敬畏的声音为何又慢又轻又稳：单字韵律中时长、音高变化与共振峰稳定的分工

英文题目：Prosodic features of awe: What makes the voice sound in awe?

会议身份：conference:speechprosody:2026:conference-paper-id:coulombe26_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 #语音情感识别

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 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

• Valerie Coulombe：机构信息未能从会议 PDF 纯文本可靠映射
• Vincent Martel-Sauvageau：机构信息未能从会议 PDF 纯文本可靠映射
• Laura Monetta：机构信息未能从会议 PDF 纯文本可靠映射
• Maxime Montembeault：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理从单字语音韵律中表达与识别敬畏的问题，输入为31名魁北克法语者按情景表演的/papa/发音，输出为敬畏相对愤怒、恐惧、悲伤、愉悦惊奇、喜悦的声学差异及听者判为敬畏的声学预测因子。难点在于敬畏与愉悦惊奇、喜悦、悲伤在效价与唤醒度上重叠且缺乏已知声学标记，易被误判为相邻情绪。方法分三步推进：先录制切分得到372个语音文件并由5名专家听众完成1860人次识别评分，评分求和构成敬畏识别得分进入后续分析。再用openSMILE提取扩展eGeMAPS的88个特征，并以情绪为固定效应的线性混合效应模型筛选编码特征并按相关性去冗余。最后以敬畏识别得分为因变量做线性回归与多项逻辑回归，前步保留的时长与基频变异等量进入后步预测检验以确定解码线索。与已有基本情绪韵律研究相比，该工作把敬畏单独作为低至中等唤醒的积极情绪建模，并区分说话人意图编码与听者感知解码两条证据链，具有细粒度情绪定位意义。在372个单字/papa/语料的听者解码任务下，时长对敬畏识别得分的回归系数β为0.76，高于音高变异性f0 CoV对同一得分的回归系数β的0.13。该结论适用边界受限于受控表演的单字短语、年长魁北克法语群体与实验室听辨条件，尚未验证自发敬畏、长句与跨语言泛化，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

敬畏为什么难研究：能听出来，但声学轮廓不清楚

本文的输入是论文原文提供的文字证据，目标是让刚进入语音、音乐与音频领域的研究生能够核对原文并复述方法，输出是 1 篇按学习依赖展开的中文技术解读。必须保留的信息包括说话人数量与构成、单字材料、6 种情绪、声学特征集名称、编码与解码两套统计流程、关键效应方向与报告的统计量，以及单字表演语料带来的泛化限制。本文不引入原文之外的数值或效果判断，教学用的举例会明确标为例子。

敬畏在这里指一种复杂的正性情绪状态，常被描述为兼有提升感与平静感，典型诱发情境包括自然、艺术、道德之美与科学思想。白话说，效价回答愉快还是不愉快，英文为 valence；唤醒度回答激活强还是弱，英文为 arousal。维度观点一般把敬畏放在正效价、低到中等唤醒的象限，这为理解误判提供了线索：敬畏可能在声学上同时接近其他正性情绪与低唤醒情绪。先前感知工作报告，听者可以高于机会水平从韵律中识别敬畏，但常把意图为敬畏的表达误判为愉快惊讶、喜悦或悲伤。也就是说，听辨证据显示敬畏有可感知的韵律签名，但其声学轮廓仍 largely unknown，这是本文要补的缺口。

效价 × 唤醒度： 效价指愉悦还是不愉悦，负责定位情绪的正负方向；唤醒度指激活水平高还是低，负责定位情绪的能量强弱。二者搭配构成 2 维情绪空间，理由是仅用离散标签无法解释敬畏为何同时被误听为愉快惊讶、喜悦和悲伤，组合后才能把敬畏放在正效价、低到中等唤醒的区域来理解其声学上的中间性。

对于初学者，需要先建立声音与情绪的基本映射。基频对应听到的音高高低，英文为 fundamental frequency，记作 f0；能量或振幅对应响度；时间组织对应语速与时长；频谱与音质线索对应音色明暗与嗓音质地。

论文把这些声学特征看作概率性线索，连接说话人的情绪状态与听者的感知推断。经典的编码到解码框架就是先看说话人如何发出区别，再看听者如何据此判断。本研究只讲这一项任务，不做语音合成，也不做自动情绪分类器的训练与部署比较。

