低后元音真的更挤嗓吗：英语中舌位回缩与声门收缩的受控检验

英文题目：The interaction between vowel quality and voice quality in English

会议身份：conference:speechprosody:2026:conference-paper-id:dong26_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 #语音属性识别

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.2/1.5

排名：前50% | 文档类型：理论研究

👥 作者与机构

• Jiaang Dong：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究检验低后元音是否因舌后缩协同喉上提而带来更强声门收缩，输入为连续朗读中目标元音的同步音频与EGG波形，输出为接触商与共振峰关联及元音类别差异判断，难点在于短语末嘎裂声与词首喉化等独立喉化源极易污染元音效应。为此作者定制音段与韵律环境平衡的朗读短文并采集20名美式英语母语者的同步音频与EGG信号，使[æ]与[ɑ]在词首与句末等促喉化环境中数量均等。接着逐帧提取接触商CQ与第一第二共振峰并取词均值，经0.3至0.7取值过滤与F1×F2马氏距离异常剔除及ΔF归一化后得到可靠的元音声门度量，进入统计检验。统计上分别以F1×F2多元回归检验共振峰对CQ的连续预测力，再以混合效应模型比较[æ][ɑ][i][u]类别差异并容许被试随机截距与斜率。相对以往用声学嘎裂征兆间接推断收缩的做法，该文以EGG接触比例直接度量声门接触并前置平衡韵律与音段环境，机制上更贴近喉收缩本体。在20名母语者朗读平衡短文语料的测试条件下，低后元音[ɑ]的接触商CQ指标均值约为0.51，高于低前元音[æ]的接触商CQ指标均值约0.50。共振峰主效应与交互均不显著且最大预测值落在无观测的边缘外推区，表明差异仅为模态嗓音区间内的微小接触增加而非质变性收缩。该结论适用边界目前受限于美式英语朗读体受控比较，尚未验证自发语、其他语言及句中短语边界未编码的情形，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://github.com/kirbyj/praatsauce — 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

要解决什么问题：舌头后缩会连带夹紧嗓子吗？

这篇论文要回答的是超喉头动作与喉头动作之间是否存在必然联动。通俗说，当你发低后元音[ɑ] 时，舌头既要下降又要后缩，喉部是否会被连带拉高并把声门夹得更紧。理论来源是喉发音体模型，英文名为 Laryngeal Articulator Model，缩写为 LAM。该模型认为舌回缩与喉上提通过喉部收缩机制协同，而喉上提又与声门收缩协同，因为声门自己不能孤立收缩，而是杓会厌皱襞收紧和喉部整体收缩的副产品。于是它预测，同时使用下降加回缩的[ɑ]，应比只用下降的低前元音[æ] 表现出更强的声门收缩。

作者选择美式英语作为检验场，理由在原文中交代得很清楚：第一，美式英语同时有[ɑ] 和[æ]，可以直接比较只差在是否回缩的低元音对；第二，英语中其他引起声门收缩的韵律和分节环境已有较多文献记录，便于控制。需要先建立的基本区分是，听感上的嘎吱声，英文为 creaky voice，不等于生理上的收缩增强。短语末的嘎吱可以是紧缩型，也可以是气流增大、声门张开的松散型，英文为 spread-glottis creak。因此只用声学听感判断收缩会混淆机制，论文坚持用电声门图指标来确认。

元音质量 × 嗓音质量： 元音质量指由舌位高低前后决定的共振峰格局，分工是描述声道滤波形状；嗓音质量指由声门开合与接触方式决定的发声状态，分工是描述声源振动方式；两者搭配的理由是声道动作可能通过喉部联动影响声源，组合意义在于检验低后元音是否附带更强的声门收缩。

本解读的目标读者是刚进入语音声学与嗓音研究的研究生。学完你应能复述：为什么选[æ] 与[ɑ] 对比，如何设计平衡文本，如何从电声门图算出接触商，如何做连续共振峰回归与分类别混合模型，以及为什么微小显著不等于有意义的声门化。

前人为什么说法不一：不同嘎吱声被混在一起了

在进入本研究设计之前，要先理解文献分歧的方法根源。原文回顾了 3 类与声门收缩有关的嘎吱声。第一类是短语末嘎吱，作为韵律单位标记短语结束，可以延续几个词，已有报道认为它涉及声带收缩增强，但也可能是不收缩的松散实现。第二类是韵尾/t/声门化，英文为 coda-/t/ glottalization，指在齿龈阻碍之外或代替齿龈阻碍的声门收缩。第 3 类是词首声门化，英文为 word-initial glottalization，指词首元音上的声门收紧，尤其当元音因重读和音高重音而凸显时。

