英文题目：The Prosody of Poetic Performance in Robert Creeley’s “I Know a Man”
会议身份：
conference:speechprosody:2026:conference-paper-id:blohm26_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。
标签：#统计分析 #韵律 #语音 #语音属性识别
评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.2/1.5
排名：前50% | 文档类型：应用研究
👥 作者与机构
- Stefan Blohm：机构信息未能从会议 PDF 纯文本可靠映射
- Chris Mustazza：机构信息未能从会议 PDF 纯文本可靠映射
- Plínio Barbosa：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该研究输入为作者亲读《I Know a Man》的13段跨数十年历史录音，输出是对诗行边界停顿与表演运动轨迹的韵律刻画，难点在于区分句法自然停顿与视觉诗行强制停顿，并从高变异朗读中提炼稳定表达资源。方法链分三步：先用Praat手动切分诗行、词与静音停顿并标注从句与诗行边界类型，为后续统计提供对齐边界；再用韵律描述符抽取器逐行计算基频、强度、速率与音质等多维声学参数，将波形转为可比行级特征；最后以逻辑回归与Welch t检验验证停顿分布，并对16个参数做旋转主成分分析后用方差分析与逐行比较追踪运动，前步特征直接进入降维与检验。相比按语法停顿的常规朗读建议，该文把印刷诗行视为乐谱式表演指令并检验作者是否忠实执行，具有文本语音学交叉意义。旋转主成分揭示言语节奏与音质随诗行推进系统变化，而旋律成分保持稳定，支撑了以 timing 组织场景对话的解释。在诗行与从句边界停顿对比任务下，诗行边界的停顿概率指标为0.59，高于从句边界的停顿概率指标为0.28。该结论适用边界受限于单首诗与单作者朗读，尚未验证向其他诗人、语言或即兴朗读的外推。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://github.com/pabarbosa/prosody — 链接不可用（HTTP 404）
- 数据相关资源：https://writing.upenn.edu/pennsound/x/authors.php — 链接可访问（HTTP 200）
- 复现相关资源：https://www.R-project.org/ — 链接可访问（HTTP 200）
- 复现相关资源：https://CRAN.R-project.org/package=emmeans → https://cran.r-project.org/web/packages/emmeans/index.html — 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：为什么要听同一个诗人读同一首诗十三遍？
这篇论文的输入是诗人罗伯特·克里利本人朗读自己 1955 年作品《我认识一个人》的 13 段录音，时间跨度约为半个世纪。目标不是评价哪 1 次读得更好，而是找出 13 次都重复出现的东西，也就是作者心里对这首诗的声音表征。对刚入门的研究生来说，关键信息是研究对象高度受限：同一首诗、同一个朗读者、多次现场与少量录音室录制，来源是宾夕法尼亚大学的潘恩之声档案。输出是两类可复述的结论。
第一类是停顿行为：无声停顿落在诗行边界还是句法小句边界，以及两处停顿谁更频繁、谁更长。第二类是表演轨迹：把每行每遍的声学参数降维后，看哪些维度随诗行编号系统变化，变化点出现在哪些行与行之间。必须保留的限定是全部结论都建立在跨表演的一致性上，单次朗读的即兴发挥不能当作证据，论文也没有训练新的语音合成或识别模型。