这项工作站在哪条线上：多情绪韵律与敬畏感知

同输入、同目标的直接前序是作者此前的感知研究，同一批语料已经被 5 名专家听辨过，发现非演员表演的敬畏韵律可被识别但存在特定混淆。同监督的含义是，本文的解码因变量仍然来自那次听辨的标签选择与置信度评分，而不是重新招募听者或改用连续维度评分。同运行阶段的含义是，产生与感知都发生在受控的单字朗读条件下，而非自然对话或自发敬畏记录。

更宽的相关路线包括跨文化的 12 类语音情绪感知工作，以及近三十年的情绪韵律声学综述，它们共同说明愤怒、恐惧、喜悦、悲伤等情绪在韵律模式上有可靠差异，也说明韵律可以传递十余种情绪类别。本文的差异在于聚焦敬畏这一个此前声学细节很少的类别，并同时回答表达如何调节与感知依据什么线索两个问题。维度模型在这里不是竞争方法，而是解释框架，用于把敬畏放在效价与唤醒的 2 维空间中理解它为何处于喜悦、惊讶与悲伤之间。

需要避免的误解是，把类别差异直接当作同条件胜负。本文没有让不同自动识别系统在同一测试集上比赛，也没有报告跨语料的泛化准确率，因此不能从本文得出敬畏比其他情绪更容易识别的一般结论。原文的贡献表述是提供初步的声学轮廓描述与识别线索，这属于报告层面的措辞，后文会用具体调节方向与预测系数来支撑。

要回答的两个具体问题是什么？

第一个问题是编码问题：当说话人意图表达敬畏时，相比意图表达愤怒、恐惧、悲伤、愉快惊讶、喜悦，声学特征如何被调节，调节幅度与方向是什么。第二个问题是解码问题：哪些声学特征能够预测听者把一个声音标为敬畏的程度，以及在多选归因中如何把听者推向或推离敬畏。

两个问题的输入输出不同。编码的输入是意图情绪标签，输出是声学测量值，控制变量包括说话人个体与相同的/papa/音段内容。解码的输入是声学测量值，输出是听者的敬畏归因分数或多类归因选择，不再以说话人意图为正确与否的标准。举例来说，教学例子：同一个/papa/录音，说话人本意是喜悦，但若其时长很长且元音很稳，听者仍可能高置信地标为敬畏，解码分析关心的是后者。

本文的可核对边界是，全部结论都限定在表演性单字、魁北克法语、中老年非演员、实验室或安静居家录音、标准化诱发脚本的条件下。超出这些条件，例如自发长句或跨文化语料，原文未提供证据，应表述为待验证。

方法全景：同一批录音如何走完产生与感知两条链路？

沿一个样本走完全程有助于建立整体图像。假设 1 名说话人拿到敬畏脚本，其任务是用同一个词/papa/演出敬畏。录音经过幅度校准与人工切分，得到一个单句音频文件。接着用 openSMILE 的扩展 eGeMAPS v2 特征集从每个文件提取 88 个特征，这些特征是对 40 个声学描述符做统计或函数汇总，覆盖频率、能量、频谱、时间与倒谱特性。然后同一录音对应两类标签：一是说话人的意图标签即敬畏，二是 5 名听者各自给出的感知标签与 1 到 7 的置信度评分。编码分析用意图标签解释声学，解码分析用声学解释感知标签。

编码分析 × 解码分析： 编码分析负责回答说话人为了表达预定情绪如何调节声音，以意图情绪为自变量；解码分析负责回答听者听到什么声学变化时会给出敬畏标签，以听者的敬畏归因分数为因变量。二者搭配的理由是产生与感知不必然一致，组合后才能区分说话人确实做出的敬畏动作与听者真正使用的敬畏线索。

诱发方式值得单独说明。每个情绪配两个标准化短脚本，共 12 个录音。敬畏的两个脚本分别描绘第一次看到北极光与观看名画，依据是原型敬畏诱发情境。这种做法的安排理由是保持语义可比的同时激发目标情绪，但它仍是按指令表演，不是自发体验。录音设备为 Tascam DR-40，隔音室用机内立体声话筒，居家安静房间用 Shure SM-10A 头戴话筒，文件为波形格式，采样率 44.1 千赫兹，位深 32 位。每次录音开始时用声级计测量发声强度，录音中保持口与话筒距离与角度不变，之后在 Praat 中按监测强度做幅度校准，使样本强度可比，再人工看波形切分出每人 12 个单句文件。

