核前基频变化为何不显著：模仿、插值与局部上升的证据

英文题目：*On the limited salience of variation in prenuclear F0*

会议身份：conference:speechprosody:2026:conference-paper-id:cole26_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：4.8/10 | 创新 1.0/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 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

• Jennifer Cole：机构信息未能从会议 PDF 纯文本可靠映射
• Jeremy Steffman：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为六音节短语核重音前非重读段的F0轨迹，输出为核重音为高调H还是降调H+!H及降阶!H*时核前形态是否可分的判断，难点在于局部峰附近调音与跨音节插值或核前重音的贡献难以分离。方法链分三步：先用双模型人声的直线近似刺激诱发五种曲调模仿以控制目标；再经STRAIGHT提取F0并做跳变剔除与按音节十点时间归一化进入统一表征；最后以广义加性混合模型检验曲调间差异平滑，并以时序k均值聚类发现无监督分组与函数主成分分析量化变异模态互证。相对以往只看重音音节附近峰谷对齐的工作，差异在于把长核前区间作为检验对象并三角互证，实际意义在于澄清插值是否受控及降调前上升起点约束。在模仿生产任务语料下，女性模型声的F0指标为340 Hz，高于男性模型声的F0指标为180 Hz。在30名美式英语人的3272条保留轨迹上除Late与Linear核前上升外其余曲调对在归一化时间某处显著可分，四聚类退化为三元有效区分。结论适用边界仅覆盖短语末核重音前的高与降调模仿语料，尚未验证自发语、长句与感知显著性。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://doi.org/10.32614/CRAN.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

研究要回答什么：核前基频是独立控制还是向核峰过渡？

输入是美式英语短语的基频曲线，目标是判断核前非重读音节上的基频形状是否具有可辨的类别意义。必须保留的信息包括 5 种刺激调形、30 名模仿者、六音节载体句、归一化时间上的曲线比较以及 3 种互补分析。输出是 1 篇可核对的方法复述，帮助研究生复现从刺激构造到曲线建模的完整链条。本文只讲原文实际做的模仿生产实验，不扩展到感知或语用推断。

英语音高重音传统上用重音音节附近的高低目标和动态变化来区分，例如高重音在重音音节内或之后达到峰，降重音在重音音节之前达到峰然后下落，低重音在重音音节早期达到低目标。已有生产与感知证据多集中在重音音节附近的最大值、最小值和峰对齐，对非重读跨度上的过渡多假设为直线插值或高目标之间的下垂过渡。

原文的缺口正在于此：当短语以高重音或降重音结尾，前面有一串非重读音节时，通向峰的上升是从句首就开始线性爬升，还是直到重音附近才启动，是否因核重音是高还是降而不同，这些都没有被系统检验。

音高重音 × 基频目标： 音高重音是与短语重读词的突出音节相关联的音系类别，负责规定突出位置上应出现高、低或升降中的哪一种；基频目标是该类别在语音上的实现锚点，即在重音音节附近要达到的相对高点或低点与时间对齐。两者搭配的理由是：仅有类别名称无法预测可测量的基频曲线，仅有逐点基频又无法归纳为可对比的类别，目标与对齐把类别翻译为可检验的曲线预测，组合后新增的作用是让高重音与降重音的峰位置差异可以在重音音节左右被直接比较。

理解这一点后，才能明白为何作者要构造 3 种核前上升形态去逼出被试的控制参数。

已有路线把区别放在哪里，本文把探针放在哪里？

同输入同目标的已有路线是美式英语核调形的生产与感知研究。生产侧报告焦点条件影响高重音与上升重音的出现率，并在重音音节附近测得最大值差异；模仿任务报告高目标与低目标、峰谷在音节边界两侧的稳健区分。感知侧显示听者能依据重音音节内外的目标与动态区分重音类别，语义启动与数量含义推导研究也显示晚峰与早峰、不同高升重音在促进推理上有差异。

这些工作的共同运行阶段是重音音节局部，监督来源是类别标注或焦点条件，比较条件是重音附近的定点测量。本文的探针不同：把观察窗前移到核重音之前的全部非重读区间，用相同的核降重音搭配不同的核前轨迹，用相同的核前高重音搭配不同的核重音，检验被试是否保留刺激中的起点差异。同监督的对照是刺激标签，同运行阶段是整句模仿生产，因此可以直接问插值假设是否成立。若核前差异只是插值附带结果，模仿应收敛。

