整句里的手势为何不再决定重音：西班牙语节拍手势效应的整句检验

英文题目：Assessing the Effect of Beat Gestures on the Perception of Lexical Stress in Full Spanish Sentences

会议身份：conference:speechprosody:2026:conference-paper-id:cos26_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 #韵律 #言语感知 #音视频 #音视频理解

评分：5.8/10 | 创新 0.8/2 | 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 0.7/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Floris Cos：机构信息未能从会议 PDF 纯文本可靠映射
• Lieke van Maastricht：机构信息未能从会议 PDF 纯文本可靠映射
• Hans Rutger Bosker：机构信息未能从会议 PDF 纯文本可靠映射
• Matteo Maran：机构信息未能从会议 PDF 纯文本可靠映射
• Esther Janse：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理完整西班牙语句子中词汇重音感知，输入为含最小重音对动词的音视频句子，输出为代词选择的重音归属判断，难点是句中非焦点词声学线索弱且音节级手势对齐难以分辨。方法链分三步推进：先录制16个动词的现在时与过去时句子并插值时长与基频等参数构建听觉连续统，其输出的歧义档位进入下一步筛选；再经听觉预筛选确定接近25%、50%、75%反应的档位并将拍手势顶点对齐至倒数第二或最后音节，形成16动词各5音频档与2手势条件的刺激；最后用在线二选一任务同时记录选择与反应时并以混合效应模型分析。相对既往单手势遮脸孤立词设计，本研究保留说话人面部并采用多手势自然变体，实际意义是以生态效度换取手势线索可靠性下降，从而检验自然语速下的线索加权。在主实验反应时任务条件下，音频模糊性效应的β指标为-135.659，低于拍手势对齐与音频阶交互效应的β指标-3.451。结论的适用边界仅限中等语速自然句子中的清晰至中度模糊语音，尚未验证噪声或退化语音及第二语言者等外推情形。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://doi.org/10.34973/p4q6-z265 → https://data.ru.nl/collections/ru/cls/cue_integration_multimodal_l1_l2_speech_dsc_691 — 链接可访问（HTTP 200）
• 复现相关资源：https://doi.org/10.34973/p4q6-z265 → https://data.ru.nl/collections/ru/cls/cue_integration_multimodal_l1_l2_speech_dsc_691 — 链接可访问（HTTP 200）
• 第三方资源：https://www.R-project.org/ — 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，本文要核对什么？

本文解读的输入是论文原文文字与 3 张官方原图像素，目标是让刚进入语音与音乐音频领域的研究生能复述方法并核对实验条件。必须保留的信息包括被试构成、材料数量、声音与视频操作方式、任务指令、统计模型编码与关键数字。本文不做营销式判断，只讲论文实际做的事。

研究的问题是日常面对面交流中视觉节拍手势是否改变西班牙语词汇重音的听知觉。白话说，词汇重音指同一个音段序列靠重音位置区分词义或词形，例如 HAblo 表示我在说与 haBLÓ表示他说了。节拍手势指说话时手部短促的上下摆动，不指具体事物，但时间上与口语韵律紧密相连。论文要检验的中心矛盾是孤立词中已报告的手动麦格克效应在更自然的整句中是否仍然可靠。

输出是一个在线实验的完整链条：先用听觉预测试选出声音连续体，再把同一个手势顶点分别对齐到动词倒数第二音节或末音节，接着让被试看含脸的视频并选择代词，最后用混合效应模型分析选择比例与反应时。学习依赖是先理解任务与相关路线，再看方法全景与组件计算，然后进入构造与推理过程、实验条件、结果与反证，最后收束到复现要点。

此前孤立词路线做出了什么，整句路线补什么缺口？

此前路线主要用孤立词测试节拍手势对重音知觉的影响。论文回顾指出，对西班牙语最小重音对，当手势对齐第一音节时被试更可能听到 SW 型 HAblo，当对齐第二音节时更可能听到 WS 型 haBLÓ。荷兰语研究也报告了类似效应，且在声音模糊或降质时效应更大。眉毛动作的虚拟人研究进一步说明视觉线索可以支持西班牙语重音知觉。