这项工作站在哪条研究路线上？
论文把自己放在实验语音学从罗塞洛神父以来分析诗歌程式化韵律的传统里。相关路线包括诗歌韵律的生理基础、格律结构的语音实现、文体流派的韵律套路，以及言语艺术中韵律的审美效果。作者强调的不同之处在于以往多是跨诗人或跨文本比较，而这里是纵向聆听同一作者的同一文本，寻找韵律共性。文学背景也很重要：克里利处在垮掉派与黑山派交界，注重音乐性；这首诗是他被选录最多、引用最多的一首，常被当作喜剧结尾或人物对话场景来讨论。
论文想用语音学方法介入这些文学争论，例如这首诗是否好笑、何时换了说话人。学习时要注意这不是用声学代替文学解读，而是把跨录音稳定的韵律差异当作新的文本证据。
要回答的两个具体问题是什么？
第一个问题是标记问题：在跨行连续很多、语法与诗行经常打架的文本里，克里利究竟用无声停顿标记谁。日常朗读建议往往是语法走到哪里停到哪里，不要在诗行末尾生硬停顿。论文的预期相反，认为克里利更强调书写行，会在诗行边界产生更多更长的停顿，即使那里把短语甚至单词切开。第二个问题是资源与走势问题：克里利在表演中系统调动了哪些超音段资源，以及这些资源沿着诗行如何运动。例如旋律是否逐行变化，节奏定时是否频繁变化，嗓音质量是否只在特定段落变化。两个问题共享同一个逻辑：只看 1 次看不出意图，只看多次共有的才可能是作品心理表征的一部分。
诗行边界 × 句法小句边界： 诗行边界指印刷诗行在视觉换行处结束的位置，分工是承载作者分行的节奏与断裂意图；句法小句边界指语法上相对完整的小句结束的位置，分工是承载日常口语中按意思换气的自然停顿。两者搭配的理由是克里利的诗存在大量跨行连续，同一字串上两种边界经常错开，恰好形成对照。组合意义在于比较停顿落在谁身上，就能判断朗读是跟随印刷乐谱还是跟随口语语法。
沿着一个样本走一遍有助于建立直觉。假设某行在印刷上结束但语法上句子还没完，行末同时是一个诗行边界但不是小句边界。如果克里利仍在行末留下可切分的静音，而在真正的小句结束处停得少或停得短，就记为 1 次支持诗行优先的观察。论文对全诗所有行、全部 13 遍重复这个判断，再用统计模型汇总，而不是凭耳朵印象下结论。
方法全景：从录音到行级别证据经过了哪几步？
全流程可以分为 4 步。第一步是材料整理，从潘恩之声档案取出 13 段《我认识一个人》的作者朗读，覆盖数十年。第二步是切分与标注，用语音分析软件对每段录音标注诗行、单词和无声停顿，得到停顿位置与时长。
第三步是声学描述，对每一遍的每一诗行，用韵律描述子提取脚本自动提取 20 个声学韵律参数，涵盖基频中值、最大最小值、四分位半幅、基频峰的均值离散与速率、基频上下行速率及其离散度、强度变异系数、频谱加重、言语速率、发音速率、平均停顿时长、每秒停顿率、谐噪比、抖动与闪变。第 4 步是统计建模，分两条线：一条用逻辑回归与 t 检验比较停顿在不同边界的出现概率与时长。
另一条先用主成分分析把高度相关的声学参数压缩为少数成分，再用方差分析检验成分得分是否随行变化，并对相邻行做两两比较定位变化点。整个过程没有训练神经网络，计算核心是标注、参数提取、降维与假设检验。
停顿是如何切分和编码的？
停顿分析的操作对象是无声停顿，也就是波形与频谱上可判为静音的间隔。研究者先在软件中逐行逐词对齐文本与音频，标出每个停顿的起点终点，从而得到位置与时长。然后对每一诗行编码 3 个二值问题：该行是否在句法小句边界处有停顿，是否在诗行边界处有停顿，是否在其他位置有停顿。编码后用逻辑回归检验边界类型是否预测停顿出现概率，另取落在两类边界上的停顿时长做韦尔奇双样本 t 检验。这里的术语需要先白话解释。
无声停顿就是听感上的空拍加仪器上的静音段；跨行连续就是语法没断而行已换行。
无声停顿 × 跨行连续： 无声停顿指语音信号中可切分出的静音间隙，分工是标记朗读者心里认定的边界强度；跨行连续指语法未完而诗行已换行的写法，分工是制造诗行与句法之间的张力。搭配理由是只有在跨行连续处，停顿与否才能区分两种忠实对象。组合意义是停顿在跨行处仍出现在行末，就说明朗读优先实现视觉分行而非语法完整。