若核前有独立目标，模仿应保留 3 种起点。原文没有承诺核前差异对应语用含义，也没有测量听者能否听辨这些核前差异，这是后续感知实验需要补的验证。

问题如何形式化：同样的核峰，不同的来路算不算不同？

以一个样本走完全程有助于建立直觉，这里明确标为教学例子。设载体句为六音节短语，核重音落在最后三音节词的首音节，即全句第五个音节。输入是听到的模型调形，输出是被试在目标句上复述的基频曲线。第一种来路是晚起上升：前部低平，到核音节前才快速上升到峰然后在核音节下落。第二种是线性上升：从句首到峰近似直线爬升。

第 3 种是上升加高平台：中途上升到高位后保持一段高平再进入核降。3 种来路都可以到达相似的核前峰，只是起点与斜率不同。问题形式化为：在归一化时间上，被试的曲线是否保留这 3 种起点差异，还是合并为更少的形状类；高重音的低核前加核内晚峰是否独立于上述三者；带核前高重音的降调是否与平台合并。

判断标准不是单点高度，而是整条曲线的差异位置与主形状维度。原文用显著性平滑差异、 bottom-up 聚类和主成分分数三方证据来回答，避免只依赖一种平滑的偶然显著。

方法全景：从模型刺激到三路曲线分析

方法全景分为 4 段。第一段构造刺激：2 位美式英语母语者录制基底句，用直线近似连接语调地标，操纵目标高度与时间地标。时间地标除降调中的半音节地标外均为音节边界，目标高度取各自音域五分位的近似值并经自然度调整。第二段采集模仿：每试次播放同一调形的 2 个模型句，由不同说话人读出并平衡顺序，被试随后读出屏幕上的目标句。

第三段测量基频：用 STRAIGHT 估计基频并做说话人特定量程设置，经自动程序剔除跟踪跳变，每条曲线按音节归一化为每音节十点共六十点。第 4 段 3 路分析：广义加性混合模型检验调形间何处不同，时序 k 均值聚类检验无标签曲线自然分成几类，函数主成分分析提炼形状维度并用贝叶斯多变量模型比较各调形的主成分分数。

核重音 × 核前区间： 核重音是短语中最后一个短语重音，决定全句主要调形在句末重读音节上的实现；核前区间是该重音之前由非重读音节构成的时间跨度，承载从句首过渡到核峰的基频运动。两者搭配的理由是：若只看核音节本身，线性插值、晚起上升和高平台上升都可以到达相似的核峰，无法区分控制参数；把核前区间与核重音联合观察，才能判断上升起点是分散在整个区间还是被约束在重音附近，组合新增的作用是把插值假设转化为对起点时间的显式检验。

3 路结果互相约束：若平滑显示晚起与线性无差异，聚类应把二者分到同一簇，主成分分数也应在该维度上无方向性差异。

刺激组件如何搭建：地标、高度与五种调形

刺激组件的核心是把连续基频写成地标加高度的折线。举例说明，图一上排为降重音核，核前分别对应晚起、线性与上升平台 3 种折线；下排左为核前高重音加降核，右为单一高重音核。高度参数直接给出：女性说话人从低到高为 160、199、241、288、340 赫兹，男性为 90、110、132、155、180 赫兹，作者按自然度做了微调。时间参数以音节边界为地标，例如地标一指第一与第二音节边界，唯一的例外是降调高在第二音节中点加地标。调形选择依据美式英语重音图式与作者对感知显著性的判断，目标是让降与降调听起来显著。

线性插值 × 短语重音附近的局部上升： 线性插值指在前后两个语调事件之间用直线式过渡连接基频，起点早、斜率平缓；短语重音附近的局部上升指基频在重音音节或其紧邻位置才快速抬升，前部保持低平。两者分工不同：前者强调起点可以在非重读跨度内自由分布，后者强调运动被吸引到突出位置。搭配理由是原文 3 种刺激正好分别实例化了这两种机制，组合意义在于用模仿是否保留直线与平台来判断被试把核前变化当作独立目标还是当作向核峰过渡的附带运动。

这种构造的教学意义在于：直线段不是随意画的，而是把插值假设具体化为可模仿的线性刺激，把局部上升假设具体化为晚起与平台刺激，从而让模仿结果可以直接证伪其中一种实现方式。需要指出的缺项是原文未报告每条折线的完整地标高度对照表，复现时只能依据图一示意与上述五分位高度重建近似刺激，不能声称逐赫兹还原。