后两类都涉及收缩作为发音特征。前人关于元音高低是否更嘎吱的结论不一，作者指出两个方法原因：一是各研究分析的嘎吱类型不同，二是没有同时控制分节性声门化和短语末嘎吱等来源。此外，很多研究用声学上的嘎吱迹象判断收缩，而并非所有声学嘎吱都对应收缩增强。因此本研究的定位不是再做 1 次听感相关，而是控制其他收缩来源，并用关节层面的收缩指标检验低后元音效应。

这也解释了为什么后文要花大力气平衡词首位置和句末位置，以及为什么要同时做连续共振峰分析和元音类别分析。

模型到底预测了什么：哪两个协同链条被检验？

把 LAM 的预测拆成两步更易检验。第一步是舌回缩协同喉上提。发[ɑ] 需要咽部收窄，喉体被认为会协同上提。第二步是喉上提协同声门收缩。因为声门收缩被认为是喉部收缩机制的连带结果，抬喉的同时杓会厌皱襞收紧，声门随之变窄。

两步连起来就得到可证伪的预测：在其他条件相同时，低后元音应有更高的接触商，高第一共振峰加低第二共振峰应预测更高的接触商。关键对照是低前元音[æ]。它同样是低元音，开口度大，但按模型设定没有舌回缩参与，因此不应触发同样的抬喉与收缩链条。高元音[i] 和[u] 在设计中作为参考点：它们既无舌下降也无典型的低元音回缩，可提供元音空间归一化的锚点，并帮助判断声门在既不下降也不回缩时处于什么状态。

理解这一点后，后文的两个统计模型就各有分工：连续回归检验整个元音空间的梯度预测，类别模型直接检验[æ] 与[ɑ] 的成对预测。

舌回缩 × 喉上提： 舌回缩指舌根向咽壁方向的后移收缩，分工是形成后元音的咽腔窄缩；喉上提指整个喉体向上抬升，分工是配合咽部收缩的协同动作；喉发音体模型把两者搭配的理由是它们共用喉部收缩机制，组合意义是预测舌回缩会连带抬喉，进而挤压声门。

方法全景：从一篇朗读文本到每个元音的平均接触商

整个流程可以沿一个元音 token 走一遍。输入是 20 名美式英语母语者朗读 1 篇语音平衡短文的录音，同步采集音频与电声门图，英文为 electroglottography，缩写为 EGG。目标元音是重读音节实词中的[æ, ɑ, i, u]，其中[æ] 与[ɑ] 各有 22 个重读 token，构成主要比较。表示阶段分两路：一路从 EGG 信号逐帧计算接触商，英文为 Contact Quotient，缩写为 CQ，定义为每个声门周期中有接触的时间比例；另一路从音频信号提取第一、第二共振峰，英文为 formant frequencies，记为 F1 与 F2。

组件阶段把逐帧的 CQ、F1、F2 在每个元音段内平均，得到每个 token 的单一均值，再做归一化与筛选，最后进入统计模型。输出是两个问题的答案：共振峰能否连续预测 CQ，以及元音类别是否预测 CQ。控制环节贯穿全程：文本层面平衡词首与句末环境，标注层面用 Praat 切分目标元音，测量层面用统一算法与阈值，分析层面剔除异常 CQ 与异常共振峰。

声门收缩 × 接触商： 声门收缩指声带及杓会厌皱襞收紧使声门变窄的生理动作，分工是真正的发音目标；接触商指每个声门周期中有接触的时间比例，分工是可测量的电声门图指标；搭配理由是接触时间越长通常对应闭合越紧，组合意义是用接触商作为声门收缩是否发生的关节证据，而不是只看听感上的嘎吱声。

两个测量各算什么：接触商与共振峰如何提取？

先讲声门侧。EGG 通过颈部甲状软骨两侧电极记录声带接触面积变化，设备为 Glottal Enterprises EG2-PCX。作者用 PrEgg 脚本计算 CQ，该脚本用基于导数的边界检测算法确定接触边界。具体采用混合方法，英文为 hybrid method：接触点取 EGG 导数峰值，张开点用阈值法，此处阈值设为 25%。音频与 EGG 都经 Focusrite Scarlett 接口前置放大，以 44100 赫兹采样率、32 位浮点经 Audacity 数字化。