论文报告的主要吸引子就是这两类边界，落在其他位置的停顿不足 10%。这意味着编码方案抓住了主要矛盾，没有把大量停顿漏到无法解释的杂项里。对初学者来说，复述时要说清聚合对象：概率比较的单位是行与边界类型组合在多次表演中的出现情况，时长比较的单位是已观测到的停顿事件本身，两者分母不同，不能混为一谈。
每行的声学参数具体量了什么？
声学参数是按行提取的，每行每遍得到一组向量。基频类包括中值反映整体音高档位，最大值最小值反映音域上下限，四分位半幅反映非参数的离散程度，基频峰的标准差、带宽均值、峰速率与峰位置离散度反映重音式起伏的密度与规整性，基频上升与下降的平均速率及其标准差反映声调运动的快慢与变化。强度变异系数是强度标准差除以均值，反映一行内响度起伏大小。频谱加重是全频带能量与 400 赫兹以下低频带能量之差，间接反映发声努力程度。
速率类区分含停顿的言语速率与剔除停顿的发音速率，另有平均停顿时长与每秒停顿率。音质类包括谐噪比反映周期与非周期能量比，抖动与闪变反映基音周期与幅度的小尺度不规则。论文说明基频峰提取前做了 5 赫兹平滑，以突出语言学相关的可感知音高重音，避免微扰被当成峰。
言语速率 × 发音速率： 言语速率指包含无声停顿在内每秒音节数，分工是反映包含规划与换气在内的整体时间安排；发音速率指排除无声停顿后每秒音节数，分工是反映纯发音动作本身的快慢。搭配理由是两者相减即可分离停顿策略与口齿速度的不同贡献。组合意义是它们与基频峰速率、强度变异一起进入节奏与定时主成分，共同刻画克里利如何压缩或拉长行与行之间的时间。
理解这组参数时不要把每个都当独立发现，作者的本意是让它们在主成分中抱团。单独看某一行的基频最大值高低意义有限，只有当多个相关参数在多次表演中同向运动，才会被主成分捕捉为稳定的表达资源。
没有模型训练时，真正的计算发生在何处？
本研究没有训练阶段，没有更新任何神经网络权重，也没有梯度路径、冻结与解冻、早停或重置需要交代。真实计算是 3 段式统计构造。第一段是降维前的适配性检查，用球形检验与抽样充分性度量筛选变量，逐步剔除个体充分性低于 0.5 的变量，最终保留 16 个变量，总取样充分性为 0.67，球形检验显示变量间存在足够相关。第二段是用 21 种定成分数的方法投票，其中 7 种支持四成分，于是采用方差最大旋转的主成分分析，在标准化后提取 4 个旋转成分。第 3 段是对每个成分得分做以诗行编号为预测因子的方差分析，若显著再对相邻行做估计边际均值的两两比较，以 0.05 为阈值判定表演轨迹的变化点。
主成分分析 × 方差分析： 主成分分析分工是把 16 个相关的声学描述量压缩为少数几个不相关的表达资源维度，避免逐个变量重复检验；方差分析分工是检验每个主成分得分能否被诗行编号系统预测，即变化是否随行而稳定出现。搭配理由是先降维再检验行效应，才能把相关的声学抖动合并为可解释的语调、节奏、音质走势。组合意义是只有通过方差分析的行间显著性，才能区分克里利有意的表演轨迹与随机录音差异。
复述时要明确监督来源不是人工情感标签，而是诗行编号本身：检验的是声学得分是否随行号系统漂移。软件环境按原文交代为统计语言与边际均值包，未报告随机种子、硬件预算与运行时间，因此不能承诺计算成本或延迟表现。
实验条件：数据、工具与统计口径如何固定？
数据条件是 13 段作者朗读，文本固定为同一首诗，朗读者固定为克里利本人，时间跨度为数十年，包含现场朗读与少量录音室录制。划分上没有训练集测试集之分，所有表演都用于估计共性，行是重复测量的基本单位。工具条件是切分标注用语音学软件，声学参数用公开的韵律描述子提取脚本批量计算，统计用统计语言实现。指标方向需要提前说清：停顿概率越高、停顿时长越长，代表对该边界的标记越强。
主成分得分本身无好坏，只有行间差异是否显著以及变化点位置重要。聚合口径是跨 13 遍聚合到行级别，停顿概率比较的是边界类型，时长比较的是两类边界上的停顿事件，主成分方差分析比较的是同 10% 分在不同行之间的得分分布。论文未报告录音设备、采样率、信噪比的统一控制，也未报告缺失行或不可切分行的处理细节，这是复现时需要补记的缺项。
