打码说话为何变慢：法语补码口语中音段时长与手动键结构的协同

英文题目：Relations entre les durées segmentales et les clés en Langue française Parlée Complétée

会议身份：conference:jep:2026:conference-paper-id:lancien26_jep

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

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 #强制对齐

评分：5.6/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.6/1.5 | 清晰度 0.6/1 | 影响力 0.4/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Mélanie Lancien：机构信息未能从会议 PDF 纯文本可靠映射
• Brigitte Bigi：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文以朗读任务的音视频与正字法文本为输入，以辅音与元音时长的统计解释为输出，难点在于手部提前与语音规划相互交织且说话人与音素个体差异极大。方法分三步：先用SPPAS对CLeLfPC多模态语料做词与音素自动对齐并人工校正，输出的音素边界进入键序列生成环节。接着自动生成键序列并人工核验，仅保留发声段内CV键并划分中立间单元，所获样本直接进入统计建模。然后以对数时长为因变量，以位置任务词类与对侧时长为固定效应拟合线性混合模型并经赤池信息准则与似然比检验选型，其关键差异在于把手动编码结构视为一级时间组织者，凸显手口一体化规划的实际意义。在CLeLfPC语料任务下，元音的时长指标为133ms，高于辅音的时长指标125ms。结论的适用边界限于五位熟练非聋女性编码者的朗读式编码，尚未验证向自发对话或听障编码者外推。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://hal.science/hal-05463859 — 链接可访问（HTTP 200）
• 数据相关资源：https://hdl.handle.net/11403/clelfpc → https://www.ortolang.fr/market/item/clelfpc/v11 — 链接可访问（HTTP 200）
• 演示资源：https://auto-cuedspeech.org — 链接可访问（HTTP 200）
• 复现相关资源：https://hal.science/hal-05463859 — 链接可访问（HTTP 200） 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

为什么唇读补码会改变说话的时间安排？

本文的输入是法语补码口语的音视频记录，目标是解释音段时长如何被手动编码结构牵引，输出是一套可复述的测量与建模流程。本解读必须保留的关键信息是语料名称、说话人数量、键的数量与结构、统计模型的形式以及时长数字与其单位，任何复述都不能把这些条件替换为泛泛的自然口语结论。

对于刚进入语音与音频领域的研究生，白话理解是这样的：唇读就是看嘴型猜话，但很多音在嘴唇上长得一样，比如一些辅音的唇形区别很小。法语补码口语的做法是加一只手，用手形表示辅音，用手放在脸旁哪个位置表示元音，嘴加手同时产生，构成一个视觉上可区分的音节。英文名是 Cued Speech，法语名是 Langue française Parlée Complétée，后文简称 LfPC。

一旦加了手，说话就不再只是声带与口腔的任务，还要规划手何时出发、何时到达、何时离开。这种双通道同步会迫使说话人调整语速，因为手必须提前一点到达目标位置，才能让观看者把手形与嘴形对应起来。于是研究问题就从单纯的语音学变成运动协同问题：辅音变长是因为这个辅音本身难发，还是因为对应的手形难做，或者因为句子位置需要放慢。

本研究使用的证据是多模态语料 CLeLfPC，它包含音节、单词、句子与短文的编码录像，已经过转写与对齐。分析只取其中完全标注的 5 名非聋熟练编码女性的数据，重点是辅音加元音构成的键，后文称为 clé CV。理解这个起点很重要，后面所有关于时长变长或缩短的判断，都只在这个编码任务与这 5 名说话人的范围内成立，不能直接推广到自发对话或儿童编码者。

此前关于手口同步与时长变化知道什么？

在 LfPC 之前，早期工作已经反复报告一个现象：手要略微领先于声音。从二十世纪七十年代的观察到后来的法语实验，模型都强调手动 anticipiation，也就是手提前到达，以保证可读性。这说明手不是声音的附庸，而是参与计划的另一套运动系统。

另一条线索来自近年对三千多个键的分析，发现手的位置本身会影响元音与音节时长，某些靠脸的位置拉长音段，某些居中位置缩短音段。这提示手的位置不是中性的标注，而是直接进入发音计划。如果这个方向成立，那么更一般的语言学因素，比如词频、语法词弱化、韵律边界，也可能在编码语流中被重塑。

