强烈负情绪下高度熟练者也会漏出母语韵律：以音高范围为核心的证据

英文题目：Encoding of emotions in L2 and multidialectal English speech

会议身份：conference:speechprosody:2026:conference-paper-id:alomenu26_speechprosody

✅ 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 #韵律 #跨语言 #语音 #语音情感识别

评分：4.6/10 | 创新 1.0/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.2/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Jacqueline Alomenu：机构信息未能从会议 PDF 纯文本可靠映射
• Lluisa Astruc：机构信息未能从会议 PDF 纯文本可靠映射
• Zsuzsanna Barkanyi：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为高熟练二语与多方言英语者在中性、积极与消极情感下的连续英语语音，输出为五项韵律参量的情感编码模式，难点在于强情感削弱认知控制并诱发第一语言习惯回潮，而自然情感难以在实验室复现。方法链分三步：先以4-5分钟自发叙事加视频观看后半自发描述分块诱发目标情感并收集1-10强度自评，其输出的连续录音进入基于语调短语的切分与时长、暂停、言语速率及音高范围提取，最后以线性混合模型检验组别与情感交互。相对既往依赖朗读短句与单语者的情感语音研究，该设计以生态化诱发与多方言对照凸显情感强度驱动的迁移，更具现实解释力。在消极情感语料条件下，牙买加组的平均强度得分为10，高于西班牙组的平均强度得分6.1。西班牙组消极相对中性下语调短语时长缩短且音高范围收窄，牙买加组消极暂停延长且言语减速，显示负向高强度情感更易触发迁移。该结论适用边界为高熟练且在南方标准英国英语社区连续生活或工作5年以上者与叙事类任务，尚未验证低熟练者与其他语言对。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

情绪为什么会让外语和方言口音露馅？

这篇论文研究的问题不是识别情绪，而是情绪反过来如何改变高度熟练者的英语韵律。作者的起点是负性高强度情绪会降低认知控制、增加自动化，因此平时能压住的第一语言韵律习惯可能在情绪负荷下重新出现。对于刚入门的研究生，先建立这个因果方向很重要：自变量是情绪条件加语言组，因变量是 5 个可测量的韵律指标，解释目标是组间差异是否随情绪系统性变化。

白话先说两个关键身份。第二语言指后学的英语，对应母语为卡斯蒂利亚西班牙语、长期生活在南部标准英国英语社区但英语仍是第二语言的人。多方言指母语本身就是英语的一种变体，对应母语为牙买加英语、同时高度熟练南部标准英国英语的人。前者涉及跨语言迁移，后者涉及同一语言内部变体或社会语音身份线索在情绪下被触发。论文把两者并置，就是要看情绪是否以类似方式撬动这两类压制。

第二语言 × 多方言： 第二语言负责描述以英语为后学语言的西班牙说话人情形，它涉及跨语言音系差异；多方言负责描述以牙买加英语为第一语言又长期使用南部标准英国英语的情形，它涉及同一语言内部变体差异。二者搭配的原因是两者都要求高度熟练者压制第一变体的韵律习惯，只有同时纳入才能检验情绪负荷是触发外语口音还是触发方言身份特征，组合意义是把母语迁移从单一外语问题扩展到更广的变体接触问题。

输入是本研究实际收到的东西：19 名成人的英语独白与看视频后回答，全部按中性、积极、消极三块采集。输出不是情绪分类标签，而是每个语调短语的时长、停顿、语速、发音速率和音高范围的测量值加组与情绪的交互检验。学习依赖上必须先接受作者的操作定义：情绪类别取自基本情绪理论的中性基线、极端快乐与悲伤，情绪强度另用一到十分量表自评，一分最弱十分最强。类别回答分到哪一组，强度回答有多用力，这是两件不同的事。

前人用朗读句做了什么，本研究为什么换成自发讲述？

先按同输入、同目标、同运行阶段对照前人。已有情绪语音研究多用母语人的中性句或无意义句，考察语速和基频等线索，一致结论是积极情绪对应宽基频范围和较快语速，消极悲伤对应窄基频范围和较慢语速。西班牙语情绪语音的两个研究也被引用为参数化合成背景，西班牙语本身被报告为比英语快，叙述语速约 4.24 音节每秒对 3.66 音节每秒，发音速率约 6.08 音节每秒对 5.00 音节每秒。教学例子：这就像比较两条跑道本身的限速，不能直接当成情绪效应的大小。