头戴话筒与 EGG 项圈同步佩戴，录音在加州大学圣地亚哥分校语音实验室的隔音室完成。要求被试以舒适自然语速流畅朗读整篇，读错则重读整句。再讲声道侧。音频用 PraatSauce 提取 F1 与 F2，PraatSauce 是基于 Praat 的频谱处理工具。原文明确其 GitHub 仓库当前可用，已公开，版本号为 1.0.4。

对每个目标元音，在切分出的元音时长内逐帧提取 CQ 与共振峰，再平均为 token 均值，用于后续归一化与建模。

第一共振峰 × 第二共振峰： 第一共振峰主要对应开口度与舌位高低，分工是区分高低元音；第二共振峰主要对应舌位前后，分工是区分前后元音；搭配理由是低后元音应同时表现为高第一共振峰和低第二共振峰，组合意义是用两个连续声学维度连续预测接触商，再与分类别的元音比较互相印证。

共振峰归一化用 DF 归一化，英文为 Delta-F 方法，按每名说话人的平均共振峰间距缩放，以校正声道长度差异，同时保留元音空间相对几何。CQ 先做硬阈值过滤，低于 0.3 或高于 0.7 的值被排除，理由是跨语言文献中包括气嗓、松嗓、紧嗓与嘎吱在内的非常态发声一般落在此范围内，超出更可能是技术伪迹。共振峰再用马氏距离在 F1 与 F2 平面上剔除离群点，考虑 2 维协方差，只保留落在每类元音预期椭圆分布内的 token，平方距离超过 6 的被排除。

本研究训练了什么：无模型训练，只有测量与统计拟合

本研究没有训练神经网络，也没有更新任何声学模型的权重，因此不存在优化器、梯度路径、冻结层或早停等概念。真实的计算过程是 3 类。第一类是信号处理计算：PrEgg 按导数峰值加阈值规则从 EGG 波形逐周期划分接触与开放相，算出接触比例；PraatSauce 按帧做频谱分析估计共振峰。第二类是规则过滤与归一化计算：按固定阈值删除异常 CQ，按说话人平均共振峰间距缩放共振峰，按马氏距离删除共振峰离群点，这些都是确定性公式变换，没有学习参数。

第 3 类是统计模型拟合：用最小二乘拟合多元线性回归，用约束优化拟合线性混合效应模型，估计回归系数与随机效应方差。需要补的缺项是原文未报告混合模型的优化算法细节与收敛判据，也未报告回归的残差诊断，但这不影响复述主流程：调用已有工具做测量，再用回归检验假设。不能把无训练理解为结果确定，个体差异与韵律变异仍通过随机效应与残差体现。

实验如何控制混淆：文本平衡与被试协议

被试是 20 名美式英语母语者，其中女性 15 名、男性 5 名，平均年龄 20 岁、标准差 1 岁，均为加州大学圣地亚哥分校本科生，以课程学分作为参与回报，无报告的语言或听力障碍。朗读材料是作者设计的语音平衡短文，示例句附有国际音标转写，目标元音在转写中加粗加下划线。关键设计是数量与环境双平衡。数量上，[æ] 与[ɑ] 各 22 个重读 token，[i] 有 12 个，[u] 只有 1 个，总计每人 57 个 token，20 人共 1140 个 token。环境上，[æ] 与[ɑ] 在词首位置各 2 个，在话语最后 3 个词内各 7 个，以降低词首声门化与话语末嘎吱的影响，且目标元音都不出现在/t/前位置。作者承认话语中间的短语末嘎吱仍需事后编码控制，这是明确的未完成项。

短语末嘎吱声 × 分节性声门化： 短语末嘎吱声指韵律短语结尾处延续数个词的低频不规则振动，分工是韵律边界的标记；分节性声门化指词首元音前或韵尾/t/处的局部声门收紧，分工是音节或音段层面的加强；搭配控制的理由是两者都会抬高接触商而与元音舌位无关，组合意义是只有把两者都平衡掉，才能分离出元音本身的影响。

下表提出本节的公平性问题：在主要比较的两个低元音之间，数量与促声门化环境是否对齐。若数量或环境不对齐，接触商差异可能来自韵律位置而非舌位。表中可见[æ] 与[ɑ] 在总数、词首数与句末数上完全对齐，[i] 与[u] 仅作空间参考。

