普通话双元音为何变短就变中央化：时长与语体如何分工压缩共振峰轨迹

英文题目：La réduction des diphtongues du mandarin standard : effets de la durée et du style de parole

会议身份：conference:jep:2026:conference-paper-id:xiang26_jep

ℹ️ 这是短篇 proceedings PDF；正文较短，但分析使用封存的完整 PDF 文本，未降级为摘要。 ✅ 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 #语音属性识别

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 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.4/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Yunzhuo Xiang：机构信息未能从会议 PDF 纯文本可靠映射
• Jingyi Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Jiayin Gao：机构信息未能从会议 PDF 纯文本可靠映射
• Shigeko Shinohara：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文以连续话语中切分出的双元音/ai,au,ia,ua/区间及其F1-F2轨迹为输入，以解释时长、语体及其交互如何塑造弱化实现为输出，实际难点在于静态中点测量会抹除双元音内在的频谱动态与时间定位信息。研究先构建同一批40名发音人的平行朗读与会话语料并切分出36445个目标token，为时长与语体比较提供可控基础。接着计算整体元音空间面积并按归一化时长取代表性时刻刻画全局集中化程度，其输出的空间收缩模式进入下一步动态建模。然后采用混合广义加性模型对F1-F2轨迹随归一化时间的连续变化建模，分离时长局部效应、语体整体偏移及其交互，输出具有时间定位的效应解释。与以往关注静态目标欠射的研究不同，本文把时长视作局部集中化机制、把语体视作不改变曲率的整体轨迹调整机制，其实质意义在于区分了单化演变中局部幅度压缩与全局偏移的不同贡献。原文未提供可核对的关键定量结果。该结论的适用边界目前仅限所用朗读与会话语料中的四类双元音，向其他元音、方言与语速操控的外推尚未验证，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：为何要从静态元音转向双元音的动态过程？

这篇解读的输入是会议论文正文提供的研究设计与结论，目标是让刚进入语音与音频方向的研究生能复述该研究做了什么比较、在什么条件下比较、以及结论的边界在哪里。必须保留的信息包括 4 个双元音的类别、两种语体、两种时长对照、两种声学度量，以及作者对单语化可能性的谨慎表述。输出是一套可按样本重走的分析链条，而不是对普通话语音的一般性介绍。

白话先讲目标欠射。目标欠射的英文是 target undershoot，指发音器官来不及完全到达预定的元音目标，实际发出的声音向元音空间中央靠拢。时长缩短是最直接的诱因，因为舌体与下颌移动需要时间，时间被压缩就容易发不到位。过去很多元音弱化研究都围绕时长与语体展开，朗读越正式、发音越用力，元音越分散，自发会话越随意，元音越集中。

近几十年的变化是，研究不再只看元音中点那一个静态频率值，而是看共振峰随时间如何运动。共振峰指声道共振在频谱上形成的能量集中区，第一共振峰与开口度关系密切，第二共振峰与舌位前后关系密切。双元音天然就是动态段，从一个元音目标滑向另一个目标，如果只取中点，就会丢掉起点、过渡与终点的信息。这就是本文选择普通话 /ai, au, ia, ua/ 的教学动机。

目标欠射 × 时长： 目标欠射指发音时间不足时舌位来不及到达理想元音目标而偏向中央，分工是目标欠射提供机制解释，时长提供可操作的诱因，搭配理由是短时长直接压缩发音运动时间窗口，二者组合把元音空间缩小这一静态结果与发音来不及到位的动态过程联系起来。

沿一个样本走一遍有助于建立直觉。假设语料中出现一个 /ai/，先要知道它是朗读还是会话中的实现，量出它的时长，再在归一化时间轴上取出共振峰轨迹。教学例子仅为流程示意，不代表原文报告了该样本的具体数值。如果这个实现很短，目标欠射的预测是它的轨迹在某些时间段更靠近中央；如果是会话语体，预测是整条轨迹更靠近中央。原文的贡献正是把这两种中央化在时间轴上分开。

相关路线比较：在同输入同目标下前人提供了什么参照？

要理解本文的位置，需要按同输入、同目标、同运行阶段来对照，而不是按语音学大类泛泛比较。第一条路线是时长与语体对元音变异的影响，代表性工作是 Audibert 等人对法语等元音的研究。该路线通常比较朗读与自发语体、长元音与短元音，用元音空间面积或中点共振峰说明中央化。本文继承了这条路线的问题设置，但把对象从单元音换成双元音。

