声调管空间、焦点管时间：台湾华语辅音手势的两种突出机制

英文题目：Distinct Articulatory Effects of Tone and Focus in Taiwan Mandarin

会议身份：conference:speechprosody:2026:conference-paper-id:chien26_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 #发声与构音 #语音学与音系 #韵律 #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 0.6/1.5 | 清晰度 0.7/1 | 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

• Sherry Chien：机构信息未能从会议 PDF 纯文本可靠映射
• Argyro Katsika：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

台湾华语需在同一基频通道同时编码词汇声调与焦点语调，输入为短语中介位置单音节目标词，输出为焦点类型与声调类别对超喉部构音手势的影响判定，难点在于二者共享音高资源时难以区分空间贡献与时间贡献。研究先用电磁发音仪同步采集唇与舌位移并以问答语境诱发窄焦点与对比焦点等多种信息结构，获得声学与运动轨迹配准的连续数据。接着用基于速度阈值的半自动标注提取词首辅音手势的形成时长位移与峰值速度，将上一阶段连续运动切分为可比较的形成与释放关键点。最后以焦点与声调为固定效应的线性混合效应模型做校正比较，将运动学差异归因于固定效应并控制发音人与词段构成随机截距。与重音语言中重音与焦点同时调制位移和时长不同，该工作发现声调主导空间幅度而焦点主导时间扩展，体现声调语言特有的资源分工。原文未提供可核对的关键定量结果。结论的适用边界目前仅限于词首辅音手势与短语中介位置，尚未验证元音手势韵律边界位置与声学扩张的中介机制。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://escholarship.org/uc/item/62w9h491 — 链接不可用（HTTP 403） 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

为什么声调语言的焦点标记值得单独做发音实验？

本文输入是台湾华语的声调与焦点如何共用音高的问题，目标是看懂超喉部发音动作是否也参与区分。必须保留的信息是四声最小对立、5 种信息结构条件、只分析词首辅音手势的 3 个运动学指标。输出是 1 篇能复述方法的解读，不做超出原文的推广。 台湾华语有 4 个声调，第一声高平，第二声升，第三声低降升或低，第四声降。初学者可以把声调理解为写在音节上的音高形状，英文为 lexical tone，换了形状就换词义。

焦点理解为话语中被突出为新的、重要的或对比的部分，英文为 focus，例如回答哪一种背包时把麻加重。困难在于两者都要调制基频，声调不能丢词义，焦点又要扩大音高范围，两套指令可能抢同一条音高通道。 已有声学研究知道台湾华语焦点更多靠时长延长而非音高扩大来标示，但发音层面的证据很少。重音语言如英语德语已有明确结论，焦点使发音手势更长、更大、更快，并随宽焦点、窄焦点、对比焦点逐级增强。

本文要检验的是这套层级在声调语言中是否存在，以及声调与焦点是共用还是分开调制发音手势。

声调 × 焦点： 声调负责区分词义的基频形状，如妈麻马骂 4 种走向；焦点负责标示话语中重要或对比成分的信息结构。二者都要用音高实现，搭配研究的原因是看它们是共用一套发音资源还是分开控制，组合意义在于判断声调语言是否也能像重音语言一样用超喉部动作编码焦点层级。

沿一个样本走一遍有助于建立依赖：目标词麻第二声放在她用缤纷的麻的背包这句中间，前后都是中性的的，前面是第一声双音节词，后面也是第一声双音节词。当问句问的是背包种类时麻处于窄焦点，当纠正围巾为背包时麻处于对比焦点，当问整句怎么搭配时麻处于宽焦点句中位置。同一音节在不同问答下发音动作是否变化，就是本研究要测的效应。

英语德语的焦点层级能直接搬到华语吗？

相关工作分两条线。第一条是重音语言的焦点发音增强。英语唇运动学显示重音和焦点都使收缩手势时长、位移、速度变化，德语研究进一步区分焦点是否经由重音中介，近年美式英语、首尔韩语的工作报告从无焦点到宽焦点到窄焦点再到对比焦点的单调增强。教学例子是英语中对比重音的唇闭合更大更快，这只是帮助理解增强方向的例子，不代表华语数值相同。 第二条是华语的声调与语调交互。