本研究没有训练神经网络，计算发生在拟合与降维

本研究没有训练阶段，没有神经网络权重更新、梯度路径冻结与解冻、早停或优化器超参数。真实的计算是 3 组统计拟合。第一组是自回归广义加性混合模型，以说话人中心化的 ERB 为因变量，调形为参数项，调形随归一化时间的平滑为非线性项，加入按说话人和词语的参考与差异平滑作为随机效应，用检查函数决定基函数数量，拟合后用差异平滑判断调形对在何处分离。

第二组是时序 k 均值聚类，对每个说话人每个调形的平均曲线做无监督分组，先看最优的两类解，再看与显著性数量对应的 4 类解，用热图回看调形到簇的映射。第 3 组是函数主成分分析，把每条曲线写成均值曲线加各主成分曲线与分数乘积之和，取前 3 个主成分，再用贝叶斯多层模型以调形预测各主成分分数，含按说话人和词语的随机截距与调形随机斜率，用弱信息学生 t 先验，取边际均值与可信区间比较方向性差异。

广义加性混合模型 × 函数主成分分析： 广义加性混合模型负责在归一化时间上逐点检验不同调形曲线是否存在显著差异，并容纳说话人和词语的随机效应；函数主成分分析负责把整条基频曲线压缩为少数主变异模式，刻画峰高、前后平衡和边界峰形等整体形状差异。两者搭配的理由是：前者回答哪里不同，后者回答以何种形状维度不同，组合新增的作用是用差异位置与形状维度的交叉验证来确认晚起与线性合并、高重音单独成类的结论不是单一方法的假象。

三者都不更新刺激或声码器参数，只是对已采集的曲线做推断，因此不存在训练集泄漏或过拟合到测试说话人的问题，但存在平滑自由度与聚类数选择对结论的影响，原文用多方法交叉来缓解。

实验条件：被试、句子、试次与测量如何对齐？

被试为 30 名美式英语母语者，任务为模仿生产。模型句与目标句各三句，均为六音节，目标句在重读模式下核重音预期落在末尾三音节词的首音节，即第五音节。模型句包括 Lavender、Marilyn、Jeremy 相关载体，目标句包括 memory、Madelyn、Normandy 相关载体。每试次先播两个同一调形但不同说话人的模型句，说话人顺序平衡，产生 12 种模型配置，复制为 24 种呈现，再与 3 个目标句搭配但未完全交叉以控制总量。每种调形重复该集合 1 次，共一百二十试次。

基频用 STRAIGHT 按说话人量程估计，经基于逐点差分的自动程序剔除跟踪错误，剔除比例为 9%，剩余 3272 条轨迹进入分析。每条轨迹时间归一化为每音节十点共六十点，幅度转为说话人中心化的 ERB。随机效应同时考虑说话人与词语，意味着结论已在一定程度上排除特定人或特定句的偶然形状。下表把关键规模与参数放在同一视图中比较，阅读时注意单位与聚合对象：人数是被试数，试次是每人总量，轨迹数是剔除后的曲线条数，高度是刺激目标赫兹，主成分是方差占比。

表前提出比较问题：在相同句子框架与相同归一化采样下，5 种刺激的规模是否足以支撑整曲线比较，刺激高度与采样密度是否为复现提供了可执行参数。

表后解释：该表的收益是给出可直接照做的实验规模，30 人与一百二十试次在语调模仿中属于中等规模，六十点采样保留了上升起点与峰位置的形状信息。代价是未完全交叉模型句、目标句与顺序，词语效应只能靠随机效应吸收而不能做全因子分解；9% 的剔除若集中在特定调形或高音区，可能轻微抬高或压低峰高估计，复现时应报告分调形的剔除率。未胜出的细节是线性刺激本身：它在设计上是公平的插值对照，但在结果中并未被保留，这不是设计失败，而是恰好构成对插值显著性的反证。

数据与代码条件：哪些可运行，哪些需重建？

数据、脚本与补充图存放在开放科学框架仓库，链接在原文方法节给出。分析依赖的 R 包在参考文献中列出，包括用于平滑的广义加性模型工具、用于聚类的纵向数据包、用于贝叶斯多层模型的包以及用于边际均值的包，其中边际均值包的可用性经本次核查为可访问，状态码为二百，可写当前可用。硬件预算与运行时间原文未报告，复现时需自行记录。

划分方面没有训练集测试集划分，所有曲线同时用于拟合与推断，聚合对象为说话人与词语，统计通过随机效应与可信区间处理重复测量。采样为每音节十点的时间归一化，幅度为说话人中心化 ERB，这种双重归一化有利于比较形状但会抹掉绝对音高与绝对时长信息，因此关于起点时间的结论是相对时间结论，不能直接翻译为毫秒。

