同一句 Since when are they linguists？不信与求信息靠韵律分开

英文题目：The prosody of English since-when questions

会议身份：conference:speechprosody:2026:conference-paper-id:cho26b_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 #语音 #语音属性识别

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Youngdong Cho：机构信息未能从会议 PDF 纯文本可靠映射
• Fengyue Lisa Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Chloe Dokyung Kwon：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

英语since-when问句以同一字符串加话语语境为输入，以韵律实现为输出，需在索取事件起点与表达难以置信之间切换，难点在于判定差异属于范畴性调型替换还是梯度性音高缩放。研究先用Since when are they名词框架构造10个目标句并嵌入100%难以置信、50%难以置信与信息索取三种语境做在线产出采集，再经蒙特利尔强制对齐校正与Praat基频平滑提取音节级时长及F0均值、最小值与范围，随后并行使用线性混合效应模型检验静态均值差异并以广义加性混合模型拟合女性说话者动态轮廓。与Kiss基于内省的低边界调描述及依赖ToBI范畴标签的修辞问句研究相比，该工作直接量化F0谷深度与上升斜率的梯度变化，因而能揭示难以置信语境下when延长并伴随更深F0谷与更陡上升的连续实现。在在线产出采集任务条件下，女性说话者在难以置信语境中三音节名词重读音节的F0均值指标降幅估计为22.86，高于双音节名词首重读音节的F0均值指标降幅估计18.85。该结论的适用边界受限于受控朗读框架、美国英语青年被试与237个可用token，尚未验证自发对话、多方言及男性精细轮廓的外推范围。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://www.labvanced.com/publication.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，目标是什么，学完要能复述什么？

本文的输入是论文原文提供的生产实验证据，目标是让刚进入语音与语义接口领域的研究生能够复述英语 since-when 问句的两种解读及其韵律检验方法。你需要保留的关键信息包括语境操纵方式、声学测量位置、统计建模分工以及主要效应的方向与限制。全文不引入原文之外的语料、工具效果断言或教学用虚构数字，所有例子都会标明是帮助理解的例子。

语音研究常遇到字串相同但含义不同的句子，例如甲说约翰和玛丽是语言学家，乙回一句 Since when are they linguists？这句话既可以是真心询问他们从何时起成为语言学家，也可以是表达我根本不信他们是语言学家。前者称为信息寻求解读，后者称为不信解读。初学者容易把这种差异理解为纯语用推理，但本文要检验的是说话人是否用可测量的韵律手段把两种解读区分开来。

学习依赖上，你需要先理解任务是产出而非感知，即让说话人在不同情境下读出同一字串，再比较声学实现。然后理解方法全景是语境操纵加声学测量加两套统计，最后才是对假设的判定。按这个顺序，后文先讲相关路线，再讲语境设计与材料，随后讲对齐与测量、两套模型、实验条件、结果与反证，最后讲复现要点。本文研究的只是美音英语成年人的朗读式产出，不涉及自发对话、儿童习得或语音合成，这是复述时必须守住的边界。

前人从哪些相似结构得到可检验的预测？

在进入本研究设计之前，需要把 3 条相关路线摆清楚，因为本文的假设直接从它们迁移而来。第一条是不信陈述句，例如 You like John 在表达不信时被描述为双重凸显，即主语上有 1 次陡峭上升，宾语上有更陡的上升。这给本文提供了备选预测，即不信 since-when 问句是否也可能在主语 they 上出现额外凸显，以及句末是否可能用上升边界而非低边界。

第二条是英语修辞性 wh 问句，已有报告指出修辞性 wh 问句与信息寻求 wh 问句字串相同时，修辞版本在 wh 词和宾语上有凸显，且两处时长更长。这与本文高度可比，因为不信 since-when 问句也被讨论为可能具有修辞解读，即说话人暗示答案在共同背景中已显而易见，对方未能推出。第 3 条是跨语言证据，匈牙利语和粤语中不信 since-when 问句与信息寻求版本被报告为韵律不同，这支持了英语中也存在系统区分的一般假设。