普通话焦点常被描述为扩大声调的音高范围而不改变声调类别，但上海话与台湾闽南语中部分声调几乎不扩大以保对比，说明音高策略并非对所有声调同等可用。台湾华语此前声学工作报告时长比基频更稳定地标记焦点，这为本文只看超喉部时间与空间指标提供了动机。 对照时要注意输入、目标、监督与运行阶段是否一致。

重音语言用音高重音落在重读音节上标记焦点，华语用整个焦点成分的声调音域扩张标记焦点，标记载体不同，不能把英语中重音音节的位移增大数值直接当作华语的基线。原文明确指出层级证据主要来自重音语言，是否延伸到声调语言仍不清楚，这正是本文的缺口。

本文要回答的两个具体问题是什么？

第一个问题是焦点类型在声调系统中是否也有超喉部运动学效应，是否平行于重音语言的层级结构。操作化为在短语中间位置比较对比焦点、窄焦点、宽焦点句中、焦点前、焦点后 5 种条件下词首辅音手势的形成时长、位移、峰速度。若窄焦点与对比焦点长于宽焦点与无焦点，则支持层级存在。 第二个问题是声调与焦点语调如何共同塑造收缩手势的运动学轮廓，是共用还是分离的发音资源。操作化为检验焦点类型与声调的主效应与交互效应。

若两者都显著但无交互，且分别落在不同维度，则支持分离调制。若有显著交互，则说明某声调在某焦点下被特殊处理。 两个问题共享同一套数据与模型，但判断标准不同。第一个看焦点主效应与两两比较的方向，第二个看声调主效应落在哪个指标以及交互项是否成立。初学者要先记住这种分工，后面读结果才不会把声调的位移效应误读为焦点的证据。

从问答诱导到手势标注的全流程是怎样的？

方法全景可分为 elicitation、 recording、 labeling、 modeling 4 步。先用上下文问句诱导信息结构，再用电磁发音仪与麦克风同步记录，接着在唇孔径或舌尖垂直位移信号上半自动标注手势地标，最后用线性混合效应模型分离焦点与声调效应。 目标材料是两套单音节四声最小集，麻组为妈麻马骂，毛组为猫毛脑帽，其中第三声的脑用声母那代替毛，因为毛第三声日常极少用。

每个目标词嵌入固定句长的框架句，目标词前后都是中的 neutral tone 的的，第一个的前面是双音节第一声词，第二个的后面也是双音节第一声词，以保证前后环境一致。刺激用繁体字呈现。 记录时提示句先静默阅读 2.5 秒，再朗读目标句，以诱导正确的焦点 placement。5 名台湾华语母语者已参与，均为在台湾生活多数时间后赴美求学的学生或职员，能读繁体字，无言语听力视力问题，不知实验目的并获得报酬。这决定了结果是小样本的初步数据集，不能当作全人口常模。

标注与建模在后面两节展开，总体逻辑是先把连续运动切成可比的手势，再用统计模型回答焦点与声调是否分维度起作用。

手势的地标与三个指标如何定义？

超喉部指喉以上的唇舌收缩动作，英文为 supra-laryngeal。唇辅音用唇孔径标定，英文为 lip aperture，即上下唇传感器距离；目标词脑的声母是舌尖音，用舌尖垂直位移标定。每个辅音手势标出起始、目标、最大收缩、释放、偏移 5 个时间地标，外加形成与释放阶段的峰速度时刻。速度极小值对应最大收缩，同名峰速度时刻对应峰速度，其余地标用速度平台判定。

平台检测用固定阈值，即相邻速度极小与极大之间速度范围的 20%。原文说明该阈值基于经验观察，能可靠近似运动起始并避免把连续运动中的组织弹性回弹误判为起始。初学者可理解为只有速度明显爬升才算真正开始用力，而不是组织抖动。 由这些时刻算出 3 个因变量。形成时长为从手势起始到释放的间隔，单位毫秒。

位移为从起始到最大收缩的绝对空间距离，单位毫米；峰速度为接近目标过程中达到的最大速度，单位厘米每秒。图一展示了这些地标在时间轴上的相对位置，是复现标注必须对照的依据。

形成时长 × 位移： 形成时长指手势从起始到释放的时间间隔，反映时间维度的拉长；位移指从起始到最大收缩的空间距离，反映动作幅度。两者分工不同：前者对应放慢与保持，后者对应张大与用力。组合起来才能判断增强是时间型还是空间型，本研究正是靠这 1 对分离发现声调主要调位移、焦点主要调时长。