该表显示主要比较是平衡的：两个低元音各 22 个 token，词首各 2 个，话语末尾各 7 个，且都避开了/t/前环境。这意味着若后续发现接触商差异，更可能来自元音本身而非已知的词首或句末声门化偏置。但平衡只覆盖了话语末，未覆盖话语中间的短语边界，这是后文讨论中作者自己指出的局限。

连续预测成立吗：共振峰能否预测接触商？

第一个统计是多元线性回归，以 CQ 为因变量，以 F1、F2 及其交互为预测变量，检验声门收缩是否在元音空间呈系统梯度。结果显示 F1 与 F2 均无显著效应，交互也不显著。原文用拟合曲面图说明：曲面非常平坦，CQ 在元音空间均匀分布，预测最大值约 0.530，位于 F1 约 990 赫兹、F2 约 2900 赫兹的左下角，但该处没有观测到的元音 token，属于边缘外推。教学要点是不要把外推高值当作发现：热图高值区没有数据支撑，说明 F1 与 F2 的预测力很弱。下表整理该回归的固定效应，比较问题是连续的元音高度与前后维度是否带来接触商变化，指标方向是系数显著且预测值进入收缩范围才算支持模型。

该表报告的 3 个预测项都不显著，t 值绝对值均小于 1，p 值分别为 0.51、0.67 与 0.42。代价是连续假设完全得不到支持：更高的 F1 或更低的 F2 都没有带来更高的 CQ。这为后文的类别比较定下基调，即使类别间有微小差异，也难以解释为系统性的空间梯度。

分类比较差多少：[ɑ] 比[æ] 高 0.009 意味着什么？

第二个统计是线性混合效应模型，用 lme4 的 lmer 函数以元音类别预测 CQ，含被试随机截距与元音类别随机斜率，允许元音效应随被试变化，因 lme4 不直接给 p 值而用 lmerTest 的 Satterthwaite 近似求 p 值。以[æ] 为参照，[ɑ] 的接触商高 0.009，p 为 0.019，达到统计显著；[i] 高 0.007 但不显著，[u] 低 0.020 也不显著。分布图显示 4 类元音的 CQ 大量重叠，均值都在常态嗓音范围。模型估计均值分别为[æ] 约 0.50、[ɑ] 约 0.51、[i] 约 0.51、[u] 约 0.47。

比较问题是类别差异是否达到可称为声门化的质变，公平条件是随机效应已吸收个体差异，指标方向是差异需大到接近其他语言紧嗓约 0.55 或嘎吱约 0.6 的水平。下表用五列呈现类别、估计均值、与[æ] 之差、显著性与实质判断。

该表的主要收益是区分统计显著与实质显著：[ɑ] 虽显著高于[æ]，但绝对差小于 1%，两者都在 0.50 附近的常态范围，远低于文献中紧嗓与嘎吱的收缩水平。

具体代价是不能把该微差当作 LAM 预测的像样的声门收缩，未胜出项是[i] 与[u] 均无显著差异，[u] 甚至方向向下，说明不存在低元音系统性更紧的模式。

换一种切分会改变结论吗：连续与分类为何互相印证？

可以把本研究的两种分析理解为互相消融。若只看类别，可能担心[ɑ] 与[æ] 的划分掩盖了元音空间内的渐变；若只看连续回归，可能担心线性形式错过类别特有的协同。因此同时报告两者很重要。连续回归未发现 F1、F2 或交互的梯度，类别模型虽发现[ɑ] 微高但无质变，两者指向同一判断：没有系统性的低后收缩效应。

原文还隐含了第三种对照：高元音参考。若收缩真的由舌下降驱动，则低元音应系统性高于高元音，但[i] 的估计均值与[ɑ] 同为 0.51，[u] 虽低但样本极少且不显著，不支持下降驱动收缩。需要展开的论文特有细节有两类。一是过滤的影响：CQ 在 0.3 到 0.7 之外被删，若不删，EGG 误测会引入极端值，可能人为制造或掩盖差异。二是归一化的影响：DF 归一化保留相对几何，马氏距离再按每类椭圆删点，若归一化不当，F1 与 F2 的回归系数会被说话人声道长度差异污染。