修辞性 wh 问句 × 不信 since-when 问句： 修辞性 wh 问句负责提供已知的参照模式，即 wh 词与宾语带凸显且时长拉长；不信 since-when 问句负责检验该模式是否迁移到 since-when 结构。前者是跨构式的类比来源，后者是待验证的目标，两者搭配的理由是都涉及说话人已有答案或强烈预设，组合意义在于判断不信标记是构式特有还是共享的修辞韵律策略。

需要提醒的是，前人关于英语 since-when 问句本身的描述主要来自内省，认为不信版本在 when 上带强调重音且句末为低边界调，但此前没有实验声学证据。本文的贡献正是把这些内省描述转化为可测量的时长与基频预测，并用受控产出实验加以检验，而不是重复断言结论。

两种解读的操作定义与待检验假设是什么？

论文把研究问题拆成两个。第一，说话人是否随语境改变 since-when 问句的韵律实现。第二，说话人的韵律选择是否与前人文献描述的特征一致。为了让研究生可复述，这里把语境操作定义讲具体。信息寻求语境指说话人没有相关先验知识，真心询问所述事件的起始时间。

不信语境指说话人确信前文说法有误，例如确知候选人并未参选领导，从而对前文表达不信。论文还设置了中间程度的不信语境，但报告的分析聚焦于完全不信与信息寻求的对比。

信息寻求解读 × 不信解读： 信息寻求解读负责索取事件起始时间，不预设前文为假；不信解读负责标记说话人认为前文与已有信念冲突。两者共用同一字串 Since when are they NOUN，因此必须靠语境和韵律分工：前者是默认的提问功能，后者叠加了说话人偏见，二者搭配才能解释为何同一句子在不同情境下需要不同的重音与边界实现。

在假设层面，一般假设是两种解读韵律不同。具体假设一是不信版本在 when 上有强调重音，体现为更长、基频极差更宽、基频谷更深更陡，并在主语与句末名词重读音节上也预测有更陡的谷。具体假设二是句末为低边界调，备选假设是类似不信陈述句的上升边界。复述时要注意，主语与名词重读音节的预测是附加预测，不是核心预测，后文结果显示它们只得到部分支持或未得到支持，这正是需要如实转述的反证部分。

从情境阅读到声学比较，主路径如何走通？

沿一个样本走完全程有助于建立全局观。以目标句 Since when are they leaders 为例，输入是 3 段式情境材料，包括场景描述、前 1 位说话人的话语、以及许可特定解读的背景信息。被试读完情境后，用自己的电脑与麦克风在安静环境下录制目标句，要求自然、无迟疑，可多次录制。输出是一段音频，随后进入强制对齐、手工校正、声学测量与统计建模。

材料框架统一为 Since when are they NOUN，其中名词一半为双音节如 lawyers 与 leaders，一半为三音节如 beginners，且均为倒数第二音节重读。这种控制的理由是让重读音节位置可比，并检验音节数量是否影响基频轮廓。除实验句外还有 30 个填充句，包括陈述句、极性问句与 wh 问句各占三分之一，用于分散被试对目标结构的注意。每个被试对每个条目只见一种语境条件，条目顺序随机化，条件在被试间平衡。

测量与分析分为两条腿。一条是静态描述量，对每个音节计算基频均值、最大、最小、极差与时长，用线性混合效应模型检验语境效应。另一条是动态轨迹，用广义加性混合模型比较整句基频轮廓形状。前者定位哪处更高更长，后者刻画谷深与上升斜率在时间上的差异。两条腿互补，缺一不可，这也是后文同时报告两套结果的原因。

语境、材料与对齐测量各自解决什么问题？

语境组件解决解读许可问题。论文用 3 个层次操纵对前文的不信程度，核心对比是完全不信与信息寻求。举例来说，完全不信版本会明确写出被试亲历投票且确知对方未参选，信息寻求版本则写出被试近期未关注社团事务且无相关知识。这种写法让被试不需要猜测研究意图，只需按情境自然朗读。在线规范化研究显示所有条件在七点量表上的自然度均值都高于 5 分，说明材料至少在可接受范围内，但这只是自然度评分，不等于生态效度。