统计工具为 Jamovi，显著性阈值为 p 小于 .05。编码用线性混合效应模型，情绪为固定因子，说话人为随机截距；解码先做相关筛选，再做多元线性回归与多项逻辑回归。原文未报告神经网络训练，因此不存在模型权重更新与梯度路径问题，训练一节将明确说明这一点。

组件与计算：88 个特征如何缩减为可解释的 6 个与 3 个？

声学组件的核心是 eGeMAPS 特征集。白话说，它是一套为嗓音与情感计算设计的最小化声学参数集，本文用的是扩展第二版。每个音频文件得到 88 个特征，不是原始逐帧序列，而是对基频、能量、频谱、倒谱等描述符取均值、范围、变异系数等汇总统计。这样做的好处是每个单字样本变成等长向量，便于跨情绪比较，代价是丢失了字内时间曲线的细节。

基频 × 基频变异系数： 基频指浊音段平均振动频率，对应整体音高高低，负责回答声音是高还是低；基频变异系数指基频标准差除以均值，负责回答音高起伏有多大。在本研究中二者分工不同：平均基频用于描述敬畏的音高位置偏低但高于悲伤，变异系数用于预测听者是否听出敬畏，搭配理由是位置与动态是两个独立维度，组合后才能同时解释敬畏既不高亢又仍有起伏的特点。

等效声级 × Alpha 比率： 等效声级指平均声能量，对应响度和发声强度，负责回答声音响还是轻；Alpha 比率指 50-1000 赫兹与 1-5 千赫兹能量之比，负责回答音色偏暗还是偏亮。在本研究中二者搭配是因为响度与频谱平衡都属于能量分布但层面不同，组合后才能说明敬畏既整体更轻，又在高频能量上更少，即轻且暗。

特征缩减分两条线进行。编码线先把 88 个特征逐个放入以意图情绪为固定因子的线性混合效应模型，说话人作为随机截距，保留情绪主效应显著的特征，原文报告为 29 个。然后检查它们之间的互相关，若相关绝对值大于 .50，则视为同一底层声学维度，只保留最可解释且理论动机最强的代表，最终剩下 6 个：平均基频、基频范围、等效声级、句时长、Alpha 比率、第一共振峰变异系数。

解码线先计算 88 个特征与敬畏识别分数的皮尔逊相关，保留显著相关的 33 个，再按同样的高相关阈值去冗余，剩下 20 个候选预测变量，最后经多元线性回归确定 3 个显著预测变量：时长、基频变异系数、第一共振峰变异系数。阈值 .50 与显著性 .05 是原文明确给出的选择规则，未报告其他阈值的敏感性分析。

听者分数的构造也属于组件。白话说，复合识别分数回答听者多么确信地听到敬畏，英文可理解为 composite recognition score。具体做法是，对每个录音，把选择敬畏标签且置信度为 2 到 7 的评分加总，置信度为 1 表示没有识别出任何情绪，从后续分析中排除。该分数不区分说话人本意，因此一个本意为喜悦的录音也可能得到很高的敬畏分数。多项逻辑回归用的子集更严格，要求 5 名听者中至少 3 人一致的 277 个 token，以敬畏为参照类，估计声学变化如何改变被归为其他情绪的相对几率。

本研究训练了什么：明确说明没有模型训练，只有统计拟合

本研究没有训练神经网络、没有更新声学模型权重、没有优化器迭代与反向传播过程，也没有训练集与验证集划分用于早停或超参数搜索。必须明确这一点，避免把统计回归误称为训练。实际发生的计算是 3 类：第一类是用 openSMILE 按固定规则提取特征，属于确定性信号处理调用，不涉及学习；第二类是用线性混合效应模型估计情绪固定效应与说话人随机截距，属于基于数据的参数估计，但不是深度学习意义上的训练；第 3 类是用线性回归与多项逻辑回归拟合听者分数与归因选择，同样是统计拟合。

因此不存在冻结与更新的神经层划分，也不存在梯度是否截断的问题。监督来源是两类人工标签：编码的监督是意图情绪，是实验指令赋予的类别；解码的监督是听者的标签选择与置信度，是感知判断。重置时机、学习率、批量大小等概念在本研究中不适用，原文也未报告。若要复述方法，应说研究者调用了已有特征提取工具与统计模型，而不是说研究者训练了一个敬畏识别器。把无训练等同于结果确定是错误的，统计拟合仍有抽样变异与模型假设，显著性只表示在设定模型下效应不太可能由随机波动解释。

