38，高于青年组齿龈擦音/s/的频谱质心差指标0.45。结论仅适用于沙溪点16词朗读语体共30人960个token，青年组高度离散且感知与构音证据缺失使音变方向推断尚未验证。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，读完要能复述什么？

本文的输入是沙溪白语的自然产出录音，目标是回答送气擦音的对立究竟靠哪些声学维度维持，以及不同年龄组是否用不同权重维持它。作者开篇就强调送气擦音不是单一参数能定义的，它涉及摩擦与送气两段噪声的衔接，因此必须同时看时间结构、频谱分布和发声态。你读完应当能复述三件事：第一，研究所用的 3 个指标分别量什么；第二，统计上如何把发音人和词项的重复测量考虑进去；第三，青年组与老年组在哪些擦音上出现分化。

需要保留的关键信息是地点为云南剑川沙溪镇，被试为终身居住、以白语为日常主要语言的 30 人，词表 16 词每人读两遍共 960 个 token，录音采样率为 44.1 千赫 16 比特。资源状态方面，本次没有发现来源绑定且完成验证的公开代码、模型或数据，因此不能声称数据或代码已公开，只能按论文文字复述方法。 本文讨论的送气擦音包括唇齿擦音、齿龈擦音、软腭擦音和硬腭擦音 4 类，每类各有 1 对送气与不送气词，例如蜂蜜与衣服、年与说、火与灰、杀与孝等。

白话说，送气擦音就是擦音后面多拖一段气声，声谱上前段摩擦强而集中，后段送气弱而弥散。论文要检验的是这段多出来的气究竟落在时长上、落在频谱变化上，还是漏到后面元音的气声上。

送气擦音 × 双重噪声源： 送气擦音指擦音段之后还带一段类似送气的噪声，听感上既有擦又有哈气；双重噪声源解释它的产生机制，前段是口腔收缩形成的擦音摩擦源，后段是声门敞开形成的声门湍流源，二者前后相邻。搭配研究二者的理由是声谱上常看到前强后弱的两段噪声，只有把两段一起看，才能理解为什么时长、频谱和发声 3 个维度会同时变化。

对于刚入门的同学，关键是不要把送气擦音误当成送气塞音，塞音的送气是除阻后的嗓音起始时间问题，而擦音的送气是摩擦噪声之后还加一段声门噪声，二者在切分与测量上完全不同。本文统一标注摩擦段、送气段、元音段和整个音节，为 3 个维度的测量提供共同的时间基准。

前人把送气擦音拆成哪几条路线？

论文梳理了 3 条路线。第一条是音系与历时路线，讨论送气擦音在藏缅语乃至更广语言中的来源与地位，指出它常处在不稳定位置，可能向不送气擦音合流，也可能向同部位送气塞擦音靠拢。第二条是声学实现路线，前人用双源模型解释其复合结构，用频谱质心区分发音部位，用时长与幅度包络上升时间区分擦音与塞擦音，用跟随元音的 H1 减 H2 反映气声。

第 3 条是变异与音变路线，金山白语与甘荣苗语等地的证据显示时间维度相对稳健，频谱与发声维度更容易在代际间减弱或重组，而各维度权重的此消彼长与音变方向有关。 本文与前人的区别在于把 3 个维度放进统一的混合效应框架，用估计边际均值与成对比较量化送气效应，并系统比较年龄组。作者明确指出以往少有研究在统一统计框架内建模各维度的相对贡献，也少有用混合效应量化年龄差异。

白语内部已有研究提示送气擦音存在两条演变可能，时间属性增强则趋向对应不送气擦音，频谱属性增强则趋向同部位送气塞擦音，这为后文解读个人加权模式埋下对照。 需要提醒的是，前人关于哪个维度更稳健的说法并不完全一致，本文的贡献是给出沙溪点上的具体效应量与年龄格局，而不是给出跨语言的通则。初学者应把相关工作读成方法对照表：同为擦音研究，有的只报频谱，有的只报时长，本文则要求 3 维同报并检验交互。

要回答的具体问题是什么？

论文提出两个可检验的问题。第一，多个声学指标在发音人之间如何分布，送气效应是否集中在某个维度还是分散在多维。第二，模型估计出的各维度效应是否存在系统的年龄差异，即青年、中年、老年 3 组是否呈现方向或大小上的规律变化。这两个问题都落在产生层面，不涉及感知实验，也不涉及发音生理的直接观测。 操作化上，问题 1 对应 3 个指标各自的送气与不送气之差，以及不同擦音类别之间的差异。

