都听基频轮廓，为何声调母语者更会放弃无效线索：粤语与英语听者辨别泰语声调

英文题目：Optimizing Utilization: Language Experience and F0 Dimension-weighting in Thai Tone Perception

会议身份：conference:speechprosody:2026:conference-paper-id:cheng26_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：#心理声学实验 #言语感知 #语音 #语音属性识别

评分：5.2/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.3/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Runqing Cheng：机构信息未能从会议 PDF 纯文本可靠映射
• William Choi：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为泰语五声调在四个音节、男女各一名发音人条件下的自然语音，输出为无泰语经验的粤语听者与英语听者在跨性别AX辨别任务中的相同与相异判断，要求克服说话人差异仅依声调决策，难点在于基频高度、轮廓、起点与终点多线索耦合且跨语言权重未知。方法链分三步：先用跨性别AX辨别任务收集行为反应并换算辨别敏感度d’以控制反应偏向，得到的组平均正确率直接作为后续权重反推的因变量；再用Praat提取基频高度、轮廓、起点与终点四维声学量并以单因素多元方差分析检验其对声调类型的区分有效性，为权重解释提供 cue有效性基准；最后计算试次内两刺激间绝对声学差异与组平均正确率的Pearson相关以反推权重。相对已有方法的关键机制差异在于同时检验自下而上心理声学选择与语言经验驱动偏向，预测有效线索共享而无效线索分化，其实质意义是揭示非母语声调感知中声学显著性与母语经验的交互利用方式。在跨性别AX辨别任务条件下，英语听者的F0轮廓Pearson相关为r = .43，高于粤语听者的F0轮廓Pearson相关r = .42，且两组均仅在轮廓维度呈显著正相关。结论适用边界仅限于实验室条件下特定泰语音节的成年粤语与英语听者辨别，尚未验证训练迁移、其他母语或连续语流表现。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

任务是什么：把泰语声调判同还是判异？

这篇论文研究的是跨语言声调感知。输入是泰语自然音节，目标是判断先后听到的两个音节在声调上是相同还是不同。作者关注两个问题：第一，粤语听者和英语听者在做这个判断时，各自依赖基频的哪些维度；第二，粤语听者是否整体辨得更准。

对刚进入语音领域的读者，先把术语说白。基频就是声带振动快慢在听觉上对应的音高高低，论文记为 F0。声调是靠音高变化区分词义的音系类别，泰语有 5 个，粤语有 6 个，英语没有声调，只有语调。维度加权是指听者同时面对高度、轮廓、起点、终点等多个基频线索时，给每个线索分配多少注意力。

自下而上听觉加工 × 语言经验驱动加工： 自下而上听觉加工负责按声学显著性和区分有效性选择线索，哪里差异大就注意哪里；语言经验驱动加工负责按母语中长期有用的维度分配注意，母语常用什么就优先看什么。二者搭配的原因是非母语声调感知既受刺激本身的信息量牵引，也受听者过去统计经验约束，组合起来才能解释为何有时两组一致、有时分化。

论文的起点是既有发现存在分歧。一方面，声调语言经验让人更重视基频方向和斜率等语言学上重要的动态特征，非声调语言听者更重视高度这种一般性特征。另一方面，也有研究发现非声调听者同样会用轮廓线索，只是依据更偏向一般听觉。因此作者不满足于声调与非声调的二分标签，而要检验在同一个泰语辨别任务中，两种机制如何共同起作用。

已有路线如何解释线索选择？

第一条路线是自下而上的有效性解释。听觉对比增强和事件观等观点主张，听者会优先选择对当前类别区分最有效的维度，把权重从弱线索转移到强线索，多线索之间存在补偿性权衡。当刺激模糊或上下文变化时，选择性注意帮助听者转向更显著的维度。

第二条路线是经验约束解释。普通话听者在判断短语边界和音乐节拍时表现出音高偏向，对重音、焦点和短语边界任务赋予音高更高权重；西班牙语语调研究发现母语者与二语学习者都会随末尾基频轮廓从降变升而调整时长与强度的权重，但母语者补偿得更好。这说明长期经验不仅让人偏向某些维度，还可能让人更灵活地随上下文调整。

维度选择性注意 × 线索权衡： 维度选择性注意负责在多个并存维度中主动放大可靠维度、抑制不可靠维度；线索权衡负责在具体试次中把权重从弱线索转移到强线索。搭配理由是注意提供可调的分配机制，权衡提供按任务有效性调整的具体结果，组合意义是把灵活适应从口号落实为可观测的相关模式：有效维度与正确率正相关，无效维度被放弃。