建模时对每个指标分别拟合线性混合效应模型，固定因子为焦点类型与声调，随机截距为说话人与词的音段组成。用 drop1 选择最优模型，用 emmeans 做 Holm 校正的两两比较，显著水平为 0.05。小提琴图显示原始分布，黑点为模型估计均值，误差线为正负 1 倍标准误。

传感器布置与发音通道如何对应声调分析？

硬件为 AG501 3 维电磁发音仪。5 个运动传感器分别置于舌背、舌体中心、舌尖、上唇、下唇，另有 4 个参考点在上门齿、下颌与左右耳，用于校正头部运动。音频用森海塞尔枪式麦克风同步采集，采样率 16 kHz，距被试约一英尺，刺激显示在约三英尺外的屏幕上。 这种布置使唇辅音与舌尖辅音各有直接观测通道。麻组声母为双唇鼻音，看唇孔径闭合。

脑的声母为舌尖鼻音，看舌尖上抬。声调本身主要由喉部控制基频，但本文测的是与其协同发出的辅音手势，问题是不同声调是否连带改变辅音的用力与时长。这是一种协同发音视角，不是直接测声带。

电磁发音仪 × 唇孔径： 电磁发音仪是通过在唇舌粘贴传感器来追踪超喉部运动轨迹的设备；唇孔径是由上下唇传感器距离计算出的双唇开合度，用于给唇辅音定界。搭配理由是只有连续运动信号才能定义起始、目标、最大收缩与释放等速度地标，组合意义是把抽象的声调与焦点条件转化为可重复测量的手势运动学指标。

需要提醒的是元音手势与声调与辅音元音协调尚未在本阶段报告。原文讨论部分明确把元音运动学与音节内协调列为下一步，因此当前辅音结果不能等同于整个音节的时长或音高行为，特别是第四声辅音形成时长变长而音节总时长预期较短的矛盾，还需元音数据才能澄清。

本研究有神经网络训练吗？实际计算是什么？

本研究没有训练神经网络，也没有冻结或更新权重、反向传播、优化器迭代等深度学习步骤。该节按要求明确说明无训练阶段，避免把统计建模误称为训练。 实际计算是 3 类。第一类是信号处理与半自动标注，在 MATLAB 定制软件中按速度准则找峰速度、速度极小与速度平台，阈值为 20%，输出每个试次的 5 个地标与两个峰速度时刻。第二类是派生指标计算，由时刻相减得形成时长，由空间坐标差得位移，由速度曲线取极大得峰速度。

第 3 类是统计推断，在 R 中用线性混合效应模型估计固定效应，用 drop1 比较模型，用 emmeans 做 Holm 校正的两两比较。 监督来源不是人工标签的类别，而是实验设计本身的焦点条件与声调类别，以及说话人与词项作为随机效应。没有重置时机、早停、学习率等概念，未报告的梯度路径与超参数不做推测。若要复现，关键是复现标注阈值与随机效应结构，而不是调参。

被试、材料与条件如何保证可比？

被试为 5 名台湾华语母语者，4 女 1 男，平均年龄 31 岁，范围 29 至 34 岁。人数少是主要限制，模型中说话人只做随机截距，不能估计个体差异的系统模式。所有被试来自台湾并在台湾生活多数时间，实验时为同一大学的国际研究生、职员或近期毕业生。 材料控制句长与前后环境。目标词均在语调短语中间，避免句末边界或核重音位置的干扰。

宽焦点条件下目标词也不在核音高重音会出现的句末位置，焦点前与焦点后条件下的目标词本身无焦点，分别紧邻对比焦点词之前与之后。每个问答对如麻 T2 的 5 种问法共享同一回答句她用缤纷的麻的背包，只有前文问句改变信息结构。 下表把实验配置按原文逐项整理，便于核对复现条件。表中采样率、设备型号、年龄范围均保留原文写法，不做单位换算。

表后需要说明代价与边界。严格控制环境提高了内部可比性，但代价是生态效度受限，只覆盖句中位置与特定载体句，未测句末宽焦点核位置。

5 人样本使标准误较大，小提琴分布拖尾较长，任何均值差异都需结合模型估计与校正后 p 值判断，不能只看原始分布高低。

焦点是否延长了辅音手势？延长了多少层级？

要回答的是在声调相同的情况下，不同焦点是否改变形成时长，指标方向为时长越长表示时间增强越强。公平条件是同一目标词、同一句长、同一短语中间位置，只换问句诱导的信息结构。 模型选择保留了焦点与声调的显著主效应而无显著交互，说明焦点效应在各声调上方向一致。两两比较显示窄焦点与对比焦点显著长于宽焦点句中与焦点后条件，焦点前显著长于宽焦点句中，但与窄焦点、对比焦点、焦点后均无显著差异，窄焦点与对比焦点之间也无显著差异。