停顿结果：诗行边界是否赢过句法边界？
先提出比较问题：在公平地遍历全诗所有行与全部 13 遍后，无声停顿更可能出现在诗行边界还是小句边界，时长又是谁更长。指标方向是概率与时长越大则标记越强。论文报告两类边界是主要吸引子，其他位置很少。下表整理出现概率的比较，表中数字与单位与原文连续句完全一致。
| 边界类型 | 指标名称 | 诗行边界值 | 小句边界值 | 其他位置值 |
|---|---|---|---|---|
| 诗行、小句与其他位置 | 出现无声停顿的概率 | 0.59 | 0.28 | 0.08 |
表后解释需要同时给出收益与代价。收益是方向明确：诗行边界概率约为小句边界的 2 倍多，小句边界又明显高于其他位置，逻辑回归证实小句边界显著低于诗行边界但显著高于其他位置。这支持克里利把印刷诗行当作乐谱来执行，而非按日常语法朗读。代价与限制是概率比较不能说明每次必停，0.59 意味着仍有约四成诗行边界在某遍中没有停顿；且该表未区分跨行连续与句末行，无法单独读出最极端的切断短语甚至切断单词的情况。未胜出项是小句边界，它虽是第二吸引子，但在频率上输给诗行边界。
语调 × 音质： 语调指由基频中值、最大值、上下行速率及其离散度构成的旋律维度，分工是承载重音与句调起伏；音质指由谐噪比、抖动与闪变构成的嗓音维度，分工是承载发声方式的粗糙或清晰变化。搭配理由是两者在主成分中分离为不同成分，可以独立地随诗行运动。组合意义是克里利全诗频繁改变节奏定时却只在后半改变音质，而语调保持稳定，这种分工对应了场景推进与人物转声的不同功能。
时长比较同样支持诗行优先。下表整理停顿时长的均值、离散与检验，单位保留毫秒。
| 比较对象 | 指标名称 | 小句边界时长 | 诗行边界时长 | 差异检验 |
|---|---|---|---|---|
| 小句边界对诗行边界 | 无声停顿时长均值与标准差 | 137 ms、64 ms | 201 ms、112 ms | t 检验显著 |
表中检验细节为自由度 121 的 t 值为 4.71，显著性小于 0.001，说明诗行边界停顿平均长约 64 毫秒。代价是诗行停顿的标准差更大，说明行与行、遍与遍之间波动大，总体趋势不等于每一行都更长。原文配图还展示了诗行末停顿在诗内的分布，但本次没有收到图像像素，只能依据正文确认方向，不能描述曲线形状或具体行号峰值。
声学降维结果：四个成分各自代表什么？
主成分分析把 16 个参数压缩为 4 个旋转成分，共解释约 71% 的方差，前 3 个特征值大于 2.0。按原文解释，第 10% 分是言语旋律，主要承载基频最大值、基频峰离散、上下行速率等载荷；第二成分是言语节奏与定时，承载基频峰速率、言语速率、发音速率与强度变异系数的负載荷；第三成分是音质，承载谐噪比正载荷与闪变抖动负载荷；第四成分更像说话人个体特征，主要与基频最小值和基频离散的负載荷有关，论文认为与声带振动下限的生理约束相关。下表整理方差分析的行效应检验，这是判断哪个成分是真资源的关键。
| 表达资源 | 指标名称 | 节奏定时检验 | 音质检验 | 语调与个体检验 |
|---|---|---|---|---|
| 4 个旋转成分 | 随诗行变化的方差分析 | 13.30、显著 | 4.11、显著 | 均不显著 |
表中完整口径是第二成分自由度为 11 时 F 为 13.30，第三成分 F 为 4.11，均小于 0.001 显著；第 10% 分 F 小于 1，显著性为 0.837，第四成分 F 为 1.66，显著性为 0.069。解释是只有节奏定时与音质随行系统变化，语调虽占最大方差份额却无系统行间差异，说明旋律行为在各行保持一致。未胜出项必须点名：第一与第四成分不能当作表演轨迹证据，前者可能是整体单调稳定的朗读底色，后者可能是说话人指纹。边界是该结论限于行级别聚合，不能推广到行内重音位置或跨诗比较。
