不用直接拖舌头位置：用弹簧力产生平滑的双元音舌轨迹

英文题目：Beyond Direct Geometry: Spring-Mass Control of Tongue Articulation for Vocal Synthesis.

会议身份：conference:nime:2026:conference-paper-id:nime2026_156

✅ 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：#用户研究 #发声与构音 #语音 #语音合成

评分：5.2/10 | 创新 1.2/2 | 技术严谨 0.9/1.5 | 实验充分 0.5/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：后50% | 文档类型：系统技术报告

👥 作者与机构

• Debasish Mohapatra：机构信息未能从会议 PDF 纯文本可靠映射
• Ziyi Xia：机构信息未能从会议 PDF 纯文本可靠映射
• Sidney Fels：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该文处理二维键盘输入驱动元音空间连续发声的任务，输入为W、X、J、L四键的离散方向指令，输出为经声道共振决定的时变元音音色，难点在于直接几何插值难以生成双元音所需的平滑非线性轨迹。方法第一步将按键解释为作用于点质量的外力，经零静长弹簧恢复力与线性阻尼积分出位置与速度。第二步将该位置映射为Pink Trombone合成器的舌位控制参数并实时合成，前一步动力学状态直接决定后一步共振腔形状与声音输出。第三步以相同键盘布局和视觉反馈实现按固定步长直接位移的几何控制器作为对照，其无惯性无阻尼更新与力控形成关键机制差异，使急转弯可借惯性回弹自然过渡而降低多参数独立控制负荷。在10条参考曲线各重复3次的描摹任务下，物理模型的指标归一化弯曲能量为211.6，低于几何模型的指标归一化弯曲能量1191.1。结论的适用边界受限于作者小样本预实验的轨迹描摹层面，尚未验证可懂度、音乐表现力与跨用户泛化能力，自由探索阶段结果亦未报告。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://dood.al/pinktrombone/ — 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

输入是什么，目标是什么，本文要解决哪段链路？

这篇解读的输入是论文正文证据与 3 张官方原图像素，目标是让刚进入语音与音乐交互的研究生能复述方法与实验条件，输出是 1 篇按学习依赖展开的中文技术解读。必须保留的信息包括两种控制器的输入映射方式、弹簧参数、任务协议、3 个指标及其方向、关键数字与适用边界，不做营销式判断。

人声合成的一条链路是输入动作到舌位置，再到口腔几何与声学共振，最后到听感。初学者白话理解：舌头前后高低移动改变口腔通道形状，通道形状决定哪些频率被增强，于是听到不同的元音。英文名是 articulatory-acoustic mapping，即发音动作到声学映射。本文只研究其中一段，即如何用键盘产生 2 维舌轨迹，再送入已有的合成器发声，不研究声码器本身或发音生理测量。

为什么这段链路值得单独研究？论文指出，直接几何控制把发音位置或声道形状当作可直接拖动的参数，需要独立控制多个参数，认知负荷大，尤其难以做出双元音所需的平滑非线性过渡。教学例子：从/a/滑向/i/不是走直线，而是带弯曲的路径，若用逐步直移键盘操作，容易走出折线。于是作者提出用轻量弹簧-质量-阻尼器模拟肌肉的主动与被动特性，让输入先变成力，再变成运动。

已有路线如何把输入变成舌形状或声音？

第一条路线是把输入直接映射到舌形状，英文为 mapping input to tongue shape。做法如数据手套把手指手势映射为口腔收缩与唇开口，再算出声道面积函数送入声波求解器，桌面与网页合成器如 Cook 的 SPASM 与 Pink Trombone 也属此类。论文评价是这类系统证明了发音合成可实时演奏，但手势到几何的映射是任意的，缺少生物力学约束与自然舌动态。

第二条路线是把输入映射到舌生物力学，英文为 mapping input to tongue biomechanics。做法包括用表面肌电延伸吉他表达、用肌电与力传感器发声，或用力传感器驱动生物力学舌模型的肌肉激活。论文提到 Wang 等人的工作显示力驱动比直接几何操作产生更可懂自然的语音，因为力到肌肉激活的映射更直观，但有限元舌模型限制实时合成。另一些生理传感器方案被指出会侵入自然发声并引入运动伪影。

本文的定位是中间路线：不做完整 Hill 型或有限元实现，而用弹簧力参数化目标舌形状，再耦合 1 维声道声学模型。这样保留力驱动的表达好处，同时保持计算轻量可实时。需要提醒初学者：类别不同不等于同条件胜负，本文的贡献被明确写成两点，一是实现两种控制的可比较装置，二是用 pilot 证明存在可测差异并为正式用户研究准备环境。