整句路线要补的缺口是生态效度。孤立词中每个关键次都处于焦点位置，声音线索相对清晰。而论文引用的西班牙语研究指出，非焦点位置尤其是句中位置的重读音节与非重读音节在声学上高度重叠，听者判断变异大，个别项目正确率甚至低于机遇水平。按直觉这反而应给视觉手势留下更大帮助空间。论文因此提出线索整合视角：手势是与音高、强度和语速等听觉线索持续整合的一路线索，其权重随可靠性灵活变化。

需要区分的边界是短语重音与词汇重音。手势标记短语层面的焦点已有较多证据，但词汇层面要求分辨相邻音节，时间精度要求更高。论文没有把短语层面的结论直接搬到音节层面，而是把音节对齐可分辨性当作待检验的可靠性问题。这也是后文讨论语速与手势变异的伏笔。

要回答的具体问题与预期是什么？

具体问题是当关键动词嵌入句中位置且句子对动词无语义偏向时，手势顶点落在倒数第二音节还是末音节是否改变听到的重音型。论文选用以-ar 结尾动词的第一人称单数现在时与第三人称单数过去时，例如 repreSENto 与 represenTÓ，二者音段相同仅重音型不同。这样可以把任务收紧为 SW 与 WS 的二分类。

预期分为两层。第一层是分类预期：手势落在倒数第二音节时，被试更可能把最后两个音节听成 SW；落在末音节时更可能听成 WS。由于句中非焦点词的声音线索可能更不可靠，论文甚至预期整句中的效应可能比孤立词更强。第二层是反应时预期：当手势与清晰的声音重音一致时反应更快，即清晰 SW 配倒数第二音节手势更快，清晰 WS 配末音节手势更快。

任务设计用间接测量避免注意偏差。被试不是直接判断重音落在哪个音节，而是判断句子中适合填 yo 还是 ella，分别对应 repreSENto 与 represenTÓ。论文说明选用 ella 而不用él 是为了在 I 解读下形容词与女性说话人保持一致。这是一个教学例子：间接任务的目的是让视觉注意保持自然，而不是考语法。

方法全景：一个样本如何走完输入到输出？

沿一个样本走一遍。以句子 Oficialmente repreSENto a la ciudad de Málaga 为例，输入是女性卡斯蒂利亚西班牙语说话人 2 次录制的含手势视频与音频，1 次读现在时，1 次读过去时。表示阶段把最后两个音节的时长、基频轮廓与平均强度在两个端点之间线性插值，形成 11 级声音连续体，再经听觉预测试压缩为 5 级。组件阶段把视频分为脸层与身体层，脸层保持口唇与音频同步并在所有条件中恒定，身体层通过增删帧移动手势顶点。目标是让同一个声音配两种视觉对齐。输出是被试在视频播放中或播放后最多 3000 ms 内按 F 或 J 键作答，外加看到白色十字时按空格的 पकड़试验。

关键控制是句子结构统一为状语开头加动词加名词或状语，动词位于句中且无语境偏向。论文报告句子平均长度与动词长度，并给出录制规格，这些数字后文制成可核对的表格。手势本身是右手张开取向的清晰上下动作，录制时要求落在动词上，实践中自然落在重读音节。

推理阶段没有训练神经网络，而是用统计模型做推断。分类用逻辑混合效应模型，反应时用线性混合效应模型，自变量包括手势对齐、声音步骤与声音模糊度，随机截距覆盖被试与项目。理解这一层才能读懂结果中的回归系数。

声音组件：连续体如何从 11 级变为 5 级？

声音操作针对每个动词最后两个音节。论文以现在时与过去时录音为端点，对时长、基频轮廓和平均强度做线性插值，每次步进 10%，得到 11 级。端点经过处理但保留原始超音段特征。接着把中间第 2 到第 10 级做成孤立动词，在听觉预测试中让被试判断听到的是最小对中的哪一个。

选择规则是累积最接近 25%、50% 与 75% 的 SW 反应比例，加上处理后的两个端点，共同构成正式实验的 5 级词汇重音连续体。白话说，声音模糊度指该等级离中间有多远，中间最模糊，两端最清晰。论文把声音步骤编码为负 2 到正 2 的居中数值变量，清晰 SW 为负 2，清晰 WS 为正 2，再取绝对值得到模糊度变量，范围从最模糊的 0 到最清晰的 2。