材料组件解决可比性问题。统一句框保证了 since、when、are、they 与句末名词的音节序列可对齐，双音节与三音节名词的划分允许检验重读音节在不同音节数量下的表现。填充句解决策略性问题，防止被试发现每句都是 since-when 问句而采用固定读法。

重音凸显 × 边界调： 重音凸显负责在 when 与句末名词重读音节上制造更深的基频谷与更陡的上升，用时长拉长和极差拉宽实现强调；边界调负责决定句末音高走向是低降还是上升。前者解决词内强调位置问题，后者解决句末语气归属问题，两者组合才能完整描述不信 since-when 问句从 when 到句末的整体轮廓。

对齐与测量组件解决可重放性问题。音频先用蒙特利尔强制对齐器做音节切分，再经人工检查校正，因口误剔除少量样本。基频用 Praat 自相关法在整句上提取，并按性别设置不同的基频上下限。离群基频点按 3 倍标准差、帧间突跳与孤立点规则剔除，每个音节计算 4 个基频描述量与时长。平滑轨迹用平滑样条获得并按说话人均值做中心化，经目检剔除因嘎裂声等不可靠基频导致的样本，最终进入分析的样本为 237 个。这些步骤决定了后文数字的分母与适用条件，复述时不能省略。

静态描述量与动态轨迹模型如何分工？

静态部分对每个音节分别拟合线性混合效应模型，因变量是基频均值、最大、最小、极差或时长，自变量以语境为主，起点为包含语境、音节数量、性别及其交互以及尝试次数与试次序号的最大模型，再用基于赤池信息准则的逐步比较选择最优模型，随机截距至少包含被试与条目。这种按音节分别建模的做法优点是定位精确，缺点是看不到谷形与斜率，因此需要动态模型补充。

动态部分用广义加性混合模型拟合女性说话人的数据，捕捉整句非线性基频模式。模型以 when 的偏移处为对齐点，包含语境与音节数量的固定效应，以及基线时间平滑、按语境变化的平滑、按音节数量变化的平滑及其交互，还加入被试与条目的随机截距以及按被试的时间平滑以容纳个体轮廓差异。预测轨迹用配套工具可视化，并通过差异曲线标出显著区间。

基频描述量 × 广义加性混合模型： 基频描述量负责把每个音节压缩为均值、最大、最小、极差等静态数字，便于做线性混合效应检验；广义加性混合模型负责保留基频随时间的非线性轨迹形状，检验谷深、上升斜率与显著差异区间。静态量回答哪处更高或更宽，动态模型回答形状在何时分叉，两者搭配才能既定位又刻画不信标记。

对初学者而言，关键是理解两套模型回答不同问题。静态模型回答在 when 上是否更长更低更宽，动态模型回答在 when 与名词重读音节附近谷是否更深、上升是否更陡、句末轨迹是否整体更低。论文先报告静态，再用动态揭示静态未能捕捉的名词重读音节效应，这种递进不是重复，而是方法设计的有意安排。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络模型，也没有更新任何声学模型或语言模型参数，因此不存在优化器、学习率、梯度路径、参数冻结与解冻、早停或权重保存等训练环节。把无训练等同于结果确定是错误的，因为产出数据本身仍有说话人变异、录制环境变异与测量噪声，统计模型只是对这些变异建模，而非消除变异。

本研究实际执行的计算是既有工具的调用与统计拟合。调用部分包括用强制对齐器获得音节边界，用 Praat 获得基频，用平滑样条获得平滑轨迹，这些都是推理式计算而非训练。拟合部分包括用 lme4 包拟合线性混合效应模型，用 mgcv 包拟合广义加性混合模型，并用逐步简化选择最终模型。监督来源不是人工标注的韵律标签，而是实验操纵的语境条件，即完全不信与信息寻求的分组变量。随机效应与个体平滑承担了对说话人与条目差异的控制，但原文未报告超参数网格搜索或交叉验证细节，复述时应明确指出这一缺项，而不是从软件包名称推定默认实现细节。