与本研究最接近的对照是用意大利语和英语研究第一语言韵律迁移的工作。该工作让意大利人朗读简短英语句子，发现平坦的音高和语调模式，可能源于对短句情绪投入有限，且无法确定是否发生干扰。作者明确不复制这条朗读路线，理由是日常情绪语音最好自发和半自发诱发，短句朗读可能低估情绪投入。另一个相关对照是西班牙语停顿研究：中性短停顿、悲伤长停顿的预期，以及半自发语音韵律特征的基线。

因此本研究的增量不是提出新分类器，而是把诱发方式换成回忆独白加视频后问答，并把人群换成高度熟练的第二语言和多方言使用者，检验负性高强度情绪是否比积极情绪更容易触发第一语言特征进入第二语言和多方言语音。原文未提供代码、模型或数据可用性声明，本次也没有收到可验证资源，不得声称可下载复跑。

研究问题是什么，什么算证据，什么不算？

核心问题原文表述为情绪编码如何在第二语言和多方言语音中表现。操作化后变成：在控制说话方式的条件下，牙买加组和西班牙组相对南部标准英国英语基线，是否在特定情绪下出现显著的组与情绪交互。证据必须是交互项显著且方向可解释，总体组间差异小不算失败，因为高度熟练本身就会压缩差异。

需要区分论文直接报告、有限解释和未验证推测。直接报告是 5 个指标的测量与交互显著性。有限解释是把显著交互读作第一语言习惯重现或身份线索触发，作者用可能进入等措辞，支持但不等同因果证明。未验证推测是把个别宽音高范围直接等同某一方言底色，若无该方言中性基线的独立对照则待验证。相关性不是因果，强度自评高与离群值共现不证明强度导致声学变化。

本研究没有训练神经网络，没有分类准确率，也不承诺降低误判率或延迟。它的可复述产出是一套诱发流程加切分测量加混合模型检验。若有人把总体趋势读成每组每步都成立，就会误读：原文明确积极条件很少区别于中性，只有消极条件区别最大，且发音速率全程不显著。

从进实验室到拿到数字，整条链路经过哪些站？

先沿一个样本走完全程。假设 1 名西班牙组被试进入中性块，她先看到指令并做 4 到 5 分钟独白，题目是平均 1 天无特殊事、既不快乐也不悲伤；接着看最多两分半的中性短片，中性片静音以免偏置，然后回答看过什么、感到什么情绪、强度几分；休息看镇静图片 5 分钟后再进积极块、消极块。积极用可爱小猫或咯咯笑婴儿，消极用三岁儿童死于营养不良加字幕与悲伤音乐。顺序固定为中性、积极、消极，块内任务连续运行以维持目标情绪，块间休息防止情绪溢出。

录音经会议软件同步录制并做正字转写，存为波形文件后在语音软件中按语调短语切分并建层标注。切分依据语调与节奏线索，停顿阈值大于等于 100 毫秒。统计在统计软件中用线性混合模型检验说话人组与情绪交互，并报告效应量与 95% 置信区间。目标不是预测下 1 帧音高，而是回答组差异是否随情绪改变。

自发任务 × 半自发任务： 自发任务负责诱发属于个人情绪和词汇库的长时独白，它用回忆式提问实现；半自发任务负责在观看视频后做有约束的回答，它用统一视频加追问实现。二者搭配的原因是完全自发更自然但内容不可比，完全朗读可比但情绪投入不足，只有把两者放在同一情绪块内连续运行，才能兼顾真实感与可比性，组合意义是检验韵律效应是否跨说话方式稳定。

这条链路的安排理由原文给了两条：用个人经历故事保证情绪属于被试的情绪和词汇库，从而拿到高强度自评；用短视频把时长压在两分半内以免诱发非目标情绪。研究者还在块间确认被试状态才继续，这是伦理与情绪纯度的双重控制。

五个韵律指标各自分工是什么，如何算出来？

5 个变量分工不同。语调短语时长是每段语调单元的持续时间，反映组块切分长短。停顿时长是单元间静音间隔，反映迟疑与规划。语速是含停顿的每秒音节数，反映整体快慢。发音速率是剔除停顿后的每秒音节数，反映纯构音快慢。

音高范围是段内音高变化宽度，单位用半音，反映语调起伏。初学者常把语速与发音速率混为一谈，本研究同时保留两者正是为了定位减速来源。

语调短语 × 停顿时长： 语调短语负责把连续话语切成可比较的韵律单元，它以语调和节奏线索定边界；停顿时长负责度量单元之间的静默间隔，它以大于等于阈值的静音段为准。二者搭配的原因是只看短语时长无法区分是说了更长还是停了更久，只有把切分与间隔分开，才能把语速变慢拆成发音本身变慢还是停顿变长，组合意义是为语速与发音速率的差异提供可核对的分工。