作者指出，已有维度选择性注意研究很少被用来预测非母语声调感知的正确率高低，且多强调注意分配，较少同时报告感知准确性。本文要补的是同一批被试、同一套刺激下，既测准不准，又测靠什么维度准，从而把两种机制的交互说清楚。

要回答的两个具体问题是什么？

第一个问题是维度使用是否不同。作者的预期不是简单重复前人结论，而是提出不对称依赖的可能：两组人都可能关注某些共享的有效线索，但在另一些维度上分开。具体而言，按母语策略推测，两组都可能重视基频高度，而粤语组对轮廓赋予更大权重；按声学有效性推测，两组又都可能转向当前材料中最管用的线索。

第二个问题是粤语组是否辨得更准。理由来自功能负荷：粤语和泰语都用基频做大量词汇区分，英语的基频主要做语调，分布在更大的韵律域上，系统性较弱。因此粤语听者对泰语基频对比应更敏感，也更可能高效选择有用维度。

这两个问题是递进的。光有总分高低不能说明机制，光有相关模式没有准确率对照也不能说明选择是否有效。论文把辨别灵敏度、声学分析和声学行为相关 3 步串起来，正是为了同时回答准不准和靠什么准。

方法全景：一个样本如何走完一次判断？

先沿一个试次走完全程。计算机播放两个 сегмент 相同的音节，中间间隔 500 毫秒，两个 token 来自不同性别的发音人，目的是防止听者只做简单的声学模板匹配。听者用键盘判断两个音节的声调是相同还是不同。相同试次记为 AA，不同试次记为 AB。

刺激覆盖 5 个泰语声调，分别落在 4 个音节上。4 个音节在泰语中合法但在粤语中不合法，这是为了减少粤语母语词汇的直接迁移。两个发音人各录一遍，构成全部刺激。声学端用 Praat 提取整段音节的基频，测量窗口覆盖从可测起点到终点的整个音节。

行为端不直接用正确率做组间主比较，而是计算 d prime。做法是把正确判异的比例记为命中，把错误地把相同判为不同的比例记为虚报，分别做标准正态反函数转换后相减。为避免完全正确或完全错误导致无穷大，作者把 1.0 和 0 手动修正为 0.995 和 0.005。随后另做以声调对比为被试内因素、语言组为被试间因素的正确率方差分析，以及声学差异与组平均正确率的相关分析，用相关模式推断维度使用。

四个基频维度各自算什么？

论文定义了 4 个维度。高度取整段平均基频，反映总体高低。轮廓取终点减起点再除以时长，反映单位时间内的总体走向与变化量。起点取第一个可测基频值，终点取最后一个可测基频值。作者说明不用最大减最小再除以时长的陡度，是因为泰语升调和降调在一个音节内存在形状转折，用起点到终点的整体轨迹更能抓住走向。

基频高度 × 基频轮廓： 基频高度负责给出整段声音的平均高低，回答这段调子总体是高还是低；基频轮廓负责给出起点到终点单位时间内的变化量与方向，回答调子是平、升还是降以及变化多陡。在泰语材料中轮廓区分力更强，二者搭配的意义是让听者优先用变化趋势做分类，把平均高度降为次要参考，从而在多个线索并存时实现取舍。

起点基频 × 终点基频： 起点基频负责记录音节可测到的第一个基频值，终点基频负责记录最后一个可测值，二者分别刻画进入与离开调型的边界状态。它们搭配的意义是把整体轮廓拆成两端锚点来检验：若边界差本身不能区分声调类别，即使轮廓显著，单独依赖任一端点也会失效，因此需要回到整体轨迹做判断。

选择这 4 个维度还有母语对照考虑。前人工作显示粤语成人感知本族语声调时依赖高度、起点和主要斜率，而终点不可靠。本文把这套维度搬到泰语上，正好可以检验粤语听者是照搬母语权重，还是按泰语材料的有效性重新分配。

AX 任务与 d prime 如何分离能力与偏向？

AX 辨别的操作细节值得复述。每个试次的两个音节 сегмент 相同，只有声调可能不同，性别顺序平衡。共 80 个试次，覆盖两种性别、5 个声调、4 个音节和两种试次类型。实验在线上进行，要求桌面或笔记本加耳机、安静环境，并设注意力检查。

辨别灵敏度 × 反应偏向： 辨别灵敏度负责衡量听者真正区分不同声调的能力，排除一律回答相同或不同的倾向；反应偏向负责衡量听者在不确定时偏向按哪个键。搭配原因是 AX 任务同时包含命中与虚报，只有把二者联合计算才能得到无偏估计，组合意义是避免把保守或宽松的按键习惯误读为听觉能力差异。