被试、设备与样本量如何构成证据边界？

被试为 27 名美音英语使用者，其中女性 17 名，平均年龄二十岁，通过课程学分参与在线产出实验。设备是被试自有笔记本与麦克风，要求安静环境与稳定网络，实验约 15 分钟，含 3 次练习试次。这种在线自备设备的优点是取样便捷，代价是录音质量与环境噪声不如实验室可控，嘎裂声导致的剔除与句末置信区间变宽都与此有关。

条目与样本量方面，实验条目 10 个，填充条目 30 个，规范化被试 37 人。正式产出经对齐校正剔除口误样本，再经基频质量筛查剔除不可靠样本，最终进入分析的为 237 个样本。复述时必须同时交代条目数、被试数与最终样本数，因为统计效力的直观判断依赖这三者，而不是只记一个总数。

下面这张表把可核对的规模信息集中呈现，便于复现时核对分母。表中数字均来自原文连续句的逐字证据，不做四舍五入或单位改写。表前的问题是复现需要多大规模与何种采集条件，公平比较的前提是同一句框与同一在线朗读流程，指标方向是样本越大、控制越严则结论越稳。

表后需要如实说明代价与边界。在线采集降低了环境控制，句末嘎裂声导致部分低基频点被剔除，直接造成句末轨迹置信区间变宽，这是后文对句末低边界结论持谨慎态度的技术原因。条目仅 10 个且句框高度统一，优点是音节可比，代价是推广到其他主语、时态或自发对话时需要新的验证。规范化评分高于 5 分只说明材料可接受，不证明语境操纵完全等同于真实不信情绪。

测量位置与统计口径如何对齐到假设？

测量位置与假设一一对应，这是复述方法时最容易遗漏的细节。时长与基频描述量按音节切分，重点位置包括 when、主语 they、句末名词的重读音节与弱读音节、以及句末音节。双音节名词区分重读首音节与弱读第二音节，三音节名词区分弱首音节、重读中音节与弱末音节。这种细分使假设一中关于主语与名词重读音节的附加预测有了可检验的落点。

统计口径方面，静态模型按音节分别检验语境效应，动态模型以 when 偏移为零点比较整句轨迹差异。动态分析聚焦女性说话人数据，男性轮廓仅作描述性提及，例如女性在 are 上有清晰峰而男性在 are 与 they 上均有峰，但男性部分未进入广义加性混合模型拟合。复述时必须说明动态结论的性别边界，不能把女性轨迹的显著区间直接推广为全体说话人。

基频处理还有两处关键细节。一是基频按说话人均值做中心化后再比较，避免个体音高差异淹没语境效应。二是平滑轨迹经目检剔除不可靠样本，拟合离群值再按分位数阈值处理。这些预处理决定了显著区间的含义，即在剔除低质量点后的可比区间内差异显著，而不是原始录音每 1 帧都显著。

不信标记在 when 上有多大，在别处还剩多少？

核心结果集中在 when 上。时长方面，不论文末名词是双音节还是三音节，不信语境下的 when 都显著长于信息寻求语境。基频方面，不信语境下的 when 具有更低的均值、更低的最小值与更宽的极差，且效应跨音节数量与性别成立。论文据此判定 when 承载了强调重音，声学上实现为更低的音高目标后接更陡的上升，动态轨迹进一步显示谷更深、向后一音节的上升更陡。

下面这张表把 when 上的静态效应集中呈现，便于核对方向与显著性。比较问题是同一音节在两种语境下是否不同，公平条件是同一句框、同一音节切分与同一模型选择流程，指标方向是时长越长、均值与最小值越低、极差越宽则越支持强调重音。表中估计值符号受对照编码影响，解读应以文字描述的方向为准，即不信版本更长、更低、更宽。