复现先做的是重建 5 种折线刺激并用相同归一化流程处理自采数据，再跑通平滑加聚类加主成分的最小流水线，最后才比较晚起与线性是否分离。

主结果：哪些调形被区分，哪些合并为一类？

主结果按问题组织。测什么：5 种模仿曲线在归一化时间上何处分离。与谁比：两两调形间的差异平滑，以及无标签聚类与主成分分数的交叉。条件是否一致：同一批说话人、同一归一化采样、同一随机效应结构。指标方向：差异平滑的可信带是否排除零，主成分分数的方向性概率是否达到 9% 十五。

关键数字：除 1 对外所有调形对都在某处显著分离，合并的 1 对是降核前的晚起与线性核前上升；前 3 个主成分分别解释 30%、二十五和十六的方差；两类聚类把高重音单独成类，其余 4 种归为一类；4 类聚类实际呈现三元区分。支持的判断是核前变化的显著性有限：起点差异没有被完整保留，上升均被吸引到重音附近。

限制是这只是生产显著性，未测量感知可辨性与语用功能。以下导读针对广义加性混合模型拟合图，上面板为 5 条曲线叠加，下面板为分面展示，横轴为区间比例时长，纵轴为中心化 ERB，虚线分隔核前与核区，紫色带标出核重音音节。

看图路径： 1. 先看上面板五条曲线的整体位置：浅蓝高重音在核前段最低、在核音节内形成晚峰；2. 再看下面板四个小图：左下晚起与线性两条曲线几乎重合，右下平台刺激的模仿呈早峰加长降；3. 对照虚线与紫色核音节区：比较各调峰顶相对虚线是落在核前、边界还是核内；4. 注意阴影带宽度：判断晚起与线性在核前段的重叠是否支持二者未被区分

论文图 2。原论文 Figure 2：“GAMM fits for the tunes over normalized time.”。

解释可见内容：上面板中浅蓝高重音曲线在核前段位置最低，在紫色区内达到晚峰后下落，与其余 4 条在核前较高、在核区下落的曲线形成交叉；下面板左下晚起黄色与线性深绿几乎全程重合，仅在峰顶高度有轻微差异，右下平台深色曲线峰更早更高、前部爬升更早，左上降核阶梯深蓝曲线呈早峰加缓降。像素不能精确读出逐点数值，因此此处只报告相对位置与重叠关系，不硬写峰值赫兹。可执行结论是：若复现中得到晚起与线性分离，需要检查平滑自由度或归一化是否引入了伪差异，否则应接受二者合并。

细节深挖：平台为何消失，降核与降调核有何不同？

除核心合并结果，论文特有细节值得展开。第一，平台刺激的模仿没有高平段，而是更早更高的峰加跨重音的长降，这与双重音调形的早峰形状相近，二者在 4 类解中被分到同一簇。这支持上升启动位置比平台保持更重要，被试宁可提前达到峰也不维持平顶。第二，晚起与线性刺激的模仿均为在重音附近启动的晚上升，峰位于核音节起点附近，随后在核音节下落，说明即使刺激起点分布在整个核前区间，生产仍把运动压缩到局部。

第三，高重音的核前保持低平，上升起点紧贴重音音节起点，峰在重音音节内，这种低核前加晚峰在主成分空间中孤立，与其余 4 种的高核前加核降形成对照。第四，降核前的上升峰高于高重音前的谷，但 4 种非高重音曲线在整体高度上连续变化，没有清晰断裂，这与生产中高与降的局部动态差异稳健、核前高度差异渐变的格局一致。这些细节共同说明控制参数可能是峰相对重音的位置与核区动态方向，而非核前起点绝对时间。

教学例子可设为：若把平台刺激的高平段缩短一半，预测模仿仍不会出现半长平台，而是峰位置轻微前移，该预测待验证，不能当作已报告事实。

反证与分组：聚类和主成分如何交叉验证合并？

把聚类与主成分当作对平滑结果的消融式反证来读。测什么：无标签形状自然分成几类，以及形状变异的主要维度。条件一致性：同一组归一化曲线，只是聚类用说话人平均曲线，主成分用全部曲线。最优两类解的划界依据是核区动态：核前高加核低落为一类，核前低加核高峰为另一类，前者包含除高重音外的 4 种模仿，后者几乎全是高重音模仿。