问题 2 对应年龄组与送气条件的交互，以及个人层面的离散程度。作者预期时间与频谱效应更稳健，发声效应较弱且不一致，青年组可能呈现协同模式的重组。理解这一点很重要，后文所有图表都是围绕送气减未送气的差值展开，而不是报绝对时长或绝对频谱值。 从学习依赖看，必须先接受组内标准化与随机截距的思想，否则会把发音人基线差异误读成送气效应。

例如某人整体语速慢，所有时长都长，只有在扣除个人与词项基线后，送气多出来的那部分时长才算证据。

从一句话到三个数字：方法全景如何走通？

拿沙溪话说年这个词的 1 次发音为例，流程是先在 Praat 中切出摩擦段、送气段、元音段和整音节，然后算 3 个数：声母时长占音节时长的比例、擦音段内前部与后部频谱质心之差、后面元音稳定段的气声指标 H1 星减 H2 星。每个数先在发音人内部做标准化，再分别送进以送气条件为核心固定效应的线性混合效应模型，模型带发音人与词项随机截距，必要时加入擦音类别及其与送气的交互，最后用估计边际均值做送气与不送气的成对比较。

这条主路径的要点是标注框架统一，3 维指标共享同一套切分，避免各算各的。时间维度用音节归一化控制语速，频谱维度用段内两点差捕捉动态变化，发声维度用元音稳定段避免起止过渡的干扰。统计上每个指标单独建模，而不是把 3 维塞进一个多元模型，因此维度之间的协同要靠事后比较热图与个人剖面来读，而不是靠模型直接给出相关系数。 工具链按原文交代是 Praat 做切分标注，VoiceSauce 提取 H1 星减 H2 星，R 语言 4.4.2 版用 lme4 拟合、用 emmeans 求边际均值与对比。

录音在丽江完成，经 Sony ECM-77B 话筒与相关声卡进入笔记本 Adobe Audition 2021。初学者复述时要强调这不是端到端模型，没有训练集与测试集划分，只有重复测量的回归推断。

三个指标具体怎么切、怎么算？

时间指标起始时长比定义为声母时长除以音节时长，送气擦音的声母包含摩擦加送气两段。白话说就是声母占整个音节多长，送气多一段自然占比更高。做法上先量声母起止与音节起止，再相除，这样语速快慢会被约掉。论文沿用已有白语研究框架，明确写出分子为包含摩擦与送气的声母时长，分母为整音节时长。

起始时长比 × 音节归一化： 起始时长比指声母段时长占整个音节时长的比例，送气擦音的声母段包含摩擦加送气两部分；音节归一化指用除以音节总时长来消除语速和音节长短的影响。分工是前者给出时间维度的对比量，后者给出可比性，搭配后不同调、不同语速的 token 才能放在同一模型里比较送气是否真的更长。

频谱指标先算频谱质心，即能量重心，值越高表示高频能量越集中。再在时间归一化后的擦音段内取 20% 与 80% 两点，用前点减后点得到质心差，反映发音过程中频谱如何滑动。送气擦音因后段送气能量弥散，常表现出更大的前后差。发声指标 H1 星减 H2 星在跟随元音的规则周期振动开始后、基频与振幅及共振峰轨迹稳定的元音段内提取，经共振峰校正后差值越大越偏向气声。

频谱质心差 × 发声态 H1*-H2*： 频谱质心差指擦音段内 20% 处与 80% 处频谱重心的差，反映噪声能量从前到后如何变暗或变散；发声态 H1*-H2* 指跟随元音中经共振峰校正的第一与第二谐波幅度差，反映元音段是否带气声。分工是前者看辅音内部的频谱动态，后者看声门开合漏到元音上的气声尾巴，搭配才能区分对比是做在辅音里还是拖到元音上。

3 个切分细节值得记住：频谱只量擦音段内部，不把送气段混入质心差的两点；发声只量元音稳定段，不量过渡段；时间则把摩擦与送气合并为声母。这样 3 维各有明确的时间窗，避免用同一段数据重复讲同一个故事。复现时若切分边界移动，3 个指标会连带变化，因此标注一致性是第一位的质量控制。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络，也没有学习声学模型的权重，不存在梯度路径、参数冻结与解冻、早停或优化器选择。必须明确说没有训练阶段，以免初学者误把混合效应模型的拟合当成深度学习训练。真实的计算过程是统计建模：对组内标准化后的每个声学指标，用限制性最大似然拟合线性混合效应模型，估计送气条件、擦音类别及其交互的系数，以及发音人与词项的随机截距方差。