表后解释需同时给出收益与反例。收益是时长与 3 个基频指标在 when 上一致指向强调重音，且动态模型显示谷深与斜率差异，这是支持假设一的最强证据。代价与反例是主语 they 在时长与基频描述量上均无显著语境差异，也未观察到更陡的上升，因此假设一中关于主语的附加预测未得到支持。复述时不能只讲 when 而隐去 they 的阴性结果，否则会夸大标记的分布范围。

音节时长 × 基频谷： 音节时长负责从时间维度标记强调，论文发现只在 when 上稳定拉长；基频谷负责从音高维度标记强调，表现为更低的 L 目标后接更陡的上升。两者分工不同但在 when 上汇合，共同构成强调重音的双通道证据，搭配理由是单一通道易受偶然变异影响，双通道一致才支持强调重音的判断。

名词重读音节与句末区域提供了什么补充证据？

转向 when 之后，句末名词重读音节提供了部分支持。静态描述量显示语境效应有限且与性别有关，双音节名词在不信语境下基频极差略窄，基频均值降低仅见于女性被试在双音节重读首音节与三音节重读中音节上。但动态模型揭示了静态未能捕捉的形状差异，即不信语境在名词重读音节上有更低的基频与更陡的向后上升。这说明仅看均值或极差可能漏掉谷形差异，动态建模在此处体现了增量价值。

句末区域的证据更弱且需谨慎。静态描述量在句末音节上未发现显著语境效应，两类解读都倾向于低或降边界。但动态模型显示从句末音节开始不信语境轨迹显著更低，结合句末音节基频均值更低与极差更窄的趋势，论文认为这为低边界假设提供了弱而趋同的支持，而非强证据。谨慎的原因是句末常出现嘎裂声，低基频点按规则被剔除，导致可用数据减少、置信区间明显变宽，部分区间甚至因数据不足而在作图中被排除。

下面这张表把名词重读音节与句末的补充结果与限制并置，比较问题是附加预测是否成立，公平条件是分音节、分性别与分名词音节数量分别检验，指标方向是均值越低、上升越陡、句末轨迹越低则越支持不信标记。

表后必须强调未胜出项与边界。主语 they 是明确的未胜出项，句末低边界只是弱支持而非确证，备选的上升边界未被支持但也不能说已被证伪到零。两类解读在 ToBI 范畴上都被描述为 when 与名词重读音节带上升性音高重音，差异不在范畴或对齐类别，而在谷深与斜率的梯度缩放，这正是论文强调需用量化轨迹模型而非仅靠范畴标注的原因。

哪些对照说明效应不是偶然的整体抬降？

把本研究的对照理解为消融的替代物，有助于初学者把握因果链条。第一类对照是位置特异性。如果不信语境只是让整句音高整体压低或语速整体放慢，那么 they 与句末音节也应出现与 when 同等稳健的时长与基频效应。但实际是时长效应只在 when 上稳健，主语无差异，名词重读音节效应限于部分性别与指标，句末静态无差异。这种位置特异性支持标记是局部的强调重音，而非全局的情绪性压低。

第二类对照是音节数量。双音节与三音节名词条件下 when 的时长与基频方向一致，说明 when 效应不依赖于句末名词长度。名词重读音节的动态形状差异在两类名词条件下也被描述为一致，只是承载重音的音节序号不同，这进一步支持效应与重音位置有关，而非与绝对句长有关。

第三类对照是性别与建模互补。静态效应在 when 上跨性别成立，而名词重读音节的均值效应仅女性显著，动态模型也只拟合女性数据。这种不对称提醒读者，名词处的结论外推到男性时证据不足。同时，静态未显著而动态显著的名词重读音节案例，说明若只用均值与极差会得出不支持的结论，而加入形状信息后转为部分支持。这不是模型堆砌，而是对同一信号的不同切面检验，复述时应保留这种方法论教训。

在承认什么限制后，结论依然成立？

直接报告的结论是说话人能用韵律区分两种解读，最大效应在 when、名词重读音节与句末区域。有限解释是 when 的强调重音得到确认，主语预测未得到支持，名词重读音节得到部分支持，句末低边界只得到弱支持。未验证的推测是把不信 since-when 问句等同于修辞性 wh 问句，论文明确保留了距离，指出有修辞解读不是成为修辞问句的充分条件，只能说两者在韵律对比模式上相似。