实验条件：谁说的、谁听的、比什么、如何聚合？

说话人侧的条件是 31 名魁北克法语母语者，其中女性 17 名、男性 14 名，年龄 41 到 76 岁，在魁北克招募，无显著表演或歌唱背景。每人用/papa/表演 6 种情绪，每种情绪两个脚本，共每人 12 条，合计 372 条。6 种情绪包括 3 种负性即愤怒、恐惧、悲伤与 3 种正性即喜悦、愉快惊讶、敬畏，其中高唤醒 4 类，相对低唤醒两类即悲伤与敬畏。听者侧的条件是此前研究中的 5 名专家听者，对全部 372 条评分，共 1860 个试次，每试次从 6 个标签选一并给出 1 到 7 的置信度。多项回归只用至少 3 人一致的 277 条，这种筛选提高了归因的稳定性，但也意味着难判断样本被排除，结论更适用于可识别度较高的声音。

比较的公平条件是音段内容完全相同，均为/papa/，因此跨情绪差异可归因于韵律而非音素组成。录音后的幅度校准保证了强度可比，人工切分保证了时长测量起点终点一致。指标方向需要分开理解：编码指标是声学值本身，高低好坏取决于情绪假设；解码指标是敬畏分数越高表示越被听成敬畏，多项回归中的几率比大于 1 表示更可能被归为非敬畏，小于 1 表示更可能留在敬畏。统计方法包括第 3 类 F 检验看情绪主效应，估计边际均值比较敬畏与其他情绪的差异，相关筛选看单调关联，回归系数看控制其他变量后的独立贡献。

下表把可运行的实验规模放在一起核对，表中数字全部来自原文连续句，单位与精度保留原文写法。表前的问题是：在什么样本量与协议下讨论敬畏效应，条件是否足以支撑跨情绪比较。公平条件是同一批 372 条录音同时用于编码与解码，听者数据复用此前收集结果。

表后解释需要同时看到收益与代价。收益是音段恒定使韵律比较干净，且 372 条与 1860 试次为混合模型提供了重复测量结构，说话人随机截距可以吸收个体基线差异。代价是单字极短，限制了可观察的韵律策略，长句中可能出现的停顿、重音分布与语调曲线无法展开。未胜出或未覆盖的边界包括自发敬畏、年轻群体、其他法语变体与其他语言，原文在局限中明确承认受控单字对自然言语的泛化有限。资源状态方面，本次没有发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，只能说方法使用了公开工具名称，复现仍需自行重建脚本与语料。

主结果：敬畏的产生轮廓与听者使用的三条线索

编码结果报告，敬畏相比其他情绪的产生特点是时长更长、强度更低、音色更暗、元音发音更稳，音高位置偏低但高于悲伤，音高范围较宽但窄于愉快惊讶。具体而言，平均基频上敬畏低，但仍高于悲伤；基频范围上敬畏宽，但窄于愉快惊讶；等效声级上敬畏轻于喜悦、惊讶、愤怒与恐惧，但略响于悲伤；时长上长于其余 5 种情绪。

Alpha 比率上低于愤怒、恐惧、惊讶与喜悦，表明高频能量相对较少；第一共振峰变异系数上低于除喜悦之外的其他情绪，喜悦与敬畏在此无显著差异。这些是原文用估计边际均值与显著性标记报告的方向性结论，应表述为显示或报告，而非因果断言。

解码的线性回归识别出 3 个显著预测变量，时长是最强预测变量，基频变异系数为正向弱贡献，第一共振峰变异系数为负向贡献。白话说，声音越长越容易被听成敬畏，音高起伏越大略微增加敬畏判断，元音越不稳定则降低敬畏判断。多项逻辑回归进一步显示，在高一致子集中 3 个预测变量都显著改善模型拟合，时长对所有非敬畏类别均为负系数，意味着拉长强烈降低被归为喜悦、惊讶、悲伤、愤怒或恐惧而相对留在敬畏的几率。

基频变异对喜悦、悲伤、愤怒、恐惧为负系数，有利于敬畏，但不能可靠区分惊讶与敬畏；第一共振峰变异对惊讶、悲伤、愤怒、恐惧为正系数，元音变异越大越容易离开敬畏。

下表整理了解码侧报告的统计量，表中比较对象均为原文实际可运行的统计策略，不引入外部基线。表前的问题是：哪些声学线索在控制共线后仍独立预测敬畏归因，效应方向与强度如何。指标方向是回归系数为正表示增加敬畏分数，几率比小于 1 表示相对敬畏的几率下降。