计算上先切分后测量。切分以语调与节奏线索定边界，静音大于等于阈值才算停顿。切分后逐语调短语计量时长、停顿、音节数与音高轨迹，再按组、情绪条件与说话方式聚合画箱线图，均值用叉号标出。音高分析对质量敏感，因追踪错误、录音差或嘎吱声剔除部分短语，这是后文数据量从总量下降到可用量的原因。

语速 × 发音速率： 语速负责统计包含停顿在内的单位时间音节数，它反映整体推进快慢；发音速率负责剔除停顿后只算实际发音段的音节速率，它反映构音本身快慢。二者搭配的原因是情绪可能通过加长停顿拖慢听感而不改变口部动作，只有同时报告两者才能定位减速来源，组合意义是本研究能判断消极情绪的减速是否来自停顿还是构音。

组合机制的意义在结果中才显现：如果语速显著变慢而发音速率不显著，减速更可能来自停顿与组块而非口部变慢。原文最终正是发音速率唯一不受情绪影响，这就避免了把所有减速都归因于说得含糊。

本研究训练了什么，没有训练什么？

本研究没有训练阶段，没有神经网络权重更新，没有优化器、梯度路径、冻结与解冻或早停。这里的训练一节必须如实说明未训练哪些模型：未训练情绪分类器，未训练语音合成或识别模型，未微调任何预训练声学模型。把无训练等同于确定性求解是错误的，测量仍受录音质量、切分判断与追踪误差影响。

真实计算过程是规则与统计计算。规则部分包括按阈值判定停顿、按语调节奏线索定语调短语边界、按音节计数得速率、按基频轨迹得音高范围。统计部分是在统计软件中拟合线性混合模型，以南部标准英国英语为基线，检验牙买加组与西班牙组在积极与消极下相对中性的交互，并以小于 0.05 为显著阈值，同时报告效应估计与置信区间。监督来源不是人工标注的情绪标签训练信号，而是实验设计的情绪块标签加被试自评强度，强度用于核对操纵是否成功，不进入主模型的损失函数。

可重放性依赖版本与阈值：统计软件版本、停顿阈值、剔除非目标情绪与音高追踪失败的比例都必须保留，因为它们直接改变进入模型的短语数。若缺失这些，别人无法判断显著性是来自效应还是样本筛选。

被试、任务、数据筛选的条件是否一致？

被试共 19 名成人，按母语分 3 组。牙买加组 7 人，5 女 2 男，多在三十六到四十岁，其中 1 男 1 女在七十岁以上。西班牙组 6 人，4 女 2 男，年龄在四十一到四十五岁与六十一到六十五岁之间，均为中北部半岛卡斯蒂利亚西班牙语母语者。南部标准英国英语组 6 人，3 女 3 男，多在二十到二十五岁，其中 1 男在七十岁以上。纳入标准一致：高度熟练南部标准英国英语变体，且在该言语社区连续生活或工作至少五年。年龄分布不均衡是已知限制，解读组差异时不能忽略年龄可能的影响。

任务条件一致：全部用英语完成，指令经幻灯片呈现，三情绪块顺序固定，每块先自发独白 4 到 5 分钟再看 3 个短片并回答后续问题。中性片静音，积极片有嬉戏声，消极片有悲伤音乐与字幕。强度自评每任务后采集。指标方向需先讲清：语调短语变短、停顿变长、语速变慢、音高范围变窄在消极悲伤预期中是典型方向，积极则预期变宽变快，但这只是方向预期，不是判定迁移的充分条件，关键看是否偏离基线组。

下面第一张表回答数据量问题：在同样采集流程下，最终进入分析的短语有多少，筛选条件是否透明。表前比较问题是总量、非目标情绪剔除与音高追踪剔除是否交代清楚，公平条件是 3 组共用同一套切分与剔除规则，指标方向是保留越多且剔除理由越明确越可信。

表后解释是总量与保留量的代价。总量大有利于估计组与情绪交互，但非目标情绪剔除约一成说明诱发并非每次命中，音高再剔除约两成说明远端录音与嘎吱声对基频追踪损伤明显。未胜出项是音高样本少于其他四指标样本，任何只看音高显著就推广到全部韵律的说法都会高估证据。复现时必须先复刻这两步筛选再谈显著性，否则分母不同无法比较。