要比较的具体问题与权衡是什么？

具体问题是：在相同的轨迹生成任务与相同的合成器耦合下，物理控制器与传统几何控制器在生成非线性发音轨迹能力上有无可测差异。论文明确提出一种权衡：模拟肌肉动态的耦合特性可能简化非线性轨迹，但代价是精确静态或线性控制变差。刻画这种权衡需要专用实验装置，这就是 pilot 的目标。

任务被操作化为轨迹描摹：在 2 维 Pink Trombone 元音空间中跟随显示的参考曲线，从固定锚点出发到达目标点。参考路径包括直线与曲线，曲线又分凸与凹，用贝塞尔曲线近似元音间过渡。评价分 3 个维度：能否画准、画得多快、画得是否平滑。初学者注意：本文 pilot 不是正式评价，其功能被写成调试任务结构、调控制器参数、确认差异是否值得做大样本音乐性研究。

方法全景：一个样本如何从按键走到声音？

沿一个样本走完全程有助于建立依赖顺序。起点是键盘按键，在物理模型中 W、X、J、L 分别增减 y 与 x 方向的外力，在几何模型中同样按键直接产生对应轴的固定步长位移。接着是表示层：物理模型维护质量点的位置、速度、合力与弹簧位移，几何模型只维护位置。然后是组件计算：物理模型按胡克定律算恢复力，与外力求合力得加速度，再积分得速度与新位置并乘阻尼；几何模型直接加位移。最后是输出：2 维位置送入 Pink Trombone 元音空间，查到对应声道形状并实时合成双元音声音，同时在交互窗中画出红色用户轨迹与蓝色参考曲线。

运动被约束在从角落固定锚点出发的正 x 与正 y 方向，避免对称冗余。当外力增大，质量点按动力学移动；减小外力，弹簧恢复力把它拉回平衡。这种增大推离、减小回位的交互被作者类比为肌肉激活，但解读时要对应到真实组件：外力是按键累加量，恢复力是弹簧计算量，不是真实肌电。

资源状态方面，本次收到的第三方资源为 Pink Trombone 链接，状态为 available 且返回 200，因此可写当前可用。复现时先用该合成器确认 2 维元音空间可运行，再接入两种控制器，而不是先调声音音质。

两种控制器如何计算运动？先看示意图

本节承担的教学任务是讲清两种控制器在同一界面下的计算差异。先看左半物理模型与右半几何模型的对照导读：左图有弹簧、外力、恢复力与合力，右图只有位移，理解了这一点，后续公式与参数才有落点。

看图路径： 1. 先看左图红色质量点周围的蓝色 Fx 与 Fy 箭头，再看红色 Fr 与蓝色 Fe 如何合成净力 Fn；2. 对比右图红色点上只有 Delta-x 与 Delta-y 位移箭头，无弹簧与合力；3. 注意两图下方 t 与 t 加 1 时刻的小车与弹簧位置变化，理解惯性与直接位移的区别

论文图 1。原论文 Figure 1：“Schematic of a physics-based model vs.”。

从像素可见，左图红色圆点为当前质量点，周围有蓝色水平 Fx 与垂直 Fy 箭头，斜下方有黑色外力 Fe 与红色恢复力 Fr，合成净力 Fn 用于算下 1 帧加速度，下方小车表示质量点沿水平移动，上方水平弹簧与右侧垂直弹簧随 t 到 t 加 1 拉伸。右图同一红色点上只有蓝色 Delta-x 与 Delta-y 箭头，无弹簧与合力，小车从 t 直接平移到 t 加 1。这说明物理是力到加速度到速度到位置的积分过程，几何是一步到位的确定性平移。

几何控制 × 物理控制： 几何控制负责把输入直接写成质量点在 2 维元音空间中的位置增量，无惯性和阻尼，分工是精确、可预测的定位；物理控制负责把输入先写成作用在质量点上的外力，再经弹簧恢复力和阻尼算出加速度与速度，分工是引入时间持续性和耦合运动。两者搭配的理由是同一键盘、同一 Pink Trombone 空间下比较直接定位与类肌肉激活哪种更易画出平滑曲线，组合意义是形成可对照的实验装置，而不是直接断言物理一定更好。

物理侧的生物学参照是 Hill 型肌肉模型。白话解释：肌肉既能主动收缩，也自带被动弹性与能量耗散。英文为 Hill-type muscle model，经典三元件为收缩元、并联弹性元、串联弹性元。论文未实现完整 Hill 公式，而是用弹簧提供收缩力、用阻尼器模拟耗散，得到收缩、回位与瞬态响应，理由是实时可算。