表后解释要看到主要收益与具体代价。收益是时长效应在连续分数与多类选择中一致出现，支持时间扩展是敬畏感知的核心线索。代价或反例是基频变异无法区分惊讶与敬畏，第一共振峰变异在喜悦对比上仅边缘显著，说明三线索组合仍有混淆边界。这与先前敬畏被误听为愉快惊讶、喜悦的模式一致，支持敬畏处于正效价、低到中等唤醒区域的解释，但相关性不是因果，原文也未测量因拉长而必然引起敬畏的操纵实验。

本段之后插入本次实际收到像素的官方原图，图注为情绪归因概率随声学值变化的函数。图前导读如下：该图包含上下两个面板，横轴分别为标准化后的基频变异系数与第一共振峰变异系数，纵轴为被归为各情绪的概率，多条颜色曲线代表不同情绪类别，需要先确认图例再比较曲线随横轴的升降，不要把某条曲线的下降直接读成整体性能变差。

看图路径： 1. 先看横轴是否为标准化后的声学值，纵轴是否为被归为某种情绪的概率；2. 再对比上方面板中随基频变异增大而上升与下降的不同颜色曲线；3. 最后看下面板中随第一共振峰变异增大而明显上升的那条蓝色曲线与其他曲线的走向差异

论文图 2。原论文 Figure 2：“Probabilities of emotion attribution as a”。

对可见内容的解释是：上方面板显示随基频变异增大，不同情绪曲线的概率走向出现分化，部分曲线下降而代表敬畏趋势的曲线在中高区间保持相对优势，这与正文报告的基频变异有利于敬畏但难分惊讶的结论方向一致；下面板显示随第一共振峰变异增大，一条蓝色曲线明显上升而其他曲线持平或下降，表明元音不稳定时听者更倾向离开敬畏，这与第一共振峰变异负向预测敬畏的回归结果相互印证。

由于像素分辨率有限，不硬读具体概率数值与拐点位置，精确统计量以正文报告的卡方、系数与几率比为准。未胜出项是惊讶在上方面板中与敬畏接近，这正是需要保留的负结果边界。

时长 × 第一共振峰变异系数： 时长指整个/papa/发音的总时间长度，负责时间扩展程度；第一共振峰变异系数指第一共振峰标准差除以均值，负责元音发音在整句中的稳定程度。二者搭配的理由是一个管时间拉伸，一个管发音控制，组合后才能刻画听者眼中的敬畏是拉长但不松散、放慢但保持控制的声音。

如果拿掉某条线索会怎样：冗余控制与参照类比较

本文没有深度学习意义上的消融实验，但有等价的冗余控制与多变量比较。编码侧从 29 个显著特征按高相关阈值删减到 6 个，解码侧从 33 个相关特征删减到 20 个候选再回归到 3 个显著变量。这种做法回答的是：在高度相关的声学测量中，哪些代表性变量在控制共线后仍携带独立方差。原文未报告拿掉时长后模型拟合下降多少的具体增量，只能说三变量在多项回归中各自显著改善拟合，不能补写拿掉后必然怎样。

多项回归以敬畏为参照类的设计本身就是一种对照展开。它分别估计时长、基频变异、共振峰变异变化时，听者选择喜悦、惊讶、悲伤、愤怒、恐惧相对敬畏的几率如何移动。结果显示时长对 5 个对比均为负系数，是一致性最强的分离线索；基频变异对 4 个对比为负但对惊讶不显著；共振峰变异对 4 个对比为正而对喜悦仅边缘显著。这种不对称说明敬畏的声学边界不是到所有情绪等距，而是到惊讶与喜悦更近。

另一个隐含对照是意图与感知的分离。编码显示敬畏的平均音高与音高范围处于中间位置，解码显示听者更依赖时长与稳定性而非平均音高。这提示平均音高可能是产生侧的描述特征，但不是感知侧的主要决策线索。若只看产生均值会高估音高的识别作用，必须回到回归系数才能避免误读。