在非编码的自然法语中，时长变化的规律相对清楚。固有属性上，滑音短于擦音与塞音，元音通常长于多数辅音，相邻音之间还存在补偿。词汇与信息层面，语法词与高频词汇词倾向于缩短，话语标记与感叹词倾向于拉长，相邻词数量等精细因素也有影响。大语料研究给出可对照的量级：自发会话中平均一个音素约 79 毫秒，四分之三短于 90 毫秒，大量短于或等于 30 毫秒，而朗读口语中平均短于 100 毫秒的音素很少。这些数字是理解编码语流是否整体放慢的参照系。

本文的增量正在于把上述两条线连起来：先用小样本基准确认编码键的绝对时长，再用更大的多说话人数据检验自然口语中常见的时长因素在编码条件下是否还起作用。教学上要记住，相关工作不是用来证明谁优谁劣，而是用来固定比较条件，即同样的音、同样的键结构、同样的朗读要求下，时长差异才能归因于编码。

本文要回答的具体时长问题是什么？

本文把大问题拆成 3 个可检验的小问题。第一，在 CV 键内部，辅音时长与元音时长各自受什么影响，是词的类型、键在句段中的位置，还是朗读任务的类型。第二，键内辅音与元音之间是补偿关系还是协同关系，即一个变长时另一个是缩短还是也变长。第三，与自然口语相比，编码是否整体拉长音段，以及自然口语中稳定的语法词缩短效应是否消失。

举例说明：假设有一个 CV 键对应辅音加元音，出现在一个长句中间的词汇词里，与出现在句末的语法词里相比，元音是否更长。如果自然口语的规律是语法词更短，而编码数据中反而是语法词更长，那就说明编码计划覆盖了常规的弱化规则。这个例子只是帮助理解变量含义，原文并未给出某个具体单词的数值，不能把例子当作结果。

问题的边界也很明确。研究只分析 CV 结构的键，不分析单独的辅音键、元音键与中性键。只分析孤立句朗读与文本朗读两种任务，且指导语是尽量自然地读，不包含自发对话与交互情境。因此任何关于交互中手口协调的推论都超出本文证据，属于待验证的猜测。

从录像到时长数字的全流程是怎样的？

沿一个样本走完全程有助于建立整体感。输入是一段音视频，说话人读出一个句子并同时打码。先用 SPPAS 软件把正字法文本与音频做自动对齐，再经人工校正得到音素边界。然后由程序根据音素序列生成对应的键，再经人工核对确认手确实做出了该键。最后从对齐文件中读出每个 CV 键内辅音与元音的起止时间，相减得到时长，进入统计模型。

这个流程中有两个容易被忽视的环节。一是键的生成与核对，它保证声学时长与手动标签是对齐的，而不是仅按文本推测应该打什么键。二是中性键的界定，它用声音静音加手放胸前来切分语流，由此定义出 Inter-Neutral Unit，后文简称 INU，即 2 次中性之间的连续说话单元。所有关于首键、中间键与末键的比较，都是在这个单元内部进行的。

下面这张图展示了编码的基本词汇表，是理解后续所有时长比较的前提。读者应先建立手形管辅音、位置管元音的映射，再去看时长数字，否则会把位置效应误认为元音固有时长。

看图路径： 1. 先看左侧四张真人照片的手在脸旁的落点，区分口旁、下巴与胸前中性位置；2. 再看右侧手形图标旁标注的音素分组，确认一个手形对应多个辅音；3. 最后把位置管元音、手形管辅音的对应关系连起来，理解一个 CV 键如何同时编码两个音

论文图 1。原论文 Figure 1：“Positions et formes des mains en LfPC.”。

这张图左侧是 4 张真人示例照片，可以看到手分别落在嘴旁、下巴附近与胸前中性高度，背景为绿色幕布，右侧是编号手形图标及其对应的辅音分组。教学价值在于它把抽象的键概念落到可见的运动目标上：每个 CV 键都要求手同时实现一个形状与一个落点，形状保持对应辅音，落点对应元音。时长变长往往意味着手需要更长的移动或保持时间，而不只是嘴动得更慢。这种双重目标是后文协同模型的直观基础。

键、位置与任务变量各自承担什么分工？

先把术语固定下来。clé CV 指一个辅音加一个元音的组合键，是本文唯一的分析对象。PositionINU 指该键在 INU 中的相对位置，分为首键、中间与末键。Session 指朗读任务，分为孤立句与连续文本。StopOrPlainWord 指词汇词与语法词的 2 分，后文简称为词类。