估计边际均值 × 线性混合效应模型： 线性混合效应模型指同时估计固定效应和随机截距的回归，本文固定效应是送气条件与擦音类别，随机截距是发音人与词项；估计边际均值指在控制了发音人和词项差异后算出的各条件平均。分工是前者负责分离出可解释的送气效应，后者负责给出可画图可比较的组均值，搭配后才能在重复测量的 960 个 token 中做年龄组与擦音类别的成对比较。

具体操作是每个指标一个模型，固定效应以送气条件为主，必要时加擦音类别与交互，随机部分为发音人与词项的截距，用以处理同一人多次发音与同一词多次出现的相关性。推断基于估计边际均值与送气对未送气的成对对比，并用星号标出显著性。原文未报告随机斜率、方差成分的具体数值与模型诊断，也未报告是否做多重比较校正，这些是缺项，复现时应如实指出，不能从软件包默认设置反推作者一定做了何种校正。

教学上要区分拟合与训练：拟合是闭式或迭代求解回归系数，没有留出验证集调参；因此不存在过拟合到测试集的问题，但存在样本不平衡问题，青年组仅 3 人会使该组的边际均值标准误更大、个人离散更容易左右组均值。

被试、材料与设备条件是否一致？

被试条件按原文是沙溪镇终身居住、无长期外出居住或就业史、以白语为日常主要语言的 30 人。年龄分组为 56 岁及以上老年组 14 人、36 至 55 岁中年组 13 人、18 至 35 岁青年组 3 人，性别为女性 14 人男性 16 人，接近平衡。青年组人数很少，这是贯穿全文的限制条件，解读青年组任何反转或消失都必须附带样本量提醒。 材料为基于沙溪实际发音与藏缅语送气擦音研究文献编制的词表，共 16 个目标词，覆盖 4 类擦音的送气与不送气对立。每人每个词读两遍，共 960 个 token。

录音设备与参数统一，采样率 44.1 千赫 16 比特，话筒与声卡链路一致，地点在丽江。标注与提取流程对所有被试一致，3 个指标共享同一套分层标注。 下面的整理表把被试与数据规模放在一起，帮助核对复现起点。读表时注意人数是分组比较的公平基础，青年组 3 人意味着该组均值对个体异常值极为敏感，不能与老年组 14 人同等看待。

该表显示总样本 30 人中青年组仅占十分之一，性别总体接近平衡，数据总量由 16 乘 2 乘 30 得到 960。代价是青年组的组内变异会被放大，个别发音人的弱效应或反向模式会直接拉动组均值，因此后文青年组时间对比消失与发声方向反转都只能记为待验证的初步模式，而非定论。

时间、频谱、发声三维各看到什么？

时间维度的估计边际均值显示老年组与中年组送气擦音的起始时长比显著高于不送气，跨擦音类别看硬腭擦音与齿龈擦音的时长比高于唇齿与软腭擦音。青年组除齿龈擦音外大多无显著差异，唇齿擦音甚至出现未送气略高于送气。组内变异在老年与中年组较小，在青年组明显更大。论文明确提醒青年组仅 3 人，应谨慎解读这种离散。 为了读懂时间对比的年龄格局，先看按年龄分行、按擦音分列的边际均值图。图中每格两点为未送气与送气，纵轴为标准化后的时长比，星号表示成对比较显著。

看图路径： 1. 先按行看年龄组、按列看擦音类别，确认每格横轴都是 unaspirated 与 aspirated 两点；2. 再看纵轴 Onset ratio(z) 是组内标准化后的值，比较同格两点的高低与误差线重叠程度；3. 最后对比青年组第一行与老年组第三行的星号数量与两点间距，判断时间对比是否弱化

论文图 1。原论文 Figure 1：“Estimated marginal means of initial duration ratio by aspiration condition, age group, and fricative type.”。

从图中可见老年组底行四格均有显著星号且送气点高于未送气点，中年组中间行同样多格显著但软腭擦音效应较弱，青年组顶行仅齿龈擦音出现显著且其余三格两点接近或重叠。这支持时间对比在青年组减弱的判断，但同时要看到青年组误差线更长，说明估计更不确定。 频谱维度用质心差衡量，老年组在硬腭、齿龈、唇齿 3 类上送气大于未送气，软腭擦音无显著对比；中年组保留硬腭与齿龈显著、唇齿较弱但仍显著、软腭仍无差异。