方法限制需要逐项点名。第一，在线自备设备与朗读式任务限制了生态效度，被试是按文字情境想象不信，而非真实对话中被冒犯或震惊。第二，样本为 27 人、10 个条目、高度统一的句框，推广到其他主语、时态、重音模式或自发语流时需重新取样。第三，句末嘎裂声导致低基频点剔除与置信区间变宽，使句末低边界的动态差异必须谨慎解读。第四，动态模型仅基于女性数据，男性轨迹只做描述，性别外推不足。第五，中间程度不信语境已采集但本文聚焦两端对比，梯度效应尚未报告。

相关性不是因果的提醒同样适用。语境与韵律的相关不能证明听者一定能利用这些线索正确识别解读，因为本文是产出实验而非感知实验，未测量识别率、反应时或交际收益。复述时若把产出差异直接写成听者可懂或交际更有效，就超出了证据。

要重做一遍，先固定哪些信息条件与计算？

复现的第一步是固定语境文本与呈现流程。每个条目准备场景描述、前文话语与解读许可信息，至少复现完全不信与信息寻求两端，中间条件可留作扩展。每个被试每个条目只呈现一种条件，条件在被试间平衡，顺序随机，练习试次不少于 3 次，指导语强调自然、无迟疑、可重录。填充句应包含陈述句、极性问句与 wh 问句，以稀释目标结构。

第二步固定句框与切分。句框采用 Since when are they NOUN，名词选用重音位置已知的双音节与三音节词各若干，记录每个音节的重读属性。对齐先用强制对齐器再人工校正，口误样本剔除并记录比例。基频提取注明工具、性别上下限、离群剔除规则与平滑方法，基频中心化到说话人均值，时间归一到每音节中位数帧数并以 when 偏移为对齐点，这些参数是轨迹可比的前提。

第三步固定统计。静态部分按音节分别拟合含语境、音节数量、性别及交互的线性混合效应模型，用信息准则简化并报告随机截距结构。动态部分拟合含基线时间平滑与按语境、音节数量变化的平滑及其交互的广义加性混合模型，加入被试与条目随机效应与个体平滑，并报告显著区间而非仅报告某点 p 值。复现时应预先说明缺失项，例如原文未给出完整的模型公式文本与全部超参数，拟合时需记录所用软件包版本与简化路径，以便他人比对。

资源状态方面，原文引用的在线实验平台链接在本次核查中显示可用，但这只说明平台页面可达，不等于本研究的代码与数据已公开，复述时不可把平台可用写成数据开源。

何时值得借用这套做法，还需补哪项验证？

当你的研究对象也是字串相同但语境不同、且内省提示重音或边界可能不同时，这套做法值得借用。具体做法是先把语境写成可朗读的 3 段材料，再把待检验位置拆到音节并固定重音属性，然后用静态描述量定位、用动态轨迹刻画形状，最后用位置特异性对照排除全局情绪解释。这种先定位后刻画的顺序，比一开始就做范畴标注更适合捕捉梯度差异。

还需要补的验证至少有三项。第一是感知实验，检验听者能否仅凭 when 的时长与谷深、名词重读音节的斜率以及句末高低区分两种解读，并报告混淆率。第二是更自然的对话取样，检验实验室朗读效应在自发不信表达中是否保留。第三是跨性别与跨条目的扩展建模，把男性轨迹纳入动态模型，并增加条目多样性以检验音节数量之外的韵律因素。

回到中心矛盾，同一字串的两种含义不是靠字面解决，而是靠说话人在 when 上投入更多时间与更深的音高谷，并在名词重读处与句末以更低的轨迹收尾来标记不信。记住阴性结果同样重要，主语 they 的无差异与句末证据的脆弱性，正是这篇论文可信度的来源，也是你向他人复述时必须保留的部分。

📐 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

← 返回 speechprosody-2026 论文汇总