哪些结论不能推广：单字表演与工具汇总的代价

原文明确承认使用受控单字表演限制了向自然言语的泛化。单字/papa/的好处是隔离韵律与音段差异，代价是无法观察长句中的语调短语、停顿与话轮行为，也无法检验敬畏在叙述高潮处的动态展开。表演性诱发的好处是每种情绪样本均衡，代价是与自发敬畏的强度与真诚度可能不同。说话人年龄集中在 41 到 76 岁且为魁北克法语，听者为 5 名专家，这些信息条件必须在复述时保留，不能默认适用于年轻群体、其他语言或众包听者。

测量侧的限制包括 eGeMAPS 汇总统计丢失了时变细节，幅度校准依赖录音开始时的声级计读数与恒定话筒位置，居家与隔音室设备不同可能引入环境差异，尽管校准已尽量使强度可比。统计侧未报告跨说话人留一验证或跨语料测试，因此回归系数是在本语料内的拟合结果，不应表述为可部署识别器的准确率。原文也未测量延迟、计算成本与误判率的社会影响，不承诺这些量得到改善。

缺失证据不是技术错误。没有公开代码与数据链接的说法必须谨慎：本次资源状态为未发现绑定且完成验证的资源，因此只能说当前不可用或未能确认，不能写已公开。总体趋势不等于每组都成立，例如敬畏轻于多数情绪但响于悲伤，宽于多数但窄于惊讶，这类中间位置恰是理解混淆的关键。

复现先做什么：按原文重建语料、校准与统计

复现的第一步是重建诱发与录音协议。准备六情绪各两个短脚本，敬畏用北极光初见与名画观看的原型情境，其他情绪用典型情境，保持文本指导语标准化。招募时记录母语变体、年龄、性别与表演经验，原文明确排除有显著表演或歌唱背景者。录音时固定设备、话筒距离与角度，开始时用声级计记录强度，保存波形格式并记录采样率与位深，之后在 Praat 中做幅度校准与人工波形切分，每人保存 12 个单句文件。

第二步是特征与听辨重建。用 openSMILE 扩展 eGeMAPS v2 对每个文件提取 88 个特征，核对特征数与描述符覆盖。听辨需 5 名听者独立判断，每试次六选一并给出 1 到 7 置信度，置信度 1 视为未识别并排除，按选择敬畏且置信度 2 到 7 加总得到复合分数。第三步是统计重建。编码对每个特征拟合情绪固定效应加说话人随机截距的混合模型，保留显著者再按相关绝对值大于 .50 去冗余。

解码先做与敬畏分数的相关筛选与去冗余，再做多元线性回归，最后在至少 3 人一致子集上以敬畏为参照拟合多项逻辑回归。关键超参数与信息条件是显著性 .05、冗余阈值 .50、子集一致数 3，这些必须原样保留才能比较。

还需补的验证包括更换阈值的敏感性、留一说话人验证、自发语料与长句扩展、跨语言检验。若目标是教学复述而非发表，至少应能说清每个数字来自哪一步：372 来自 31 乘 12，1860 来自 372 乘 5，277 来自高一致筛选，6 与 3 来自两条去冗余链路。

何时值得尝试这种解释：慢、轻、稳的组合何时有用？

当研究问题涉及正性低唤醒情绪的语音表达，且语料可以控制音段内容时，本文的解释值得尝试。它的可迁移点不是具体阈值，而是分工思路：用时长捕捉时间扩展，用等效声级与 Alpha 比率分别捕捉整体响度与频谱明暗，用基频均值与范围区分位置与动态，用第一共振峰变异捕捉发音控制。若新语料是长句，需要补充语速、停顿与语调曲线等时变特征，不能直接套用单字结论。

对初学者的实践建议是，先复述编码方向再复述解码方向，避免把产生均值当作感知权重。遇到敬畏与惊讶难分时，应检查基频变异是否不足以分离，再看时长与共振峰稳定性是否提供互补信息。遇到敬畏与悲伤难分时，应检查强度与音高位置的中间性，以及唤醒度解释是否适用。所有判断保留原文措辞层级：方向性差异用报告或显示，空间定位用支持，机制如沉思性停顿或超越体验用可能或待验证。

最终收束是，本文在限定条件下提供了敬畏韵律的初步轮廓：时间上拉长，强度上放轻，音色上偏暗，发音上更稳，听者最看重时长，其次看音高起伏与元音稳定。这一组合既区别于高唤醒正性情绪，也区别于低唤醒悲伤，但与惊讶和喜悦仍有重叠，这正是敬畏在效价与唤醒空间中位置的声学回声。

📐 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 14 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