消极情绪带来了哪些可核对的组间变化？

强度操纵总体成功，但分布不均。南部标准英国英语组中性均值 6.5 众数八，积极均值 9.2 众数十，消极均值 8.3 众数九。牙买加组中性均值 6.6 众数八，积极均值 9.2 众数十，消极均值十众数十，为 3 组最高。西班牙组中性均值 7.6 众数八，积极均值八众数七，消极均值 6.1 且众数为二和六，呈混合强度。这意味着西班牙消极并非每次都强烈，后文西班牙消极效应是在强度偏低条件下仍能检出，更值得注意其适用边界。

箱线图总体显示组间差异小，除音高范围与语调短语时长外，牙买加与西班牙组很少偏离基线。离群值多与高强度自评共现，例如西班牙组 1 名被试在积极自评十分时产出长达 10.49 秒的语调短语。教学例子：这就像考试最高分常伴随做题时间最长，不能反推时间长必然高分，只能说强度与极端声学值有关联。

音高范围 × 情绪强度： 音高范围负责度量一段话内基频变化的宽度，它是情绪表达的关键声学相关量；情绪强度负责度量说话人自评感受到目标情绪的强烈程度，它用一到十分量表采集。二者搭配的原因是只看情绪类别无法解释为何同为消极却有人变化大有人变化小，只有把声学宽度与自评强度并置，才能检验离群值是否对应高强度自评，组合意义是把声学差异归因到强度而非单纯类别标签。

下面第二张表回答牙买加组的交互：相对中性，积极是否变宽，消极是否变窄变慢变长。表前比较问题是在同一基线与同一说话方式下，牙买加组相对南部标准英国英语基线的增减是否显著，公平条件是同为英语产出、同一切分阈值与混合模型，指标方向是音高变宽为正向增量、变窄为负向减量，停顿变长为正增量，语速变慢为负增量。

表后解释是收益与代价。收益是方向符合预期且跨指标一致：积极更宽，消极更窄、停顿更长、语速更慢，支持消极高强度触发第一语言或身份特征的有限解释。代价是效应量不大，音高不到一到一点 5 个半音，停顿约十分之 1 秒，语速约 0.2 音节每秒。未胜出项是积极仅音高显著，停顿与语速在积极下未显著，不能把积极读成全面加速。

停顿与语速的文献对照支持什么，不支持什么？

停顿对照显示西班牙组中性短停顿、悲伤长停顿，与已有停顿文献一致，积极短停顿也与悲伤长停顿的对照研究一致，但中性短停顿与另一项报告长停顿的研究冲突。原文明确标注这种不一致，不用新划分去圆。南部标准英国英语组多用短或中停顿，符合基线预期。语速对照显示 3 组积极均快于消极，与积极更快的研究一致。西班牙消极减速不改变其均值仍在英式英语范围内的事实，说明减速是相对变化而非绝对异常。

音高对照需小心。西班牙积极宽音高与高唤醒下宽音高变化的既有发现一致，也与英语和西班牙语音高范围差异的评估研究呼应。牙买加积极与中性宽音高与牙买加克里奥尔语中性宽音高的报告方向一致，但原文强调牙买加英语情绪语音本身基本未被研究，因此该对照是有限支持而非同条件胜负。把克里奥尔语结论直接当英语结论是类别错误。

总体判断原文措辞克制：对牙买加与西班牙说话人，第一语言对第二语言或多方言语音的影响证据是最小的，很可能反映高英语熟练度导致多数韵律线索无显著差异，除语调短语时长与音高范围外。但即使高度熟练，仍在某种程度上易受情绪影响，尤其在消极高强度语音中。这是报告显示而非因果证明。

哪个指标纹丝不动，西班牙组又窄在哪里？

把发音速率当作反证来读。原文明确发音速率不显著，大于 0.05。这是重要负结果：若情绪全面拖慢构音，发音速率应同步显著，但它没有，说明消极的整体变慢更可能由停顿与组块驱动。对初学者这是很好的对照思维：显著项告诉你哪里变了，不显著项告诉你哪里没变，两者合在一起才定位机制。未测量反应延迟与计算成本，因此不能承诺该发现能让系统更快。

西班牙组在消极下三项显著：语调短语更短、语速更慢、音高范围更窄。积极很少区别于中性，消极区别最大，这与牙买加组模式呼应，但落点不同：牙买加消极突出停顿变长，西班牙消极突出短语变短。下面第三张表聚焦西班牙消极相对中性的变化，列数与上一张表对齐以便比较条件一致。表前比较问题是西班牙组消极是否同时出现组块缩短、整体减速与音高收窄，公平条件仍是同基线同模型，指标方向是时长变短为负增量、语速变慢为负增量、音高变窄为负增量。