举例说明。假设某听者一律回答不同，那么判异试次全对但相同试次全错，正确率虚高，d prime 会因虚报率高而被拉低。反之，一律回答相同也会被惩罚。因此组间 d prime 差异比原始正确率更能说明敏感性差异。作者在后文讨论起点基频时也提醒，相关分析用的是正确率而非 d prime，可能混入反应偏向，这是复述时必须保留的限定。

本研究训练了什么模型？没有训练时做了什么计算？

本研究没有训练神经网络模型，也没有更新任何模型参数，不存在优化器、梯度路径、参数冻结或重置的安排。把无训练等同于结果确定是误解，在线实验仍受设备、环境和被试状态影响。

实际计算分为 3 类。第一类是行为计算：按被试汇总命中与虚报并计算 d prime，再做组间 t 检验和混合方差分析，球形假设违反时用 Greenhouse-Geisser 校正自由度。第二类是声学计算：用 Praat 的滤波自相关算法提取基频，基频下限与上限设为 50 赫兹和 500 赫兹，覆盖男女声典型范围，零时刻定义为每条刺激第一个可测基频值。第 3 类是声学行为关联：取出 AB 试次，计算每对刺激在 4 个维度上的绝对声学差，再与每组的平均正确率做相关，用显著正相关推断该组依赖该维度。

缺项也要点明。论文未报告试次层面的混合效应建模过程，声学分析明确说明因声调类别与因变量之间没有线性关系而不宜做线性混合模型，转而做多元方差分析。这些选择是理解后文统计口径的前提。

被试、刺激与流程的条件是什么？

被试按功效分析招募。作者参照前人中等到很大的效应量，取最小的 f 等于 0.38，用软件估算 52 人可达到 0.85 的检验力，实际招募 60 人，每组 30 人。线上注意力检查淘汰 5 名粤语听者，最终保留 25 名粤语听者和 30 名英语听者。英语组无声调语言经验，所有被试均未学过泰语且自报无听力困难。年龄与性别分布在原文中有记录，复现时应保持相近的招募标准与排除规则。

刺激与流程条件保持一致才能比较。录音采样率为 44100 赫兹，发音人为 1 男 1 女，音节数为 4 个，声调数为 5 个。试次总数为八十，试次内性别不同，性别顺序平衡，刺激间隔为 500 毫秒。这些条件共同决定了任务难度：异性别设计增加难度但减少纯音色匹配，相同 сегмент 设计把判断压力集中到声调本身。

下表把可核对的规模信息放在一起，阅读时注意它只说明实验规模与分组，不直接证明哪组更准，准确率证据在下一节另行给出。

上表只交代人、刺激与试次的规模。招募时两组各 30 人，剔除后粤语组剩 25 人，英语组保持 30 人。刺激按性别、声调与音节交叉得到 40 条，试次再乘以相同与不同两种类型得到 80 个。该表不能替代辨别成绩，组间差异需看 d prime 与正确率分析，且要注意最终样本量不对称对自由度与方差齐性的影响。

谁辨得更准：总分与分对比的结果是什么？

组间比较的问题是粤语听者是否整体更敏感，公平条件是两组做同一套异性别 AX 任务，指标方向是 d prime 与正确率越高越好。结果显示粤语组显著高于英语组，t 检验效应显著。混合方差分析进一步显示声调对比主效应、语言组主效应及其交互作用均显著，事后比较发现除第四与第五声之间的对比外，粤语组在其余所有声调对比上都优于英语组。

上表的主要收益是粤语优势总体成立，但代价与边界同样明确。收益是整体 d prime 差异显著，且正确率分析中多数声调对比都支持粤语组。代价是交互效应量较小，说明组别差异随对比变化的幅度有限。反例是 T4-T5 对比未达显著，这是全篇少数未胜出项，复述时不能省略，否则会把总体趋势误读为每 1 对都成立。原文对该对比的解释有限，应标记为待验证，不自行补充声学原因。

哪些维度在声学上真能区分泰语声调？

声学分析的问题是 4 个维度中哪些在材料里真有区分力，比较对象是 5 个泰语声调类别，指标方向是组间差异显著且事后两两差异可定位。作者先检查发现不适合做线性混合模型，转而做单因素多元方差分析，再做单变量后续检验。

结果是终点、高度与轮廓都显著，起点不显著。其中轮廓效应最大，高度效应较小，终点居中。事后比较显示第三声的轮廓变化大于第一、第二、第四和第五声，第三声的高度高于第二声，终点上第二声低于第四和第五声，第五声高于第三声。起点在 5 个声调之间没有显著差异。

这个结果为后文的相关分析定下基准。若某维度本身在刺激中几乎不变，它与正确率的相关就难以解释为有效利用；若某维度变化大且与正确率同向变化，则更可能被听者实际利用。起点不显著这一点尤其关键，因为它直接对应后文英语组对起点的依赖是否明智的判断。