节拍手势 × 词汇重音： 节拍手势分工是提供视觉时间标记，其顶点大致落在被强调音节附近；词汇重音分工是区分像 repreSENto 与 represenTÓ这样仅重音位置不同的词形；搭配理由是手势顶点与哪个音节对齐就暗示重音在哪个音节，组合意义是把视觉时间信息作为听觉音高、时长和强度之外的额外重音线索参与整合。

这一组件的分工是保证听觉难度可控且跨动词可比。不同动词的绝对声学值不同，但通过各自预测试选出相对位置相近的模糊点，可以避免某个动词整体偏 SW 或偏 WS。后文图 1 展示的正是单个动词 llegar 的选择过程。

视频组件：脸与身体分层如何只移动手势？

视频操作的目标是在不破坏口唇同步的前提下只移动手势时间。做法是把原始现在时视频沿水平方向切为脸层与身体层。脸层不动，保证口型与音频协调，且在同一句子的所有声音与手势条件下保持恒定，从而排除口型变化的混淆。身体层负责承载手势，通过复制或删除开头若干帧来提前或推迟手势顶点，使其对齐到动词最后两个音节中某一个音节的元音。

对齐精度用帧时长换算。论文把元音起点与手势顶点的时差除以单帧时长 20 ms，得到需要移动的离散帧数，并在结尾剪切或延长以维持原时长。由于只能移动整数帧，残余错位不可避免，但论文报告平均绝对错位仅为 5 ms，说明离散化代价有限。

手动麦格克效应 × 双选项迫选任务： 手动麦格克效应分工是指出手势对齐改变听到的重音类别；双选项迫选任务分工是用 yo 与 ella 两种代词选择间接推断被试听到的是现在时还是过去时词形；搭配原因是直接问重音会引导被试注意手势，改问代词可以隐蔽测量知觉，组合意义是让手势效应必须通过语义一致的选择行为表现出来。

声音连续体 × 声音模糊度： 声音连续体分工是用插值构造从清晰 SW 到清晰 WS 的 5 个等级；声音模糊度分工是把该等级取绝对值后量化为从最模糊 0 到最清晰 2 的程度；搭配原因是只有连续可控的声音难度才能检验手势是否在模糊时作用更大，组合意义是把听觉可靠性变成可回归的数值预测变量。

线索整合 × 线索可靠性加权： 线索整合分工是把听觉重音线索与视觉节拍线索持续合并为一个知觉决定；线索可靠性加权分工是根据当前语境中每个线索的可辨别程度动态放大或压低其影响；搭配原因是整句中语速更快、对齐更难分辨会直接降低手势可靠性，组合意义是解释为何孤立词中显著的手势效应在整句中被听觉线索压倒。

倒数第二音节 × 末音节： 倒数第二音节分工是承载 SW 型如 repreSENto 的重音位置；末音节分工是承载 WS 型如 represenTÓ的重音位置；搭配原因是实验只移动同一个手势顶点去对齐这两个相邻元音，从而在声音完全相同时制造最小视觉对比，组合意义是把重音知觉问题转化为相邻音节时间对齐的分辨问题。

与此前遮脸研究不同，本文保留说话人脸部以提高自然度。代价是引入了 16 个运动学上略有差异的手势，而不是所有试次复用同一个手势。论文在讨论中把这种变异视为更自然但可能降低线索可靠性的因素。

本研究有无模型训练？真实计算是什么？

本研究没有训练神经网络、声学模型或手势生成模型，也没有更新任何可学习参数，因此不存在优化器、梯度路径、冻结与解冻或早停等安排。把无训练等同于确定性求解是误解，系统的输出仍然依赖人类被试的随机行为与统计估计的不确定性。

真实计算分为 3 类。第一类是信号构造计算：用 Praat 标注元音起点、用 ELAN 标注手势顶点，再按帧时长换算并增删视频帧；音频端对时长、基频与强度做线性插值。第二类是行为数据采集计算：在线记录按键选择与以动词偏移为零点的反应时，并按规则剔除动词偏移前反应与超出总均值 3 个标准差的反应时离群值。第 3 类是统计推断计算：在 R 中使用 lme4 与 lmerTest 拟合分类与反应时混合效应模型，估计固定效应与被试和项目的随机截距。

缺项需要明确指出。论文未报告混合模型随机斜率结构、收敛细节与多重比较校正，也未给出试次级原始反应时均值表，只报告了回归系数与图形趋势。复现时不能从软件包名称推定随机效应结构，必须按论文文字只设随机截距，并在记录中注明该缺项。