变化点在哪里：节奏与音质的运动有何不同？
在确认只有第二与第三成分随行变化后，论文对相邻行做两两比较定位变化点。节奏定时成分在 11 个行过渡中的 7 个处发生变化，位置为 1-2、2-3、5-6、6-7、7-8、8-9、11-12，占比约 64%，贯穿全诗且频繁。音质成分在 3 个过渡处发生变化，位置为 7-8、9-10、11-12，占比约 27%，全部出现在后半部分。机制上可以这样复述：克里利用时间安排推进整首诗的场景，用嗓音质地在后半标记人物转声。
论文把 8-9 与 10 附近向高值的运动以及 11-12 向低值的运动，与诗的转折点联系起来，即此前沉默的对话者插话提醒注意路况，涉及从凯鲁亚克人物原型角度理解的角色交换。这种联系在论文中属于有限解释而非因果证明：声学变化点与叙事转折在位置上吻合，支持换声的听感，但没有感知实验验证听众确实据此判断人物切换，也没有排除文本内容本身引导的预期。反证是如果只看语调成分，相邻行比较不会得到系统变化点，这提醒不能把所有声学运动都归因于叙事。
哪些结论不能下，哪些验证还缺？
首先是范围限制：单首诗、单位朗读者、13 个样本，结论不能推广到克里利全部作品、其他诗人或诗歌朗读的一般规律。录音跨越数十年但论文聚焦跨表演共性，未建模年龄、场合、设备与观众反应的纵向漂移，因此不能读出风格随时间如何演变。其次是指标限制：停顿只分析了无声停顿，未分析填充停顿、延长、重音与边界调；音质只用了谐噪比与微扰，未做听感 pleasantness 等感知维度验证。
第三是推断限制：相关性不是因果，节奏与音质变化点与转折点重合支持文学解读，但未测量误判率，也未做剔除某成分后的感知对照，因此不能说拿掉音质变化听众就听不出换人。原文表格、图注或公式之间没有发现需要标注的算术冲突，但细节缺项应明确指出：未报告音频采样与信噪比控制、不可切分行的处理、主成分载荷的完整显著阈值，以及两两比较的具体校正方法。引用分布曲线时只能说原文报告了分布图，不能描述未见像素的颜色、坐标或曲线形态。
要复现这项研究，先准备什么、去哪里找？
复现起点是拿到同样的 13 段录音。论文指出的公开来源是潘恩之声档案的作者页面，该链接在本次核查中可用，可以写为当前可用。统计复现需要统计语言环境及其边际均值包，两者在本次核查中可用。韵律描述子提取脚本的仓库链接在本次核查中返回 404，应当写为链接当前不可用，不能假设代码仍可下载；复现者需要联系作者、寻找存档版本或按论文列出的 20 个参数定义自行实现，并特别注意 5 赫兹平滑与 400 赫兹频谱加重截止频率等细节。
操作顺序建议为先复刻停顿标注规范，统一诗行、小句与其他位置的判定标准，再跑通按行提取与主成分加方差分析的全链路，最后才讨论文学解释。何时值得尝试：如果手头有多遍同一文本的作者朗读且存在大量跨行连续，这套先比边界停顿、再降维追踪轨迹的流程可以直接套用；如果只有单遍朗读或朗读者混杂，则共性逻辑不成立，不宜照搬结论。
收束：这首诗的声音乐谱是什么样子？
把两条证据放在一起，克里利的表演像一份写定的乐谱。记谱层面，他在诗行边界留下更频更长的无声停顿，即使语法被切断也不让路，这与按语法停顿的日常朗读建议正好相反。演奏层面，他的旋律底色单调稳定，不随行大动；时间安排频繁松紧以推进全诗，嗓音质地则留到后半用于人物转声。这种分工解释了为什么同一首诗可以既被听出喜剧结尾的包袱，又被听出电影式对话场景：时间维制造期待与释放，音质维标记谁在说话。
对初学者而言，可带走的方法是先用边界对照固定记谱忠实对象，再用降维加行效应分离真资源与随机波动，最后用相邻行变化点把声学运动锚定到文本转折。未验证的猜测仍是猜测，喜不喜剧、像不像特定小说人物，需要感知实验与更多文本证据才能定论。
📐 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 12 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