Hill 型肌肉模型 × 弹簧-质量-阻尼近似： Hill 型肌肉模型负责给出生物学参照：主动收缩元产生力，并联弹性元表示被动组织弹性，串联弹性元表示肌腱顺应性，分工是解释舌作为肌肉水静力体的变形来源；弹簧-质量-阻尼近似负责用弹簧提供收缩与回弹力、用阻尼器耗散能量以可实时计算，分工是保留收缩、回位和瞬态响应。搭配理由是在不做有限元舌模型的前提下保留类肌肉动态，组合意义是以 k 等于 0.16 和阻尼等于 0.05 的可调参数实现实时交互。

具体离散更新沿 x 轴描述，y 轴相同。位移产生恢复力，外力减去恢复力得净力，再除以质量得加速度，用时间步更新速度并乘阻尼，最后更新位置。弹簧常数 k 决定恢复力大小，阻尼系数决定耗散。论文报告越大则加速越快、响应越灵敏但可能不稳，越小则慢而黏滞。经经验调参取 k 为 0.16、阻尼为 0.05，以平衡控制显示比并保留足够时间持续性。原文未给出质量、时间步长与速度阻尼的具体推导，未报告项在复现节集中说明。

前向力 × 恢复力： 前向力指用户经键盘在 x 和 y 轴上累加的外力，分工是推动质量点离开平衡位置；恢复力指弹簧按胡克定律由位移产生的指向锚点的力，分工是把质量点拉回平衡并与外力求合力得到加速度。搭配理由是增大外力则运动、减小外力则靠弹簧回位，从而模拟肌肉主动激活与被动弹性，组合意义是形成有惯性的轨迹而不是一步到位的位移。

几何侧每次增量输入产生沿笛卡尔轴的固定步长位移，更新只取决于输入大小与方向，无惯性与阻尼。两种控制器都实现为 2 维键盘输入，每轴对应独立控制维，限制为 2 维是为了匹配 Pink Trombone 元音空间自由度。

Pink Trombone 元音空间 × 双元音轨迹： Pink Trombone 元音空间负责把 2 维质量点位置映射为声道面积函数并实时合成声音，分工是提供听觉反馈和固定的音位位置；双元音轨迹负责定义从一个元音目标到另一个目标的时间变化 2 维路径，分工是给出直线与凸凹曲线等运动要求。搭配理由是只有把轨迹画在同一元音空间里才能同时评价空间准确性和声音连续性，组合意义是用贝塞尔曲线生成的参考轨迹检验非线性过渡能力。

Fréchet 距离 × 归一化弯曲能量： Fréchet 距离负责度量用户轨迹与参考轨迹在空间形状上的接近程度，分工是回答能否到达目标；归一化弯曲能量负责度量轨迹的平滑与振荡程度，分工是回答运动过程是否抖动。搭配理由是单看准确性会掩盖几何模型阶梯状抖动的代价，组合意义是与绘制速度一起分别评价可控性、效率和动态形状。

合成耦合与交互窗口如何把轨迹变成可听可看的证据？

本节承担的教学任务是讲清轨迹到声音与图像的耦合，避免把合成器当作本文训练对象。Pink Trombone 是基于网页的实时发音合成器，英文为 web-based real-time vocal synthesizer。本文用它提供元音空间可视化，其中音位显示在固定空间位置，质量点经键盘移动，其位置实时驱动音频合成。在受控描摹阶段显示参考曲线与目标点，在自由探索阶段显示元音空间并实时发声。

交互窗口的图例需先统一：红点为质量点，绿点为目标，蓝色虚线为参考曲线，红色实线为用户轨迹。初学者常见误解是把红色实线当作参考，实际蓝色虚线才是要跟随的贝塞尔参考，红色是人画出的结果。自由探索阶段的教学价值是让参与者建立动作到听感的映射，但 pilot 的定量比较只来自受控描摹阶段。

本研究有无训练阶段？真实计算过程是什么？

本研究没有神经网络训练阶段，也就没有梯度路径、损失函数、参数冻结与更新、监督来源与重置时机可报告。这不是技术缺失，而是方法类型决定的：控制器是按规则前向仿真的动力学系统，合成器是既有模型推理。