第二条路线是元音动态建模。Strycharczuk 等人近年讨论英语元音的双元音化与动力学模型，强调频谱随时间的演变本身就是研究对象。本文与这条路线共享方法取向，即不满足于起点终点两点连线，而是拟合连续轨迹。区别在于本文的自变量明确是时长与语体，目标是分离二者的作用范围。

第三条路线是语音变异与音变的关系。Abete 讨论双元音感知的动态阈值，为弱化实现如何被 phonologisation 提供感知侧参照。Phonologisation 可理解为原本因发音省力产生的语音变体逐渐固定为音系规则。本文最后把 /ai, au/ 的低幅度共振峰运动与单语化联系起来，属于解释性延伸而非直接验证音变已经完成。初学者容易把相关当因果，这里需要记住，轨迹幅度小支持单语化的合理性，但不等于证明正在发生的音变。

研究问题是什么：要分离时长与语体的各自作用吗？

本文的任务是描述普通话标准语 4 个双元音在朗读与会话中的弱化实现，并检验时长、语体及其交互如何影响实现。具体做法是同时使用全局声学度量与动态轨迹模型。全局度量回答元音空间是否收缩，动态模型回答收缩发生在双元音内部的哪个时间比例，以及共振峰变化幅度如何随条件改变。

需要固定的术语是语体。本文的语体指 parole lue 与 parole conversationnelle，前者是朗读，后者是会话交谈。时长指 segmentale 的持续时间，即单个双元音从切分起点到终点的物理时长。交互指时长的效应是否在两种语体中大小不同，不能只看各自的平均差异。

初学者常误以为短时长一定等同于会话语体。实际上朗读中也会出现短双元音，会话中也会出现长双元音。只有把二者交叉，才能判断观察到的中央化到底是因为时间不够，还是因为整体发音用力下降。本文的平行语料设计正是为这种交叉比较提供样本量。

方法全景：从平行语料到全局面积再到轨迹模型

整个流程可以分为 4 步。第一步是语料组织，同一批说话人在朗读与自发对话两种条件下提供语音，保证语体比较不是不同人群的比较。第二步是双元音切分与时长测量，得到每个 /ai, au, ia, ua/ 实现的起止点与持续时间。第三步是声学测量，提取共振峰并计算元音空间面积。第 4 步是用混合广义加性模型拟合归一化时间上的平均 F1 与 F2 轨迹，并让时长与语体作为调节变量。

语体 × 时长： 语体指朗读与会话交谈在发音用力与随意程度上的差异，分工是语体刻画整体发音努力程度，时长刻画单个双元音可用的实现时间，搭配理由是二者都可引起中央化但作用范围不同，组合后才能分离出局部时间点的压缩与整条轨迹的平移。

白话解释混合广义加性模型。混合广义加性模型的英文是 generalized additive mixed model，缩写为 GAMM。加性指可以用多条平滑曲线叠加来拟合非线性关系，混合指同时包含固定效应与随机效应。固定效应回答时长与语体这类研究者关心的变量，随机效应容纳说话人与词语带来的个体差异。这样做的好处是轨迹的弯曲形状可以保留，而不是被直线平均抹平。

从输入到输出走一遍。一个双元音样本进入流程后，先标注语体与时长，再得到它在归一化时间轴上的 F1 与 F2 序列。模型把大量样本的序列放在一起，估计出每个时长取值与每种语体下的平均轨迹。输出不是单个频率值，而是一族曲线，曲线的高度差异代表中央化程度，曲线的起伏幅度代表双元音动程大小。原文明确报告的是这种曲线层面的规律，没有给出可直接部署的分类器或合成器。

组件一：元音空间与轨迹测量各自负责什么？

第一个组件是全局面积。元音空间的英文是 vowel space，指把多个元音按 F1 与 F2 画在平面上后围出的区域。面积越大说明元音之间越分散，发音越充分，面积越小说明整体向中央收缩。本文用 50% 时刻的频率计算面积，用 10%、50%、80% 3 个时刻的箭头表示每个元音的朝向，这相当于在全局收缩之外保留一点动态方向。

第二个组件是动态轨迹。轨迹指 F1 与 F2 随归一化时间连续变化的曲线。归一化时间把不同物理时长的实现拉到同一长度的时间轴上，例如 0 到 10，这样才能比较短音与长音在相同发音阶段的差异。F1 轨迹主要反映开口度变化，F2 轨迹主要反映舌位前后与唇形变化。双元音的判断依据正是这两条轨迹的运动幅度。

元音空间面积 × 共振峰轨迹： 元音空间面积是用多个元音在 F1-F2 平面上围出的全局离散度，分工是它回答总体是否收缩，共振峰轨迹回答收缩发生在双元音内部哪个时间比例，搭配理由是只看面积会把起点、过渡与终点的不同变化混在一起，组合后实现全局度量与局部分辨的互补。