LfPC × clé CV： LfPC 负责提供以手形表辅音、以脸旁位置表元音的视觉编码分工，clé CV 负责把一个辅音加一个元音打包成 1 次可执行的手口协同单元，二者搭配的理由是唇读本身无法区分的音必须靠手的位置与形状补足，组合意义是把声音时长与手移动时间绑在同一个键节拍上，因此时长分析必须以键为单位而不是以孤立音素为单位。

沿样本继续走：假设一个 CV 键位于文本朗读的长句中间，且属于一个词汇词。它的辅音时长既受该辅音固有长度影响，也受说话人语速影响，还可能受任务与前后元音长度影响。元音时长同理，还多了一个 INU 位置的影响，因为句末常伴随边界延长与手回落到胸前的准备动作。只有把这些来源分开，才能判断编码是否引入了新的时间规则。

Inter-Neutral Unit × position dans l’INU： Inter-Neutral Unit 负责界定 2 次中性复位之间的连续编码区间，分工是给出可比的韵律与运动上下文，position dans l’INU 负责标记当前键是位于该区间的首键、内部还是末键，搭配理由是首末位置常伴随启动与收尾的手部大位移，组合意义是把边界延长效应与纯粹的音素固有时长分开，避免把收尾放慢误读为元音本身更长。

durée consonantique × durée vocalique： durée consonantique 负责记录键内辅音段的声学时长，分工是反映手形形成与保持的代价，durée vocalique 负责记录同一键内元音段的时长，分工是反映手向目标脸部位置移动与稳定的代价，二者搭配的理由是同一键内手形与位置必须同时到位，组合意义是检验二者是相互补偿还是同向伸缩，原文发现是同向延长，即辅音长则元音也长。

最后要强调单位与精度。原文时长以毫秒与秒混写，毫秒值如 125 毫秒，秒值如对数秒，回归系数与标准误保留 2 位小数，百分比保留 1 位小数。复述时必须保留原文单位写法，不能把秒换算成毫秒后仍沿用原数字，也不能把裸数值自行加上百分号。绝对时长的比较只在相同聚合对象下成立，即键与键比，辅音与辅音比，不能把键时长直接当作音素时长来对比自然口语的音素均值。

基准对照如何确认编码键确实更长？

在进入大模型之前，原文先做了一个小而关键的复核。早期小样本研究只选 57 个严格筛选的 CV 音节，限定特定辅音与元音，并排除序列首末与韵律停顿前后的键，报告键均值与辅音占比。本文在更大语料中找到符合同样筛选标准的 293 个键，重新计算均值与占比，看数量级是否一致。

这个步骤的教学意义是建立可比性。筛选标准越严，绝对时长越能反映稳定的运动节拍，而不是边界停顿或犹豫的污染。如果大语料在同样标准下得到相近的键时长，就说明编码键的时长不是某 1 次录制或某 1 位说话人的偶然，而是该任务下的稳定节奏。原文报告早期均值约为 284.10 毫秒，辅音约 142.51 毫秒，占比约 50.2%，而本次复核得到键均值约 277.2 个单位，辅音约 149.9 个单位，占比约 54%，标准差更大，反映了更多说话人与更少约束带来的变异。

需要注意原文此处单位书写存在秒与毫秒混写的问题，数字量级应按毫秒理解，但复述时仍须忠实说明原文写的是什么单位，不能自行改写数字。更大的标准差不能解读为测量更差，它恰恰来自更丰富的说话人与主题，这是生态效度提高的代价。这 1 基准为后文模型解释方差不高埋下伏笔：说话人差异本身就是主要变异源。

没有神经网络训练时模型实际计算了什么？

本研究没有训练神经网络，也没有更新声学模型权重，因此 training 一节的真实含义是统计建模的拟合过程。实际计算的是线性混合模型，后文简称 LMM，用 R 语言的常用包实现。目标是解释对数时长，而不是原始毫秒时长，因为时长分布右偏，不符合正态假设。

modèle linéaire mixte × effet aléatoire： modèle linéaire mixte 负责在同一公式中同时估计可解释的固定效应与不可穷举的分组差异，effet aléatoire 负责把说话人与具体音素作为服从分布的截距吸收掉，分工是前者回答任务与位置是否显著，后者回答不同人与不同音天然有多长，搭配理由是 5 名说话人与几十个音素的样本不平衡且重复测量，组合意义是避免把某位说话人语速慢误判为文本朗读本身更慢。