真实计算过程分 3 步。第一是构造：实现 2 维弹簧-质量系统与几何直移系统，选定 k 与阻尼并限制正方向运动，接入 Pink Trombone 控制空间。第二是标定：经 warm-up 让参与者熟悉键盘并调整步长与阻尼等控制显示比。第三是运行：给定参考曲线，参与者按键产生力或位移，系统逐帧积分或平移并记录轨迹，再算 Fréchet 距离、绘制速度与弯曲能量。不存在拿掉某层后必然怎样的消融训练结论，也不能从参数固定推定系统输出确定，因为人输入本身是随机变量。未报告的数值缺项包括质量、时间步长、阻尼的具体公式形式与 Pink Trombone 内部波导细节，复现时应保持原文参数并记录实际帧率。

Pilot 如何组织任务、协议与指标？

本节承担的教学任务是交代可复现的实验条件。先看交互窗口 3 面板的导读：左为初始位置，中为几何结果，右为物理结果，同一参考下比较红色轨迹的形状差异。

看图路径： 1. 先确认每幅图的图例：红点为质量点，绿点为目标，蓝色虚线为参考曲线，红色实线为用户轨迹；2. 对比中图几何模型的阶梯状红色折线与右图物理模型的连续红色曲线；3. 观察左图初始位置红点在左下角、绿点在右上角，理解任务是从锚点出发描摹曲线

论文图 3。原论文 Figure 3：“Interaction Window: red dot represents the mass, green dot represents the target, blue dotted line shows reference curve, red line shows user drawn curve.”。

从像素可见，左图左下红点为起点，右上绿点为目标，蓝色虚线为上凸的参考曲线。中图几何的红色轨迹呈明显阶梯折线，多段水平与垂直小步拼接，终点红点与绿点基本重合但路径抖动。右图物理的红色轨迹为连续平滑曲线，紧贴蓝色虚线，终点红点略低于绿点。这为后文弯曲能量差异提供了直观来源，但单样本不能代替统计结论。

协议上，每位作者用两种控制器完成 pilot。流程含热身、受控描摹与自由探索。受控阶段共 10 条预定义参考曲线，每条每种控制器重复 3 次，即每人每模型 30 次试验，每次从固定锚点复位并显示虚线参考与目标。最终参考集组成为 4 条直线、3 条凸曲线、3 条凹曲线，覆盖不同运动要求。自由探索阶段在元音空间可视化中移动质量点并实时听声。

指标上，选 Fréchet 距离看可控性与空间相似性，绘制速度以曲线长度除以完成时间看效率，归一化弯曲能量看平滑与振荡。方向是 Fréchet 越小越准，速度越高越快，弯曲能量越低越平滑。论文未报告统计检验方法与聚合口径如均值标准差的具体计算，也未报告硬件与延迟预算，这些是正式研究需补的验证项。

比较是否公平？基线与条件如何对齐？

公平性来自三处对齐。第一是同一输入装置：两种模型用同一组 W、X、J、L 键，区别仅在映射为力还是位置。第二是同一任务与同一空间：相同 10 条曲线、相同起点复位、相同 Pink Trombone 2 维空间。第三是同一参与者内比较：每位作者都用两种控制器完成，避免个体差异混入。

基线是传统几何驱动控制器，为实际可运行策略，不是事后最优或 oracle。参考轨迹用贝塞尔曲线生成，终点为固定目标点。需要指出：热身允许调整步长与阻尼，这会引入控制显示比差异，正式研究应固定或记录该参数。样本仅为论文作者，规模与多样性不足，论文自己将其定位为 developmental 步骤而非正式评价。

主结果：定位相当、曲线平滑分离最大

本节按问题组织：测什么、与谁比、条件是否一致、指标方向、关键数字、支持什么与限制什么。以下导读针对定量柱状图：左为准确性，中为效率，右为平滑性，蓝色为物理、绿色为几何。

看图路径： 1. 先看每幅柱状图图例蓝色为 physics、绿色为 geometry，再核对纵轴单位 Pixels 与 Pixels 每 second；2. 对比左图中直线与曲线两组 Fréchet 距离柱高接近，中图速度在直线与曲线上方向相反；3. 重点看右图仅有曲线一组，蓝色 211.6 柱远低于绿色 1191.1 柱，注意绿色误差线更大

论文图 4。原论文 Figure 4：“Quantitative Results physics-based vs.”。

从像素可见，左图直线组两柱接近，物理 42.0 与几何 45.3，误差线小；曲线组两柱升高到 86.6 与 83.3，误差线明显变大，说明曲线任务更难且个体波动大。中图直线组几何 500.3 高于物理 446.4，曲线组反转为物理 173.3 高于几何 132.6。右图仅曲线组，蓝色 211.6 远低于绿色 1191.1，绿色误差线跨度大，表明几何在曲线上振荡更剧烈且不稳定。纵轴分别为 Pixels 与 Pixels 每 second，不能把向下直接读成变差，需结合越低越好的方向判断。