2 个组件的搭配理由很具体。只看面积会把 /ai/ 末端不到位与 /ia/ 中段不到位混为同一个面积缩小，无法指导后续的发音解释。只看轨迹又容易陷入每条曲线的细节，缺少一句话概括。原文先用面积确认短时长与会话语体各自独立引起中央化，再用轨迹定位中央化发生在 20%、50% 还是末端，这种先全局后局部的顺序值得复述时保留。

组件二：混合广义加性模型如何估计不同时长下的平均曲线？

混合广义加性模型在这个研究中的输入包括归一化时间、时长、语体以及双元音类别，输出是对 F1 与 F2 的预测均值曲线。符号层面可以这样理解，时间变量控制曲线的基本弯曲形状，时长变量控制曲线在不同时间点的上下偏移，语体变量控制朗读与会话两组曲线的整体位置。原文没有给出模型公式的源代码级细节，因此复述时只能讲到实现目标与调节关系，不能编造平滑基函数类型、节点数或随机效应结构。

混合广义加性模型 × 中央化： 混合广义加性模型指能拟合非线性平滑曲线并容纳说话人与词项随机差异的回归模型，分工是模型负责从归一化时间、时长与语体预测平均 F1 与 F2 曲线，中央化是待解释的声学现象，搭配理由是双元音轨迹本身是弯曲的，线性均值无法保留曲率，组合后可以在保持曲率的同时检验时长与语体在哪些时间段显著改变轨迹高度。

计算目标是得到可比较的平均轨迹。做法是在固定语体后，让时长从短到长取一系列值，分别预测整条曲线，于是同一面板中出现由浅到深的一族曲线。颜色深浅代表时长，面板分列代表语体。这种可视化把交互作用变成可以直接观察的分层宽度，如果时长效应在两种语体中相同，两列的分层模式就相似，如果不同，分层宽度就会随语体改变。

需要提醒的是，归一化带来一个解释边界。把不同时长拉到同一横轴后，横轴不再是物理毫秒，而是发音进程比例。因此曲线差异反映的是相同进程阶段的实现差异，而不是语速本身。原文关于局部中央化的结论都应按进程比例理解，例如 /ai/ 在 20% 附近的差异指起滑段之后不久，而不是固定在第几毫秒。

有神经网络训练吗：本研究的真实计算过程是什么？

本研究没有训练神经网络，也没有报告优化器、损失收敛或参数冻结等深度学习训练环节。把无训练等同于确定性求解是错误的，因为统计模型的拟合仍然涉及平滑惩罚与随机效应的估计不确定性，只是原文没有披露这些计算细节。

真实的计算过程是声学测量加统计建模。第一是共振峰提取与 Bark 域转换，Bark 是一种更接近听觉感知的频率尺度，原文图形纵轴使用 Bark。第二是按时长分组与按语体分组计算元音空间，短时长与长时长的划分在图注中给出阈值，会话与朗读按语料来源划分。第三是用混合广义加性模型拟合轨迹，得到平均预测曲线与随条件变化的幅度。

缺项需要明确指出。原文没有说明共振峰提取软件与参数、切分一致性检验、异常值处理、模型公式中的随机斜率设置、以及是否对说话人性别分别建模。由于缺少这些信息，别人无法逐参数复现，只能按语料规模与分组逻辑做概念复现。教学上要区分调用既有模型与训练新模型，本文属于对已有语音调用声学分析与统计拟合，没有产生可下载的模型权重。

实验条件：在什么数据与划分下比较时长与语体？

数据条件是理解证据强度的关键。原文报告语料包含约 7 小时朗读与约 29 小时自发对话，由 40 名发音人产生，男女各半，4 个双元音共 36445 个实现。其中 /ai/ 最多，/ia/ 最少，这种不平衡来自自然语料中词频差异，建模时需要靠随机效应或加权来缓解，但原文未说明具体处理。

下表把语料规模整理成可核对的形式，阅读时先确认比较对象是否来自同一批说话人，再看样本量是否足以支撑分时长与分语体的细曲线。指标方向是出现次数越多，轨迹估计越稳定，/ia/ 的结论天然比 /ai/ 更脆弱。

上表整理自原文连续句，朗读与会话的小时数、人数与 4 个双元音的计数共同决定了后续分层曲线的可信度。它的代价是语料时长不平衡，会话远多于朗读，如果不对说话人与词项建模，直接平均会偏向会话中的高频词。原文使用混合模型部分缓解了该问题，但未报告词频控制细节，这是复现时需要补做的验证。未胜出的边界是 /ia/ 样本最少，它的 50% 中央化结论需要更大样本或交叉验证才能更稳。