青年组仅唇齿擦音保留对比，其余最小或不显著。跨组看质心差幅度从老年到中年再到青年递减，尤以硬腭与齿龈为甚。跨擦音看软腭擦音的质心差最小，其次为唇齿，硬腭与齿龈最大。 下面看频谱维度的边际均值图，布局与时间图相同但纵轴换成质心差标准化值。

看图路径： 1. 先确认纵轴是 CoG difference(z)，每格同样是未送气与送气两点的估计边际均值；2. 再逐列看送气点是否高于未送气点，特别注意/x/列两点几乎等高；3. 最后从老年组到底部青年组纵向比较/C/与/s/格的间距变化

论文图 3。原论文 Figure 2：“Estimated marginal means of spectral centroid differ- ence by aspiration condition, age group, and fricative type.”。

图中老年组底行硬腭与齿龈格的送气点明显抬高且带三星，软腭格两点持平；中年组格局类似但幅度略降；青年组顶行仅唇齿格出现显著抬高，其余格两点几乎无分离。这说明频谱对比并未在青年组全面消失，而是退守到唇齿擦音，齿龈擦音的频谱大效应在青年组已不显著。 发声维度 H1 星减 H2 星的显著效应主要局限于硬腭擦音，老年与中年组送气高于未送气，符合跟随元音更偏气声的预期。

除此之外仅老年组唇齿擦音显著，齿龈与软腭均无显著，青年组各擦音大多不显著且硬腭擦音出现方向反转。效应量上中青年组小于老年组，青年组分离最小。个人层面离散很大，部分人无差异，9 人出现与组均值相反的模式，这是发声维度不稳定的直接证据。 个人离散的热图进一步显示时间、频谱、发声效应并不成比例缩放。有人以频谱加权为主，有人以时间加权为主，少数人发声相对突出，有人 3 维都弱。

看图路径： 1. 先确认横轴三列为时间、频谱、发声维度，纵轴为 30 名发音人编号，颜色深浅为效应大小；2. 再横向比较同一发音人三格的相对深浅，区分时间加权与频谱加权；3. 最后找出三格都浅的弱效应发音人与发声列相对较深的少数发音人

论文图 6。原论文 Figure 6：“Speaker level variation in effects of aspiration across temporal, spectral, and phonatory measures.”。

从该热图可见上部发音人时间列较深而频谱列较浅，下部发音人频谱列较深而时间列较浅，中部个别发音人发声列相对较深，底部个别发音人三列皆浅。这种构型多样性说明组均值掩盖了个人策略差异，也是理解音变多方向的基础。

时间加权型 × 频谱加权型： 时间加权型指同一发音人把送气对比主要做在起始时长比上，频谱和发声格较浅；频谱加权型指主要做在质心差上，时间格较浅。分工是刻画不同人把多维对比的权重放在不同维度，搭配讨论的意义是它们指向不同演变基础，时间权重减弱可能走向与不送气擦音合流，频谱权重保留则可能更接近同部位送气塞擦音。

跨擦音与跨年龄的效应量如何对照？

要回答权重是否重组，不能只看有没有星号，还要看效应量的相对大小。论文用热图报告送气减未送气的标准化差值，3 个维度按擦音与年龄交叉排列。比较的问题是：在控制发音人与词项后，哪个格的差值大而显著，哪个格小而不显著，以及青年组与老年组的最大分歧落在哪个维度。公平条件是所有格都基于组内标准化与同一建模流程，指标方向均为送气减未送气，正值表示送气更高。

该表的主要收益是定位代际差异最大的位置：齿龈擦音的频谱效应在中老年组超过 2 个标准差而在青年组降至 0.45 且不显著，硬腭擦音的发声效应从老年组 1.03 正向变为青年组负 1.10 反向。

代价是青年组时间效应并非全面消失，齿龈擦音仍保留 0.86 的显著时间效应，唇齿擦音则保留 1.01 的显著频谱效应，说明弱化是不均匀的。未胜出项也很清楚：软腭擦音在 3 组中频谱与发声几乎全为零附近，仅靠时间维度维持对比；发声维度除硬腭与老年唇齿外大多不显著。 为了直观核对上述数字的格局，再看按年龄分块的效应热图，格内数字即上表的效应量，颜色深浅表示大小。

看图路径： 1. 先确认横向三块为 Young、Middle、Old，纵向为 x、f、s、擦音，格内数字为送气减未送气的标准化效应；2. 再看颜色越亮表示正效应越大，重点找/s/行中间两格的最亮格与青年组同位置的暗格；3. 最后对比最下一行擦音的 H1*-H2* 列从右到左由正变负的符号反转