窄焦点 × 对比焦点： 窄焦点指回答特定疑问词所限定的单个成分，如问哪种背包答麻背包；对比焦点指明确纠正前文错误选项，如不是丝背包而是麻背包。两者都是焦点 locus 本身，但对比性更强。搭配比较的原因是检验发音增强是否随信息层级递增，组合意义在于判断台湾华语是否存在从宽焦点到窄焦点再到对比焦点的连续统。

下表把焦点时长效应的统计结论整理为可核对的行，便于对照原文的卡方与 p 值表述。

读图前需要建立预期：若焦点是时间维度的逐级增强，应看到窄焦点与对比焦点的小提琴与黑点上移，宽焦点与焦点后最低，焦点前居中。

看图路径： 1. 先看横轴五个焦点条件与纵轴形成时长毫秒的对应关系；2. 再比较每个小提琴分布的宽度与中间黑点模型均值的高低；3. 最后看窄焦点与对比焦点的黑点是否高于宽焦点与后焦点

论文图 1。原论文 Figure 1：“Formation Duration (ms) of target onset consonant (C) gesture across focus types. Black dots”。

该图显示 5 个焦点条件下形成时长的原始分布与模型均值。可见窄焦点与对比焦点的黑点高于宽焦点句中与焦点后，焦点前的黑点略高于宽焦点但误差线重叠较多，与统计上焦点前仅长于宽焦点而与其他无差异的结论一致。分布上各条件重叠很大，说明效应是均值层面的小幅延长而非完全分离，未胜出项是窄焦点与对比焦点之间没有区分，这与重音语言中两者是否区分本就存在争议的文献相呼应。

声调效应落在空间还是时间？哪些声调未分开？

这一节按特有细节展开声调主效应，相当于对焦点时间效应的反证与分离。若声调也只调时长，则无法主张分维度；若声调主要调空间，则支持分离。 位移模型只保留声调主效应，焦点类型不可靠。两两比较显示第一声显著小于第二、三、四声，其余声调间无显著差异。

峰速度模型同样只保留声调主效应，第一声最慢，显著慢于第二、三、四声，其余间无显著差异。形成时长上第四声显著长于第一、二、三声，其余间无差异。

峰速度 × 位移： 峰速度指手势接近目标过程中达到的最大速度；位移指运动的空间幅度。两者在肢体运动中通常同向变化，位移越大需要更快速度完成。搭配观察的原因是验证声调效应是否符合一般的速度与幅度耦合，组合意义是若二者同步变化则支持空间增强解释，若分离则需另找时间控制机制。

下表把声调在三指标上的结论并列，便于看出维度分离与未分开的比较。

先看声调对时长的调节，再看空间维度的两张图，才能确认分离模式。

看图路径： 1. 先看横轴四个声调与纵轴形成时长的对应；2. 再比较第四声的黑点与误差线是否整体上移；3. 最后观察前三声分布重叠程度与第四声的分离程度

论文图 3。原论文 Figure 3：“Formation Duration (ms) of target onset consonant (C) gesture across lexical tones. Black dots”。

该图显示四声条件下形成时长的分布与均值。可见第四声的黑点与误差线整体上移，前三声的黑点高度接近且分布大量重叠，支持原文报告的仅第四声更长的结论。像素不能精确读出毫秒数值，此处只做方向判断，不硬写具体均值。

看图路径： 1. 先确认纵轴为绝对位移毫米与横轴四个声调；2. 再比较第一声的黑点是否低于第二三四声；3. 最后看各声调小提琴形状是否都呈中间宽两头窄

论文图 4。原论文 Figure 4：“Absolute displacement (in mm) of target”。

该图显示四声条件下绝对位移的分布与均值。可见第一声的黑点最低，第二三四声的黑点更高但彼此接近，与第一声显著小于轮廓声调而轮廓声调间无差异的结论一致。分布上第四声上尾较长，提示个别大位移试次拉宽了分布，但均值仍与其他轮廓声调无显著分离。