表后解释：主要收益不在定位，直线与曲线的 Fréchet 差异都很小，支持两者基线可控性相当的判断。具体代价与反例是效率随任务反转，直线几何更快，曲线物理更快，不能说物理全面更快。未胜出项必须保留：曲线 Fréchet 上几何 83.3 略优于物理 86.6，直线速度上几何也占优。若只看准确性会得出无差异的片面结论，必须结合平滑性看下一张表。

反证与边界：哪项差异最强？任务难度如何变化？

本节承担的教学任务是用第二组数字做反证与边界分析，而不重复摘要。比较问题是：若准确性接近，差异是否来自轨迹形状本身。公平条件仍是同曲线集，指标为归一化弯曲能量，越低越平滑。

表后解释：主要收益是曲线平滑分离最大，物理 211.6 远低于几何 1191.1，支持用户用物理控制器产生更平滑轨迹、振荡更少的判断。具体代价是该结论限于曲线轨迹，论文未报告直线弯曲能量，不能推广到全程。反例是 Fréchet 在曲线上并未同步变优，说明平滑不自动等于更贴合参考。未评测边界包括自由探索的音乐性、不同 k 与阻尼下的稳定性、以及更大更多样人群的表现，pilot 未做统计显著性检验，因此只能说显示与支持，不能说证明。

哪些结论不能下？缺了哪项验证？

直接报告的是 pilot 数字差异：定位相当、曲线速度物理占优、弯曲能量大幅降低。有限解释是这些差异与理论预期一致，即惯性与阻尼有助于连续弯曲运动，而逐步位移易产生抖动。未验证推测是物理控制器更具音乐性与表现力，论文将其留给计划中的大样本对照用户研究，当前不得当作已证效果。

缺失证据不是技术错误，但限制表述。样本为作者本人，存在熟悉度偏差；未测量误判率、延迟、计算开销与输出帧率，不能承诺这些量改善；训练资源与推理开销无需讨论神经训练，但交互延迟与帧稳定性仍需在正式研究中记录。总体趋势不等于每组每步成立，例如曲线 Fréchet 的误差线很大，个别曲线可能反转。相关性也不是因果，平滑可能来自动力学滤波，也可能来自参与者策略调整，需正式实验分离。

伦理方面论文声明未从用户收集数据，故知情同意与福利声明不适用，无利益冲突披露，研究由加拿大自然科学与工程研究理事会资助。

复现先做什么？保留哪些参数与条件？

复现的第一步是恢复可运行系统：打开当前可用的 Pink Trombone 网页合成器，确认 2 维元音空间与实时音频正常，再实现键盘到两种映射的前端。物理分支按外力累加、胡克恢复力、合力求加速度、积分速度并乘阻尼、更新位置的顺序实现；几何分支按固定步长直接加位移实现。运动约束为从角落锚点出发的正 x 与正 y 方向。

必须保留的关键超参数是弹簧常数 0.16 与阻尼 0.05，以及 warm-up、10 条曲线每条重复 3 次、起点复位、贝塞尔参考含 4 直 3 凸 3 凹的协议。记录实际时间步长、质量取值、帧率与按键到力的增量，因为原文未完整给出这些实现细节。评价时同时算 3 个指标，不要只算准确性。

代码与权重方面，论文未声明代码开源或权重下载，复现依赖自行实现与第三方合成器可用性。若 Pink Trombone 链接未来不可达，应注明本次验证时可用，并存档所用版本。正式验证还需补大样本、固定控制显示比、报告聚合与统计方法、以及自由探索的音乐性评价。

何时值得尝试物理控制？一句话收束

当任务需要连续弯曲的双元音过渡且可用键盘力式交互时，值得尝试弹簧-质量-阻尼控制器，因为 pilot 显示它在保持定位相当的同时大幅降低曲线弯曲能量。当任务是精确点击静态元音或快速直线移动时，几何直移可能更快更准，不必为平滑付出惯性代价。

对初学者的特有误解要澄清：物理模型不是更精确的定位器，而是改变运动质感的滤波器；弯曲能量低不等于听感一定更好，听感还需正式听评；无训练不等于确定性求解，人的策略是主要变异来源。收束是：先复现可对照装置，再补大样本与统计检验，最后才谈音乐性与表现力。

📐 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。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

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 nime-2026 论文汇总