时长分组的阈值同样重要。图注把短时长记为小于等于 40 毫秒，长时长记为大于等于 120 毫秒，中间时长在轨迹图中取为连续值。这种两端对照加连续预测的做法兼顾了可读性与精细度，但初学者不应把 40 与 120 当成生理分界，它们只是为了展示收缩效应的操作性划分。

主结果：短时长与会话语体是否各自独立压缩元音空间？

原文首先报告全局结果。短元音的元音空间小于长元音，会话语体的元音空间小于朗读语体。这复现了前人关于时长与语体各自独立引起中央化的观察。教学上要强调独立二字，意思是即使控制了语体，短时长仍然更集中，即使控制了时长，会话仍然更集中，而不是其中一个效应完全由另一个带来。

下表把测量时刻与局部效应的位置整理出来，阅读问题是中央化发生在双元音的哪个进程阶段，公平条件是同一归一化时间点比较不同时长，指标方向是轨迹越靠近中央则弱化越强。

上表显示短时长的中央化不是整条曲线均匀下移，而是局部化。前元音结尾的 /ai, au/ 在 20% 与末端更敏感，后接元音的 /ia, ua/ 在 50% 更敏感。语体的作用则更全局，主要改变轨迹整体高度而不实质改变弯曲形状。共振峰变化幅度随 longer duration 增大，且朗读大于会话，这意味着充分时长与正式语体保留了更大的滑动幅度。需要补充的反例是原文没有报告每个时间点的显著性数值，颜色渐变展示的是趋势，不能读出具体赫兹差。

下面看全局面积图。图前导读如下，该图左侧按时长划分包络，右侧按语体划分包络，每个双元音用三点箭头表示动态方向，面积按 50% 时刻计算，适合先判断有无收缩再追问收缩位置。

看图路径： 1. 先区分左侧按时长着色的包络与右侧按语体着色的包络；2. 再看每个双元音上 10%、50%、80% 三点箭头的朝向与长度；3. 对比短时长包络相对长时长的内缩幅度与会话包络相对朗读的内缩幅度；4. 注意纵轴为 Bark 域 F1，数值向下增大代表开口度方向的变化

论文图 1。原论文 Figure 1：“Espaces vocaliques selon le style de parole et la durée vocalique (vert : courte ≤ 40”。

从可见像素看，左侧绿色短时长包络明显小于紫色长时长包络，右侧红色会话包络明显小于蓝色朗读包络。箭头部分在小图中分辨率有限，但包络的内外关系清晰，支持短时长与非正式语体各自引起中央化的判断。不能从该图读出具体面积数值或显著性，精确定量需要回到轨迹模型的分层宽度。该图也没有显示交互作用的数值，交互主要靠下一组轨迹图理解。

细化对照：时长改变局部高度而语体平移整条曲线吗？

如果把全局面积看成主效应检验，这组轨迹图就是机制分解。它同时回答 3 个问题，时长在哪个时间段改变轨迹高度，语体是否改变曲率，以及动程如何随条件变化。原文的 3 个编号结论可以直接对应到这 3 个问题。第一是短时长引起局部中央化，第二是语体引起更全局的轨迹调整但不实质改变曲率，第三是共振峰变化程度随 longer duration 增大且朗读大于会话。

图前导读如下，该图按 4 个双元音分成四大板块，每个板块上行是 F2，下行是 F1，左右两列分别是会话与朗读。每列内部有多条按时长着色的预测曲线，横轴是归一化时间，纵轴是 Bark 域预测频率，适合对比分层位置与整体高低。

看图路径： 1. 先按/ai、/au/、/ia/、/ua/四个大板块定位，再分上下两行区分 F2 与 F1；2. 在每个子面板内比较朗读与会话两列曲线的整体高低与弯曲形状；3. 沿归一化时间从 0 到 10 观察不同时长曲线的分层，找出分层最宽的时间段；4. 重点看/ai 与/au/在 20% 附近和末端、/ia 与/ua/在 50% 附近的分层

论文图 2。原论文 Figure 2：“La fréquence moyenne des trajectoires de F1 et F2 des diphtongues /ai, au, ia, ua/,”。