看图路径： 1. 先确认纵轴为峰速度厘米每秒与横轴四个声调；2. 再比较第一声的黑点是否为四组中最低；3. 最后看第二三四声的分布与均值是否彼此接近

论文图 5。原论文 Figure 5：“Peak velocity (in cm/sec) of target onset consonant (C) gesture across lexical tones. Black dots”。

该图显示四声条件下峰速度的分布与均值。可见第一声黑点最低，第二三四声更高且接近，误差线多有重叠，符合第一声最慢而其余间无差异的报告。位移与速度同向变化符合位移越大峰速度越大的一般观察，支持声调的空间增强解释。未胜出项是第二三四声之间在三指标上多数未分开，说明当前辅音数据只区分高平与轮廓的大类，未能细分升降形态。

哪些结论还不能下？缺了什么证据？

直接报告的是辅音手势上焦点调时长、声调调空间且无交互。有限解释是这可能反映声调语言与重音语言的类型差异，重音语言中重音与焦点通常同时调制 2 维。未验证推测是是否存在跨语言的焦点层级连续统，原文用可能与待验证的语气提出，需更多位置与元音数据支持。 缺项具体有四处。第一，样本仅 5 人，随机效应只有截距，不能估计斜率差异，推广需谨慎。

第二，只分析了词首辅音，未分析元音手势与辅音元音声调协调，第四声形成时长变长而音节总时长预期较短的矛盾无法在本数据内解决。第三，只覆盖短语中间位置与特定载体句，未测宽焦点句末核位置，不同焦点位置的模式可能不同。第四，未同步报告基频扩张与发音增强的关系，声学与运动学的耦合仍是下一步。 相关性不是因果。观察到轮廓声调位移更大不能直接断定声调以空间策略标记焦点，因为位移效应是声调主效应而非焦点与声调交互。

未测量误判率、延迟、成本，不承诺任何识别或合成性能改善。资源状态方面，引用的首尔韩语博士论文链接本次显示不可用，应写链接当前不可用，不作为可用证据使用。

要复现这套结果先做什么？

先准备材料与诱导流程。构造两套四声最小集并固定句长，目标词前后放中的的，两侧放双音节第一声词，用繁体字呈现。每个目标句配 5 个问句，分别诱导对比焦点、窄焦点、宽焦点句中、焦点前、焦点后，注意宽焦点目标词不在句末核位置，焦点前后目标词本身无焦点。提示句呈现 2.5 秒静默阅读后再朗读目标句。 再布置记录与标注。

按原文布置舌背、舌体、舌尖、上下唇传感器与四参考点，同步 16 kHz 音频。唇辅音用唇孔径、脑用舌尖垂直位移标注起始、目标、最大收缩、释放、偏移与两处峰速度，速度平台阈值取相邻极值间速度范围的 20%。由时刻算出形成时长毫秒、位移毫米、峰速度厘米每秒。 最后复现统计。每个指标分别拟合焦点类型加声调为固定效应、说话人与词音段组成为随机截距的线性混合模型，用 drop1 选模型，用 emmeans 做 Holm 校正两两比较。

核对标准是复现出焦点时长主效应与声调空间主效应且交互不显著，以及第一声小于轮廓声调、第四声时长最长的方向。若改阈值或改随机结构，需报告敏感性，因为小样本下均值易受分布尾部影响。

何时值得借鉴这篇的方法？

当研究问题涉及声调与语调抢占音高通道时，值得借鉴把突出分解为时间与空间 2 维的做法。本研究显示台湾华语用延长标记焦点层级，用增大增快标记轮廓声调，两套资源分离，这为声学上时长比音高更稳定的发现提供了发音对应物。若你的语言也显示部分声调不扩大音域，可优先检查时长与位移的分离而非只看基频。 当目标是比较焦点层级时，可借鉴短语中间位置与焦点前后对称设计。

焦点前中度延长提示对即将到来的焦点词的预期调整，焦点后无延长提示增强随距离减弱，这种 scope 解释需要前后位置同时采样才能看到。只采焦点本身会错过层级弱化的证据。 还需补的验证是元音与音节内协调、句末位置、基频与运动学的联合建模。总体趋势不等于每组每步成立，当前结论限于词首辅音手势的均值效应。

复现时保留原文的阈值、随机效应与校正方法，才能在相同信息条件下比较，重做时不要把自动指标当作听辨评估，也不要把毫秒差异直接换算为百分比改善。

📐 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 13 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