具体做法是分别对辅音时长与元音时长建模。固定效应包括位置、任务与词类及其交互，随机效应包括说话人与音素截距。元音模型还加入辅音时长作为协变量，反之亦然，以检验键内协同。模型比较用信息准则与似然比检验，固定效应的显著性用三型方差分析，显著后再用 Tukey 方法做事后两两比较，效应大小用解释方差比例报告。随机斜率因数据不足以支撑复杂结构而未纳入，这是一个明确报告的缺项，不能从模型名称推定它控制了每位说话人对每个音素的独特发音方式。

Session × StopOrPlainWord： Session 负责区分孤立句朗读与连续文本朗读两种阅读活动，分工是控制语篇连贯性与计划跨度，StopOrPlainWord 负责区分词汇词与语法词，分工是检验自然口语中常见的语法词弱化是否仍然出现，搭配理由是二者都可能改变发音努力程度，组合意义是把风格性放慢与词频性弱化放在同一模型中竞争，看在编码负担下哪一个还留有作用。

有一个细节对复现很重要。元音模型中任务与位置的交互曾显著，但因共线性被排除，最终模型未保留类别变量之间的交互，只保留时长协变量与类别变量的交互。这意味着最终结论中的任务效应与位置效应是作为主效应解读的，而不是作为条件组合解读的。复现时若强行保留该交互，可能得到不稳定估计，这不是代码错误，而是设计上的取舍。

数据划分、样本量与聚合口径是什么？

要判断结果是否可信，先要核对数据条件是否一致。本节的比较问题是：在相同的 CV 键定义与相同的朗读任务下，各类键的数量与分布是否足以支撑位置与任务的比较，指标方向是时长越长表示运动与发音代价越大。公平条件是所有时长都来自人工校正后的对齐边界，且键标签经过人工确认确实被打出。

上述表格整理了从全部标注到本文分析子集再到基准复核的逐层筛选关系，数字与单位均来自原文连续句子的逐字证据。全部标注包含中性键，而本文模型只用 CV 键中的孤立句与文本部分，因此样本量从 4603 降到 2148 是设计选择，不是数据丢失。每位说话人在孤立句任务中贡献 163 至 334 句，在文本任务中贡献 156 至 276 句，位置分布上中间键占 90% 以上，首末键很少，这决定了位置效应的估计精度天然低于任务效应。

聚合口径也需要固定。时长指标是对数秒建模，但报告时常换算回毫秒均值与标准差。说话人与音素作为随机截距，意味着报告的任务差异是扣除了说话人基线语速与音素固有时长之后的差异。硬件与算力在原文中未报告，这不影响统计复现，但若要重做视频特征提取，则需要补足计算预算的说明。

辅音与元音的平均时长与分布形态如何？

本节的比较问题是：编码条件下的辅音与元音各自有多长，分布是否对称，键的总时长与自然口语的参照相比处于什么位置。指标方向很直接：均值越大表示整体越慢，标准差越大表示个体与上下文差异越大。

先看辅音分布的整体形态，下图是理解右偏与长尾的关键，读图时不要把密度高度误读为时长长短。

看图路径： 1. 先确认横轴是秒为单位的辅音时长，纵轴是密度，观察峰值与拖尾；2. 再比较实线均值与虚线中位线的左右关系，判断右偏分布；3. 最后估计主体质量集中在 0.05 至 0.20 秒之间，记住长尾可延伸到 0.30 秒以上

论文图 2。原论文 Figure 2：“Distribution de la durée des consonnes (s). En ligne pleine la moyenne, en ligne pointillée la médiane.”。

这张图横轴为秒，范围从 0 到 0.50，纵轴为密度，曲线呈粉色填充的单峰右偏形态，峰值约在 0.09 秒附近，实线均值略大于虚线中位数，均值约在 0.125 秒附近，长尾延伸到 0.30 秒以上。可见多数辅音集中在 0.05 至 0.20 秒之间，但少数可达 0.44 秒。这种形态正是取对数建模的理由：直接对原始毫秒做线性模型会违反正态假设，少数长值会过度牵引均值。

再看元音分布，下图与辅音图使用相同的时间尺度，便于直接比较中心与拖尾。

看图路径： 1. 先确认横轴同样是秒为单位的元音时长，纵轴是密度，颜色与辅音图不同；2. 再看峰值位置是否比辅音图略靠右，比较两类音段的中心差异；3. 最后观察右侧拖尾的厚度，判断元音长时值的比例是否高于辅音