声学差异与正确率的相关支持了哪种加权？

相关分析的问题是听者实际用了哪个维度，做法是把每个 AB 试次的声学绝对差与该组的平均正确率求相关，正相关解释为依赖该维度，方向是相关越大且显著，越支持依赖。需要提醒的是该分析基于试次聚合的组均正确率，且用正确率而非 d prime，作者自述可能混入反应偏向。

上表的主要收益是分离出共享策略与分化策略。共享部分是两组都显著追踪轮廓，而轮廓恰是声学上最有效的维度，这支持自下而上的有效选择。分化部分是只有英语组追踪起点，而起点在声学上并不显著，作者据此提出英语语音中起点基频与嗓音起始时间对比存在伴随关系，英语听者可能把母语习惯带入泰语任务。粤语组放弃起点与高度、只保留轮廓，被解读为更高效的取舍。

反例与限制必须同时保留。终点对粤语组无显著相关，这与前人关于粤语终点不可靠的结论一致，但也可能只是因为材料中仅有少数对比能靠终点区分。英语组终点呈负相关，即终点差越大正确率越低，原文明确说原因不明，复述时只能写待验证，不能编造注意分散或策略冲突的因果解释。此外，有限的 AB 对数量使作者无法按声调对拆分验证维度使用，这是明确的方法边界。

哪些结论还不能下：偏向、泛化与缺项是什么？

第一，起点效应的性质还不能定为感知敏感性。作者承认相关用的是正确率，未用 d prime，因此英语组对起点的显著相关可能部分反映按键偏向，而非真正的听觉依赖。要验证需在试次层面用无偏指标或信号检测模型重做，或补充偏向参数。

第二，泛化边界窄。研究只比较粤语与英语两组，只用一套泰语材料，且 AB 对数量有限，无法检验维度依赖是否随具体声调对变化。作者在讨论中明确呼吁用更多语言组和其他语音类别检验灵活性的普适性。把粤语的灵活性推广到所有声调语言，或把英语的起点偏向推广到所有非声调语言，都是超出证据的推测。

第三，资源状态与可运行性缺项。本次可核对的证据中没有绑定且完成网络验证的代码、模型或数据资源，因此不得声称材料、脚本或数据已公开。复现者只能按正文参数重建流程，不能假设存在一键可运行系统。训练与推理开销、延迟、帧率等工程量也未测量，不承诺任何效率改善。

复现先做什么：按什么顺序固定条件？

第一步固定被试与环境。按每组 30 人招募，记录年龄性别，要求英语组无声调语言经验，所有人未学泰语、无听力困难，使用桌面或笔记本加耳机、在安静环境完成，并设置注意力检查与剔除规则。功效分析取最小效应 f 等于 0.38 对应的 52 人作为下限，保留冗余以应对剔除。

第二步重建刺激与声学管线。录制两个性别、5 个泰语声调、4 个人工筛选的音节，共 40 条，采样率 44100 赫兹。用 Praat 滤波自相关法提取基频，上下限设为 50 赫兹和 500 赫兹，零时刻取每条刺激首个可测值，窗口覆盖整个音节。计算高度、轮廓、起点与终点 4 个维度，复现多元方差分析的显著模式是后续相关的前提。

第 3 步重建行为流程。生成八十试次，试次内 сегмент 相同、性别不同、性别顺序平衡、间隔 500 毫秒，包含 AA 与 AB 两种类型。先算 d prime 并做组间比较，再做声调对比与组别的混合方差分析并在违反球形时校正，最后取 AB 试次的声学绝对差与组均正确率求相关。复现时应同时用 d prime 做稳健性检查，并尝试按声调对拆分，以补足原文因试次不足未能完成的分析。

何时值得借鉴这个结论：给新生的操作建议是什么？

当你的任务也是多线索并存且线索有效性不均时，这个结论值得借鉴。操作建议是先做声学有效性排序，再看组间相关模式：若两组都追踪最有效的维度，优先用一般听觉有效性解释；若仅在无效维度上分化，再考虑母语迁移。不要一开始就贴声调与非声调标签。

具体到本论文，可复述的判断是：粤语组整体更准，两组共享对轮廓的依赖，英语组额外依赖无效的起点，粤语组更能放弃无效维度。支持强度分 3 层：组间准确率差异是直接报告，轮廓共享是声学显著加双组正相关的联合支持，起点偏向的母语解释是有限解释，终点负相关的机制是未验证。

还需补的验证很具体：扩大 AB 对数量后按声调对检验，用无偏指标重做相关，加入第三组语言以检验灵活性是否真来自声调经验。做到了这些，才能把有效选择与经验偏向的交互从 1 篇泰语研究推广为更一般的声调感知原则。

📐 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 20 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