实验条件：被试、材料、流程与分析编码如何固定？

先看可核对的材料与被试规模。下表把论文明确报告的数量、规格与分组依据整理为五列，阅读时先确认比较问题是正式实验的刺激总量与录制基准是否一致，再核对每格数字与单位是否与原文写法相同。表头方向是项目越完整、规格越明确则复现越可行，数量本身无好坏之分。

表后解释需要同时看到收益与代价。收益是材料量与规格交代完整，16 乘 5 乘 2 等于 160 的乘积可直接验算，录制规格与句子长度为复现提供了明确锚点。代价是手势自然变异与语速偏快可能压缩两种对齐的时间差，后文报告的 193 ms 对比此前 303 ms 正是该代价的量化。未胜出项是预测试只用孤立动词第 2 到第 10 级，端点未参与筛选，因此正式实验端点的清晰度依赖处理假设而非直接筛选。

流程上实验在线经 Gorilla 实施，要求佩戴耳机并用强度辨别任务检查。每个被试完成 176 个试次，含 16 个脸部叠加白色十字的 पकड़试验，要求看到十字按空格以保证注视视频。试次以 500 ms 空白与 500 ms 注视点开始，随后播放视频，被试可在播放中作答，视频后还有最多 3000 ms 窗口。练习 4 个试次含 2 个 पकड़试验，中途有 1 分钟休息，实验中位时长 38 分钟。分析编码上分类因变量把 yo 记为 1、ella 记为 0，手势对齐为偏差编码，倒数第二音节记负 0.5，末音节记正 0.5，声音步骤为居中数值变量。

以下导读针对预测试选择逻辑，重点是理解 5 级连续体并非等距物理量，而是按知觉比例选出的相对位置，阅读时把横轴步骤与纵轴比例分开看，不要把曲线斜率直接当成效应量。

看图路径： 1. 先看横轴预测试声音步骤 2 到 10 与纵轴 SW 反应比例 0 到 1 的整体下降形态；2. 再找三条虚线 0.25、0.50、0.75 对应的期望比例位置；3. 最后确认红色圆圈标出的第 6、7、8 步如何落在期望比例附近并被选为正式实验的模糊步骤

论文图 1。原论文 Figure 1：“Proportion of Strong-Weak responses for each Pretest Audio Step for the verb llegar “to arrive”.”。

该图显示以 llegar 为例的预测试曲线：横轴是预测试声音步骤 2 到 10，纵轴是 SW 反应比例，曲线从左侧接近 1.00 经第 6 步约 0.90 下降到第 7 步约 0.52 再到第 8 步约 0.10，第 9 与第 10 步接近 0。虚线标出 0.25、0.50 与 0.753 个期望比例，红色圆圈选出第 6、7、8 步作为正式实验的模糊步骤。这种选法保证每个动词的中段落在知觉中点附近，而不是物理插值的几何中点。像素不能精确读出小数后 2 位时不要硬写，应以趋势与选中位置为准。

分类结果：声音主导、手势无可靠差异意味着什么？

先提出比较问题：在声音步骤、模糊度与手势对齐同时进入模型时，哪一路可靠地改变 yo 反应比例，指标方向是 SW 反应比例随声音变 WS 样而下降。下表把论文直接报告的回归数字按效应组织为五列，阅读时注意 β 符号方向与显著性结论，不要把不同模型的 β 混为同一指标。

表后解释要给出主要收益与具体反例。收益是声音步骤效应极强，说明连续体操作有效，被试确实跟随听觉线索作答。代价或反例是手势主效应与手势与模糊度的交互均不显著，且截距显著为负显示整体偏 WS 反应，说明连续体存在不对称偏置。未胜出项正是研究假设的手势效应，它在数值上朝预期方向但置信区间跨过零，不能作为支持证据。

以下导读针对正式实验的分类曲线，重点是看两条手势线是否分离，纵轴是原始 yo 比例而非改善量，两线重叠表示无可靠差异，不能把轻微上下直接读成效应。

看图路径： 1. 先沿横轴声音步骤 1 到 5 看 yo 反应比例从约 0.97 下降到接近 0 的主趋势；2. 再比较红色倒数第二音节对齐与深色末音节对齐两条线在每一步的重叠程度；3. 注意步骤 2 到 4 附近的误差棒是否分离，以判断手势条件有无可靠分叉