论文图 4。原论文 Figure 4：“Distribution de la durée des voyelles (s).”。

这张图同样横轴为 0 至 0.50 秒，纵轴为密度，曲线为浅蓝色填充，峰值约在 0.10 秒附近，均值线与中位线同样是均值在右，均值约在 0.133 秒附近，尾部可延伸到 0.50 秒附近。与辅音图相比，元音中心略靠右且右侧更厚，说明元音整体略长且长值更多。结合原文报告的键均值 258 毫秒，可以算出辅音约占键的一半左右，这与基准复核的五成量级一致，表明键内部两段大致平分时间，而不是一长一短的补偿格局。

任务、位置与词类效应各自有多大？

本节组织 3 个可比的效应：任务效应、位置效应与词类效应，每个都需核对方向、量级与显著性。核心数字表把均值、差异量级与解释方差放在同一框架下，避免只看显著性而忽视实际时长差。

上表显示两个重要反差。第一，绝对时长上编码明显长于自然口语的参照，辅音与元音均在 120 毫秒以上，而自然会话音素均值不足 80 毫秒。第二，模型总解释方差中固定效应只占 2 至 3 个百分点，其余主要来自说话人与音素随机效应。这意味着任务与位置虽然显著，但实际能搬动的时长比例很小，复现时若只关注 p 值会高估语言学因素的作用。

具体方向上，辅音在文本朗读中比孤立句短约 60 毫秒，且后接更长元音时辅音也更长。元音在文本中比孤立句更长，在语法词中比词汇词更长，且前接更长辅音时更长。位置上只有末键元音比内部元音长约 100 毫秒，首键与内部之间没有可靠差异。这些方向必须与下节的协同解释一起读，不能孤立地理解为文本朗读既加快辅音又放慢元音的矛盾，因为二者是通过键内正相关联系在一起的。

若去掉协同与边界因素还能剩下什么？

本节做反证思考：若模型中去掉键内另一段时长这个协变量，或者忽略 INU 边界，结论会如何变化。原文虽未做严格的消融表，但通过交互与主效应的取舍提供了等价信息。类别变量之间的交互均不显著，唯一显著的任务与位置交互因共线性被剔除，说明任务与位置的作用基本是可加的，不存在某种任务下边界效应翻转的复杂模式。

真正保留下来的交互是时长协变量与任务或词类的交互。辅音模型中元音时长与任务的交互显著，元音模型中辅音时长与任务以及辅音时长与词类的交互显著。这表明键内协同不是恒定不变的背景，而是随任务与词类略有调节。去掉这些交互后，主效应依然存在，但对长短搭配的细节描述会丢失，例如文本朗读中长元音前辅音更长的趋势会被平均掉。 下图展示了位置效应的估计形态，是检验边界假设的最直接证据。

看图路径： 1. 先看纵轴三行标签，区分内部、末尾与首位三种 INU 位置；2. 再看横轴是模型估计的对数时长均值，比较黑点位置的左右移动；3. 最后比较蓝色置信区间的重叠程度，判断只有末尾与内部的差异值得关注

论文图 5。原论文 Figure 5：“Prédictions du modèle sur la du- rée des voyelles (log(s)) dans les clés CV en fonction de la position dans l’INU”。

这张图像素较模糊但结构清晰，纵轴为 3 类位置，横轴为对数秒的估计均值，黑点为点估计，蓝色横条为置信区间，红色箭头为比较区间。可以看到末尾位置的黑点最靠左，即对数时长最小，但原文文字结论是末尾元音比内部长约 100 毫秒，二者方向看似冲突。正确的读法是该图纵轴标签与估计尺度可能经过模型编码或排序，不能仅凭像素左右直接推翻文字报告的毫秒差异与事后检验显著性。教学要点是像素不能精确辨别数值时，以原文报告的效应方向与显著性为准，并在复现中重新计算边缘均值来核对，而不是硬写图中坐标值。

哪些边界未被评测与哪些推论不能做？

首先是样本边界。5 名说话人均为熟练的非聋女性编码者，缺少男性、儿童、初学者与聋人编码者，缺少自发对话与交互情境。因此说话人主导变异的结论只在该人群与朗读任务内成立，不能推广为所有 LfPC 使用者的普遍规律。首末键样本很少，位置效应的估计天然不稳定，未来需要更多边界样本才能确认 100 毫秒差异的稳健性。