表后解释需增加新对照。西班牙积极整体均值语速仍落在英式英语报告范围内，消极才带来减速；西班牙积极音高最宽，与过分兴奋下宽音高范围的文献一致。代价是西班牙消极强度自评偏低且分散，效应可能低估了真正高强度下的幅度。未评测边界是低熟练者会如何，本研究因高度熟练而显著项少，不能推广到初学者必然更大而不做实验。

哪些缺项使结论不能再往前推一步？

第一是样本与年龄。19 人分 3 组，每组 6 到 7 人，年龄跨度大且组间不匹配，牙买加组偏大，南部标准英国英语组偏小。个体差异与年龄对停顿和语速的影响无法与组效应分离，显著性可能受益于少数高强度个体的离群贡献。复现时若只看均值不看分布，会误判为整组一致移动。

第二是情绪诱发与测量。顺序固定为中性、积极、消极，疲劳与顺序效应无法与情绪效应分离。自评强度是操纵检验而非声学模型的输入，西班牙消极强度混合说明操纵在该格最弱。非目标情绪剔除与音高追踪剔除改变分母，音高结论的样本小于其他指标结论的样本，跨指标比较显著个数时需注明分母不同。

第三是录音与切分。经会议软件录制并同步转写，远端音频质量与嘎吱声直接造成两成音高剔除。切分依赖语调与节奏线索加阈值判断，阈值选 100 毫秒是沿用前人，不同阈值会改变停顿计数与语调短语时长。原文未报告切分者一致性、硬件预算与推理开销，未测量误判率与延迟，因此不承诺任何实时系统收益。缺失不是错误，但必须写明待验证。

要复现这套方法，先做什么，后补什么？

先复现诱发流程。准备三块指令与视频：中性讲平均 1 天且静音短片，积极给二选一看图加嬉戏声，消极给固定悲伤短片加字幕与音乐。每块先 4 到 5 分钟独白再逐片问答，每片后追问看过什么、感到什么、强度一到十分打分。块内连续运行，块间放镇静图片休息 5 分钟并确认状态再继续。全部用英语完成，纳入标准卡死为高度熟练南部标准英国英语变体且连续生活或工作至少五年，并记录年龄与性别以备核查。

再复现测量流程。录音存波形文件，用语音软件按语调与节奏线索切语调短语，停顿阈值取大于等于 100 毫秒。逐短语计量时长、停顿、音节数与音高范围，音高单位用半音。先做总量核对：切分总数、剔除非目标情绪后剩余、剔除追踪失败后音高可用数，三数对不上则后续显著性不可比。统计用线性混合模型，以南部标准英国英语为基线检验组与情绪交互，报告估计、置信区间与显著性。

还需补的验证包括随机化块顺序以分离顺序效应，补充低熟练组以检验熟练度调节，补充切分者一致性与不同停顿阈值的敏感性分析，以及补充其他英语变体或非英语母语以检验音系依赖。资源状态本次为无可用绑定，不得写代码数据已公开。若未来补充分组录音与标注脚本，应先给切分层与剔除清单，再给模型代码，否则别人跑不通。

何时值得借用这个结论，何时不值得？

值得借用的情形是为高度熟练双语或双变体者设计情绪语音采集与分析时，把消极高强度作为重点压力测试，把音高范围与语调短语时长作为优先观测，把发音速率作为必备阴性对照。教学上可复述的方法链是：固定顺序三块诱发加自评强度检验，同阈值切分加两步筛选核对分母，混合模型检验交互而非只比均值。若只看到音高变窄就断言口音加重，属于把相关读成因果，正确表述是数据支持消极下第一语言特征更可能进入，但幅度小且多限于音高与组块。

不值得借用的情形是把结论推广到低熟练者、其他语言对或其他英语变体，或用来承诺识别准确率、延迟与成本改善。原文明确未来需招募低熟练者以增加显著性，复制到其他音系结果可能不同。西班牙消极强度偏低、样本小、年龄不匹配、远端录音损伤音高，这些边界意味着任何部署前都需重做同条件对照。

记住可核对的数字锚点：总量到可用量的两步筛选、牙买加积极变宽约 0.7 半音而消极变窄约 0.9 半音并伴随停顿变长与语速变慢、西班牙消极短语缩短约 0.48 秒语速减慢约 0.26 音节每秒音高收窄约 1.4 半音、发音速率全程不显著。抓住这些，才能把这篇论文讲清楚而不夸大。

📐 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 9 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 speechprosody-2026 论文汇总