论文图 2。原论文 Figure 2：“Proportions of yo-responses (i.e., responses congru- ent with verb forms ending in an SW stress pattern) as a function of acoustic Audio Step and visual Beat Alignment.”。

该图横轴是正式实验声音步骤 1 到 5，两端标注 repreSENto 与 represenTÓ，纵轴是 yo 反应比例。曲线从步骤 1 约 0.97 经步骤 2 约 0.53、步骤 3 约 0.28 下降到步骤 4 约 0.09 与步骤 5 约 0.03。红色倒数第二音节对齐与深色末音节对齐几乎全程重叠，仅在中间步骤有极小分离且误差棒高度重叠。这与模型中手势 β 为负 0.142 但 p 为 0.265 的结论一致：方向符合预期但不可靠。结合后文效应量对比，该无显著不是证明手势永远无效，而是当前整句条件下的权重证据不足。

反应时与对照分析：一致性手势是否加速加工？

反应时分析的比较问题是手势与声音一致时是否更快，指标方向是反应时越短表示加工越顺畅。论文在分类模型基础上额外加入手势与声音步骤的交互，以检验一致性加速假设。报告显示模糊度效应显著，声音越模糊反应越慢，而手势与声音步骤交互不显著，β 为负 3.451，标准误 8.982，t 为负 0.384，p 为 0.701。手势主效应、声音步骤主效应与手势和模糊度交互也均不显著，后三者论文只给出 β 为 1.057、负 6.492 与 15.209 而未附完整检验量。

这组阴性结果的价值在于排除了用速度换准确性的替代解释。如果分类无差异但反应时有差异，仍可主张手势影响了加工过程；现在两路均无可靠手势相关效应，支持在当前条件下手势权重较轻的解释。但限制是反应时以动词偏移为零点且剔除了偏移前反应，测量的是决策后段而非纯在线整合窗口。

以下导读针对反应时曲线，重点是先确认倒 U 形由声音模糊度驱动，再看手势线是否在端点处分开，误差棒重叠则不作加速结论。

看图路径： 1. 先看横轴声音步骤 1 到 5 与纵轴反应时约 1000 ms 到 1300 ms 的倒 U 形；2. 再比较两种手势对齐曲线在清晰端点与中间模糊步骤的相对高低；3. 检查每个点的误差棒重叠情况，判断一致性手势是否带来可靠加速

论文图 3。原论文 Figure 3：“Response times (measured from verb form offset) as a function of acoustic Audio Step and visual Beat Alignment.”。

该图横轴同样是声音步骤 1 到 5，纵轴是自 verb form offset 起算的反应时，单位为 ms。曲线呈倒 U 形：步骤 1 约 1000 ms 到 1060 ms，步骤 2 与步骤 3 升至约 1300 ms，步骤 4 回落至约 1210 ms，步骤 5 回到约 1080 ms。两种手势对齐曲线在全程高度重叠，步骤 1 处红色线略低但误差棒仍重叠。这与模型结论一致：模糊度主导反应时，手势一致性无可靠加速。像素能辨别的毫秒数只是近似趋势，不应作为精确均值引用，精确推断以论文回归系数为准。

为何整句效应变小？语速、手势与任务带来什么限制？

论文讨论了 4 个相互关联的限制。第一是语速与时间差。整句材料更自然但语速更快，动词音节更短，两种手势对齐的平均时差为 193 ms，而此前孤立词研究为 303 ms。时间差越小，判断手势对准哪个音节越难，手势作为重音线索的可靠性下降。反应时同样需要在更紧的时间窗内完成视听整合。

第二是手势变异。本文用了 16 个运动学略有差异的自然手势，而此前研究复用同一手势或虚拟人眉毛动作；加上整数帧移动带来的微小对齐变异，可靠性进一步稀释。论文还提到眉毛动作可能因更短促而更容易定位音节，这可以作为待验证的解释而非定论。