4 类解进一步拆出三元结构：晚峰高重音独占一簇，晚起与线性共享以核边界峰为特征的一簇，平台与双重音共享早峰加长降的一簇，剩余一簇不区分调形。主成分曲线显示：第一主成分调节整体峰高且核区权重更大，高分对应更低的曲线；第二主成分调节核前与核区的此消彼长，高分对应更低的核前与更高的核并把峰从核前移向核内；第三主成分刻画核边界处的突出峰。

边际均值显示高重音在主成分空间中明显分离，其余 4 种在第一主成分上呈连续渐变而无断裂，平台在第二主成分上略有分离但其模仿并未复现平台直线。下表总结形状证据，阅读时注意区分显著性位置与形状维度是不同指标，不能把主成分方差占比当作分类准确率。

表后解释：主要收益是三方法指向同一结论，晚起与线性合并的证据最强，平台刺激的高平在模仿中消失转为早高峰，说明被试没有把直线与平台当作目标来保持。具体代价是 4 类解中有一簇不区分调形，表明除三元结构外仍有个体变异未被解释；主成分渐变意味着除高重音外其余差异更像程度差异而非范畴对立。未胜出项是线性插值与高平台，它们在刺激中存在但在生产中缺席，这是本文标题中有限显著性的直接来源。

边界与未验证：什么还不能说？

原文直接报告的是生产中的合并与局部化，支持的是核前起点差异显著性有限，有限解释是插值起点受重音吸引，未验证的是该差异是否在感知中不可辨、是否携带语用含义、是否适用于更长或变速短语。缺失证据不是技术错误，但必须明确：未测量误判率、反应时、推理延迟与标注一致性，不能承诺核前简化会改善识别或合成自然度。总体趋势不等于每组每步成立，例如平台在第二主成分上仍有轻微分离，说明个别说话人或词语可能保留部分高度差异。

训练资源、推理开销、输出帧率与实际延迟在本研究中不适用，因为没有可部署模型，只有统计拟合成本。另一个边界是载体固定为六音节且核在第五音节，若核前区间更长或包含次重读，起点约束可能不同。最后，刺激高度基于五分位近似加主观自然度调整，不同音域说话人的等效感知高度未经等响校准，跨性别比较高度时需谨慎。

复现清单：按原文重走一遍需要做什么？

复现先准备句子与刺激。用 3 模型句与三目标句，保持六音节与核在末词首音节的结构，按 2 位说话人的五档高度重建折线刺激，时间地标取音节边界并在降调中点加例外地标。采集时每试次播放同一调形两个说话人的版本并平衡顺序，每人完成一百二十试次。测量时用 STRAIGHT 按说话人量程估计基频，用逐点差分自动程序剔除跳变并报告分调形剔除率，时间归一化为六十点，幅度转为说话人中心化 ERB。

分析时先拟合带说话人与词语随机平滑的广义加性混合模型并检查差异平滑，再对说话人平均曲线做时序 k 均值聚类并查看两类与 4 类解，最后做函数主成分分析并用贝叶斯多层模型比较分数。若晚起与线性分离，先检查基函数数量、归一化锚点与剔除是否偏向某调形。还需补的验证包括感知辨别实验、不同长度载体、不同语速以及分性别的高度等效性。

代码开源指分析脚本在开放科学框架可查，权重下载不适用，系统可运行指重建刺激与流水线后可在新数据上运行，不等于开箱即用的工具包。

何时值得尝试这种思路，如何避免常见误解？

当研究问题涉及非重读跨度上的过渡是独立目标还是附带运动时，本文的对比逻辑值得借鉴：用相同的核搭配不同的核前来路，用相同的核前高度搭配不同的核动态，再用整曲线三方法交叉验证。常见误解之一是把直线刺激当作自然目标，实际上直线只是插值假设的操作化，被试不保留直线恰好说明该假设在核前区间不成立。

误解之二是把聚类数当作音系对立数，实际上两类解回答高与非高的最大划分，4 类解回答更细的形状分组，只有结合差异位置与主成分维度才能谈范畴性。误解之三是把平均曲线重合当作每个被试都合并，实际上阴影带与未区分簇表明个体变异仍存在。收束判断是：在本实验的短语框架与模仿条件下，核前基频变化的显著性有限，上升启动被约束在重音附近，核区动态是更稳健的区分线索。

这一判断的适用条件必须与实验条件一起记忆，推广到长句、自发语或感知显著性之前需要新的数据。

📐 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 2 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