其次是变量边界。模型未纳入韵律重音、词频、邻域密度与语篇结构，只用词汇词与语法词的 2 分来代表词汇效应。这种简化会低估语言学因素的真实作用，也可能是固定效应解释方差不足 3% 的原因之一。随机斜率未纳入意味着未能刻画每位说话人对每个音素的独特时长模式，这在数据量扩大后应补上。

最后是因果边界。相关性不等于因果，手部运动与时长同向变化支持一体化计划的假设，但本文未同步测量手部轨迹速度与位移，也未做扰动实验，因此不能断言是手拖慢了嘴，还是说话人主动放慢以等待手。同样，未测量误判率、延迟与认知负荷，不能承诺编码时长变化改善了可懂度。训练资源与推理开销在本研究中不适用，因为没有可部署的识别或生成系统，讨论延迟是没有证据的引申。

复现需要先准备什么与按什么顺序做？

复现的第一步是获取数据与代码。原文声明语料与分析标注在指定地址以共享许可公开，当前可用状态为已公开，提取与分析脚本在开放存档平台以自由软件许可公开，当前同样可用。具体链接以原文证据中的地址为准，分别对应语料下载、演示站点与脚本存档。本次解读的事实来源仅限原文证据与官方原图像素，不继承其他解读的推断。

第二步是重建样本。只取孤立句与文本 2 个任务的 CV 键，排除单独辅音键、元音键与中性键，按静音加胸前手位切分 INU，并标记每个 CV 键的首中末位置。核对总数是否为 2148 个 CV 键，以及全部标注是否为 4603 个键，结构分布是否匹配原文。若总数对不上，应先检查是否误纳入了中性键或单音键，而不是调整时长计算。

第三步是重跑统计。先对辅音与元音时长做分布检查，确认右偏后取对数，再拟合包含位置、任务、词类及其交互的完整模型，加入另一段时长作为协变量，设置说话人与音素随机截距，用信息准则比较嵌套模型，最后做三型方差分析与事后比较，并用解释方差包报告固定与随机效应各自的贡献。关键超参数实质上是模型结构选择与显著性阈值，原文显著性多在 0.05 以下，任务效应达到 0.001 以下。缺失项是具体随机数种子、软件包版本细节与硬件预算，重跑时应记录这些信息以保证可比。

上表把复现中最容易出错的环节列成检查清单。何时值得尝试这个流程，取决于是否拥有带手动键标注的音视频与人工校正的音素边界，若只有纯音频而无手部标签，则无法复现键内协同的结论。还需补的验证是加入手部运动学测量与更多说话人，才能把一体化计划从支持性解释推进为因果证据。

学完本文应带走什么与警惕什么？

带走的核心判断有三点。第一，编码说话确实更慢，键均值约 258 毫秒，辅音与元音各约 125 毫秒与 133 毫秒，键内两段同向伸缩而非补偿。第二，常规语言学因素的作用被压缩，固定效应分别只解释 2.4% 与 2.9%，变异主要来自说话人与音素本身。第三，少数保留的效应方向值得记住：文本朗读的辅音更短而元音更长，末键元音延长约 100 毫秒，语法词元音反而长于词汇词，这与自然口语的弱化方向相反。

警惕的误解也有三点。一是不要把总体趋势当作每组都成立，任务效应与位置效应是在控制说话人与音素后的平均趋势，个别说话人可能相反。二是不要把自动对齐的短音素阈值直接套用到编码数据，编码中极短音很少，30 毫秒的检测下限在自然语料中的丰度部分来自处理流程，不能当作生理下限。三是不要把没有训练等同于确定性求解，本研究的可重复性来自统计流程的透明，而不是来自冻结参数的系统，换一批说话人结果量级会变，但说话人主导的格局是否稳定仍需更大语料检验。

对后续学习的建议是沿学习依赖倒着走：先能复述从录像到对数模型的每一步，再能解释为何取对数与为何设随机截距，最后才能讨论一体化运动系统的理论含义。若要扩展，建议优先补韵律与词频变量，而不是急于引入更复杂的神经网络，因为当前瓶颈是语言学覆盖不足与边界样本太少，而不是拟合工具不够强。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 8 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 jep-2026 论文汇总