第三是脸部与任务。论文保留脸部以提高生态效度，并论证脸层在条件间恒定且口型对手势效应的干扰小于手势本身，因此脸部不是主要混淆。但任务从词汇辨别变为形态句法一致判断，可能引入额外加工机制，这是作者承认的边界。第四是知觉不对称。数据整体偏 WS，论文引用手势领先比滞后更易被知觉为同时的研究，推测倒数第二音节手势更易被听成落在末音节，这属于可能而非已验证的机制。

下表把效应量与数据质量数字并置为五列，目的是区分小效应与数据不可靠两种不同结论，指标方向是置信区间越窄且远离零则证据越强。

表后解释需强调总体趋势不等于每组都成立。总体上声音主导、手势区间跨零，但不能推广为手势在噪声、降质语音或第二语言听者中也无效。论文明确提出在听觉线索不可靠时手势权重可能上升，这与此前降质语音中效应更大的发现一致。未评测边界包括噪声环境、不同语速操纵与听者群体差异，这些都需补验证才能谈应用。

复现先做什么，需要哪些材料与统计设置？

复现起点是获取官方材料与数据。论文声明所有材料与数据可在对应链接获得，资源状态显示两条数据集与复现资源当前可用，状态码为 200，R 语言官网当前可用。按证据应写为当前可用与已公开，但仍需在复现记录中注明访问日期与版本号，因为链接可达不等于内容永久不变。

材料复现要按顺序重建。先准备 16 个-ar 动词的最小对与其句中语境，句子以状语开头，动词后接名词或状语，避免语义偏向。录制女性卡斯蒂利亚西班牙语说话人两种词形的整句视频，要求在动词上做右手张开取向的上下节拍动作，视频 50 fps 与音频 48 kHz。音频端对最后两音节的时长、基频轮廓与平均强度做 10% 步进的 11 级插值，取第 2 到第 10 级做听觉预测试，按 25%、50%、75% SW 比例选 3 级加两端构成 5 级。视频端切分脸层与身体层，脸层恒定，身体层按 20 ms 帧长移动手势顶点到目标元音，结尾补齐时长并核对平均残余错位。

行为与统计复现要注意在线实施细节。经 Gorilla 呈现，要求耳机并做强度辨别检查，每人 176 试次含 16 个白色十字 पकड़试验，试次结构为 500 ms 空白加 500 ms 注视点再播放视频，播放中可答，播后窗口最多 3000 ms，中位时长约 38 分钟。分类模型以 yo 为 1、ella 为 0，手势偏差编码为负 0.5 与正 0.5，声音步骤居中为负 2 到正 2，模糊度为其绝对值，随机截距设被试与项目。反应时以动词偏移为零点，剔除偏移前与超总均值 3 个标准差的反应。

常见误解是把 5 级理解为物理等距或把手势顶点理解为手部静止点。论文的手势顶点是最大伸展点，对齐目标是元音起点附近，5 级是知觉等距而非毫秒等距。另一个误解是把无显著读成无效应，正确表述是未发现可靠证据且区间包含零与较小正负值。

何时值得尝试手势线索，还需补哪项验证？

综合判断是整句自然语速下节拍手势对西班牙语词汇重音最终选择的增量价值在本实验中未得到可靠支持，但声音连续体有效且模糊时反应变慢的规律清晰。这支持线索整合框架下的轻权重解释：当音节级对齐难以分辨且手势本身有变异时，听觉线索压倒视觉时间线索。

何时值得尝试取决于可靠性条件。如果应用场景是安静整句且听觉清晰，增加手势对齐精度的投入回报可能有限。如果场景是噪声、 vocoded 降质、非焦点弱化严重或听者对西班牙语重音敏感度较低，手势仍可能因听觉权重下降而获得更大作用，但这需要新实验验证，不能从本文直接承诺。教学上可把本文当作生态效度与实验控制权衡的例子：保留脸部、使用多手势与整句语速提高了自然度，代价是稀释了待测效应的可检测性。

还需补的验证至少三项。第一是语速操纵实验，在同一批动词与同一手势下比较慢速与自然语速，检验 193 ms 与 303 ms 时差是否为效应边界。第二是手势可靠性操纵，比较同一手势复用与多手势变异、眉毛动作与手部动作，分离线索类型与变异的影响。第三是人群与环境扩展，测试噪声、降质语音与第二语言听者，并预注册随机斜率与不对称偏置的处理。只有补足这些，才能判断手势在何种信息条件下值得作为可部署的重音辅助线索。

📐 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 19 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