论文图 5。原论文 Figure 5：“A heatmap of aspiration effects across three acoustic dimensions by fricative and age group. 一个星号 p < .05, 两个星号 p < .01, 三个星号 p < .001.”。

从热图可见中老年块齿龈行中间格最亮而青年块同格明显变暗，硬腭行右侧格从老年正值变为青年负值，唇齿行青年块中间格反而最亮。这支持论文的总结：时间与频谱在组与个人层面都大于发声，发声即使显著也属次要成分；青年组时间对比缩小且伴随频谱缩小，整体对比弱化，但个别擦音保留局部显著。

哪些结论站得住，哪些还缺证据？

站得住的是多维实现与维度排序：时间与频谱的声学分离大于发声，发声效应范围窄且个人变异大，这一排序在组均值与个人层面一致。站得住的还有擦音类别差异：齿龈与硬腭擦音在时间与频谱上对比稳健，唇齿与软腭较弱多变，软腭几乎只靠时间维持。 需谨慎的是所有关于青年组的推断。青年组仅 3 人，时间对比消失可能源于抽样误差，硬腭擦音发声方向反转作者也明确写需要进一步验证。

个人层面 9 人出现与组趋势相反的发声模式，说明组均值差异不能推广到每个发音人。论文用可能与待验证的措辞处理演变方向，提出时间加权者减弱后可能向不送气擦音合流、频谱加权者可能更接近送气塞擦音，但这属于基于声学基础的假设，并无感知与历时追踪证据。 未测量项包括感知可分性、构音机制、推理开销与延迟等本文完全不涉及的量，不能声称对比弱化等于听感合流。

统计细节如随机斜率、校正方法与方差成分未报告，复现时应补做模型诊断与敏感性分析。总体趋势不等于每组每步成立，例如青年组齿龈时间效应与唇齿频谱效应仍显著，不能简化为青年组全面丢失对比。

要复现这项研究，先做什么？

先按原文重建数据与标注：招募同方言点终身居住的发音人并记录年龄与性别，编制 16 词词表覆盖 4 类擦音的送气对立，每人每词读两遍，用 44.1 千赫 16 比特链路录音。在 Praat 中建立摩擦段、送气段、元音段与音节 4 层标注，统一所有 token 的边界标准，尤其固定频谱两点只取擦音段内 20% 与 80%、发声只取元音稳定段。 再重建 3 个指标：声母时长除以音节时长得到起始时长比，前点质心减后点得到质心差，用 VoiceSauce 在稳定元音段提取校正后的 H1 星减 H2 星。

所有指标先在发音人内标准化，再在 R 中用 lme4 按指标分别拟合送气为核心固定效应、发音人与词项为随机截距的模型，必要时加擦音类别与交互，用 emmeans 求边际均值与成对对比，并画出按年龄乘擦音分面的估计图与个人配对图。 核对清单包括样本量是否平衡、青年组是否过小、随机截距是否收敛、星号阈值如何定义、热图效应量是否为标准化差值。由于原文无公开数据与代码，本次也不能声称可下载，只能按文字逐步重做并保留标注与模型输出以备核查。

若要补验证，优先补感知实验检验声学差异是否可听辨，其次补构音观测澄清时间与频谱变化的生理来源。

何时值得借用这套三维做法？

当你研究的对立听起来像擦加气、且单一时长或单一频谱都解释不干净时，值得借用本文的三窗做法：时间窗看声母占比，频谱窗看段内动态，发声窗看元音尾巴，三者共享同一套切分但各有专属时间范围。这种设计能避免把送气段的弥散误算成擦音本身的部位差异，也能避免把元音过渡的气声误当成稳定的发声对立。 借用时要连带借用其统计纪律：组内标准化减少个人基线干扰，随机截距处理重复测量，效应量与显著性同报，个人剖面与组均值同看。

若你的青年组或变异组人数很少，应如本文一样明确标注谨慎解读，而不是用总体显著掩盖局部不确定。 回到沙溪白语，论文报告的是时间与频谱为主、发声为辅的多维对比，以及青年组对比弱化与权重重组的初步模式。这支持送气擦音的多维账户，也为不同演变去向提供声学基础，但方向反转与合流仍属待验证假设。

对初学者而言，记住软腭擦音几乎只靠时间、齿龈擦音频谱效应最大而青年组恰在此处跌落、硬腭擦音发声效应最集中却在青年组反向，这 3 组对照足以复述全文的核心证据与限度。

⚖️ 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