从像素可见的模式看，/ai/ 的 F2 在归一化时间后段随 longer duration 明显抬高，会话列整体低于朗读列。/au/ 的 F2 呈 U 形下凹，长时长的下凹更深。/ia/ 与 /ua/ 的 F1 呈拱形，短时长曲线的拱顶更低，尤其在中段分层最宽。语体差异表现为整组曲线上下平移，而每条曲线的弯曲走向基本保留，这就是原文所说不实质改变曲率的视觉对应。/ua/ 在朗读 F1 起始段出现个别曲线交叉，提示起始辅音环境或样本稀疏可能带来估计不稳定，不应把每条细曲线的微小起伏都当成语言学差异。

未胜出项与边界同样重要。原文没有给出时长与语体交互的统计量，也没有报告去掉随机效应后结论是否仍然成立，因此不能说已经做了消融实验。这里的细化对照是描述性分解，不是拿掉某个组件后的性能对比。另一个边界是性别与声调未进入讨论，普通话声调会影响 F0 但也可能通过协同发音影响共振峰，原文未报告是否控制声调，这是后续复现需要补的对照。

限制与误读防范：哪些数字不能从图中硬读？

第一个限制是证据类型。原文是会议短文篇幅，只给出面积包络与预测曲线，没有报告效应量、置信带数值、模型比较指标或可运行代码。资源状态方面，本次没有发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，只能说复现需要自建语料与自写建模脚本。

第二个限制是测量口径。面积按 50% 时刻计算，箭头用 10%、50%、80% 表示方向，局部效应讨论 20%、50% 与末端。不同口径的百分比不能直接换算，50% 的面积收缩不等于 50% 时刻的轨迹差异。像素分辨率不足以精确读出 Bark 值，任何硬写具体赫兹差的做法都会超出证据。

第 3 个限制是因果表述。时长短与中央化的相关不等于时长单独导致中央化，因为语速、重音、词语频率与语境可预测性都与时长相关。原文用语体与时长的交叉在一定程度上分离二者，但没有控制重音与词频，因此更准确的表述是支持目标欠射解释，而不是证明目标欠射是唯一原因。最后，低幅度实现是单语化的 plausible candidate，英文 candidate 强调候选可能性，复述时应保留可能与待验证的语气，不能写成已经发生单语化。

复现先做什么：保留哪些信息条件才能重走流程？

值得尝试的场景是已有普通话朗读与会话平行语料，并想检验双元音弱化是否呈现局部与全局分离的实验室。如果只有朗读语料，只能复现时长效应，不能复现语体效应。如果样本量远小于本文的数万量级，对 /ia/ 这类稀疏类别的细时间点结论要格外谨慎。

复现的第一步是重建可核对的语料表。记录总小时数、人数与性别分布、4 个双元音各自的 token 数、切分标准与时长分布。第二步是固定声学口径，明确共振峰提取、 Bark 转换、归一化时间采样点数，以及面积计算是否严格使用 50% 时刻。第三步是写出混合广义加性模型的完整公式，包括固定效应平滑项与说话人、词语随机效应，并在不同时长取值下预测平均曲线。

关键超参数与信息条件在原文中缺失，需要自己补齐并报告。至少要记录短长划分阈值是否沿用小于等于 40 毫秒与大于等于 120 毫秒，归一化时间取多少点，时长作为连续变量还是分组变量，以及是否控制声调、语速与词频。统计上应报告逐时间段的差异曲线与置信带，而不是只展示颜色深浅。由于原文未提供代码与数据，复现成果的可比性取决于这些细节是否公开，建議把脚本与切分清单一并存档。

何时不值得尝试。如果目标是提升识别或合成指标，本文没有给出可部署收益，不应期待直接套用轨迹图就能改进系统。它的价值是提供分析模板，帮助判断观察到的双元音压缩到底是局部不到位还是整体省力，从而决定后续建模应该加强时长相关还是语体相关的自适应。

收束：用三句话带走可复述的方法与边界

复述方法时可以这样讲。研究者在约 7 小时朗读与约 29 小时会话中共取出 36445 个 /ai, au, ia, ua/，先用 50% 时刻的元音空间确认短时长与会话各自引起中央化，再用混合广义加性模型在归一化时间上预测 F1 与 F2 曲线，发现短时长的中央化集中在 /ai, au/ 的 20% 与末端以及 /ia, ua/ 的 50%，而会话语体更多是整体下移且不改变曲率，长时长与朗读保留更大的共振峰动程。

复述边界时要加上三点。第一，面积与曲线的百分比口径不同，不能混读。第二，缺少声学提取参数、模型公式与显著性数值，复现必须自补这些细节。第三，低幅度实现只是单语化的候选解释，支持音变联系但没有验证音变完成。记住局部与全局的分工，就抓住了这篇论文最值得带走的技术判断。

📐 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 2 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