下表汇总可运行的数据规模与分析条件，说明结论建立在什么量级上。

该表说明数据量与控制是完整可运行的，但也暴露边界：[u] 仅 1 个 token 每人，基本无法作为稳定对照；话语中间短语边界未编码，残留混淆可能稀释差异。

反例是即使在最有利于发现差异的类别比较中，差异仍微小，说明结论不是因样本太少而错过大幅效应。

哪些解释还站不住：方法局限与跨语言适用性

作者给出两种对不符预测的解释，并明确区分已报告与待验证。第一种是方法论解释：话语中间的短语末嘎吱未控制。文本只平衡了话语最后 3 个词内的出现，但短语末嘎吱可出现在话语中间的短语边界，后续需编码这些位置。更微妙的是，短语末嘎吱不一定都对应收缩，也可能气流增大、声门张开，导致 CQ 变异增大，从而淹没[ɑ] 与[æ] 之间的微小收缩差异。用原文的措辞，这属于可能与待验证，不是已证实的原因。

第二种是跨语言适用性解释：舌回缩与喉上提的协同可能在英语中被语言特异性因素覆盖，声门收缩与舌回缩在英语中独立控制。LAM 认为声门收缩是喉部收缩机制的副产品，但本研究发现两者可分离，因此喉收缩与舌回缩之间、喉上提与声门收缩之间的协同并非普遍必然。原文明确这是推测性的解释，需要波斯语与汉语普通话的后续研究检验。

波斯语有低前[æ] 与低后[ɒ] 的直接对比，普通话只有一个低元音/a/，但可用[-an] 与[-ɑŋ] 音节中/a/的同位异音实现前后对比，因为后续鼻音的齿龈与软腭部位会系统性前后化与低化元音。

要复现先做什么：文本、测量与统计的核对清单

复现应先从文本与标注做起，而不是先调模型。第一步重建语音平衡短文，确保[æ] 与[ɑ] 在重读实词中各有相同数量，且在词首、话语末各对齐，同时避开/t/前环境，并记录每个目标词的短语位置以便事后编码中间边界。第二步同步采集音频与 EGG，检查电极接触与信号质量，统一用 PrEgg 的混合方法计算 CQ，接触点取导数峰值，张开阈值固定为 25%，音频用同一版本 PraatSauce 提取共振峰，并在元音段内逐帧平均。

第三步做两层清洗：先删 CQ 低于 0.3 或高于 0.7 的 token，再做 DF 归一化并用马氏距离删共振峰离群点，阈值与原文一致。第四步拟合两个统计：CQ 对 F1 与 F2 及其交互的多元回归，以及 CQ 对元音类别的混合模型，含被试随机截距与随机斜率，用 Satterthwaite 近似求 p 值。判断标准也要复现：不仅看 p 值是否小于 0.05，还要看均值是否接近 0.55 紧嗓或 0.6 嘎吱的收缩水平，差值是否超过 1% 的量级。工具可得性方面，PraatSauce 仓库当前可用，已公开；PrEgg 与 Praat 为已有工具。

录音设备与隔音条件需按实验室如实报告，不可虚构为相同。若[u] token 极少，应如实报告其不稳定性，不将其当作强对照。

何时值得尝试这个思路：给新生的行动建议

综合来看，这篇论文报告的是不支持 LAM 强预测的结果，显示的是连续共振峰无预测力，支持的是类别微差无质变的判断，可能与待验证的是中间短语边界变异与跨语言差异的解释。当你自己的语言或方言中有低元音前后对比，且怀疑舌位连带喉部动作时，这个受控比较思路值得尝试，但前提是先列出该语言中已知的声门化环境并在文本中平衡掉，否则舌位效应会被韵律位置淹没。

当你只能做声学嘎吱检测而没有 EGG 时，不应承诺测到了收缩增强，因为声学嘎吱与收缩并非一一对应。常见的误解有三。其一，把 p 为 0.019 当作发现了声门化，实际上 0.009 的差值在常态范围内，统计显著不等于生理显著。其二，把热图边缘高值当作低后更紧的证据，实际上高值区没有 token，是外推。其三，把无训练当作无变异，实际上个体随机效应与短语位置仍带来变异，需用混合模型吸收。

留待补做的验证很具体：编码话语中间短语边界后重跑模型，分离紧缩型与松散型短语末嘎吱，以及在波斯语与普通话中重复前后对比，才能判断该协同是英语特异还是普遍可覆盖。

📐 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 6 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