合流者不拉开距离、清晰者主动靠近：粤语三六声调在对话中如何对齐音高区间

英文题目：I don’t have grudges, I have a wish: Cantonese Suprasegmental Adaptation in Conversations

会议身份：conference:speechprosody:2026:conference-paper-id:fong26_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 #语音交互

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Ivan Fong：机构信息未能从会议 PDF 纯文本可靠映射
• Haoyao Ruan：机构信息未能从会议 PDF 纯文本可靠映射
• Dawn Behne：机构信息未能从会议 PDF 纯文本可靠映射
• Allard Jongman：机构信息未能从会议 PDF 纯文本可靠映射
• Joan Sereno：机构信息未能从会议 PDF 纯文本可靠映射
• Paul Tupper：机构信息未能从会议 PDF 纯文本可靠映射
• Yue Wang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

粤语Tone3与Tone6合流使jyun3怨与jyun6愿等最小对立体难以区分，任务输入为合流程度不同的双人自然对话语音，输出为归一化平均基频上的T3-T6距离变化，难点在于无脚本交互中需分离交际驱动的协同调适与单纯声学模仿。方法链分四步：先用载体句朗读建立合流基线并据Tdiff与K-S分数划分多合流与少合流角色，其输出决定配对；再让被试在双房间虚拟逃脱游戏中口头描述目标与填充图片位置以制造频繁误认压力；随后对韵母抽取10点F0并经T量表归一化以跨说话人比较；最后用混合效应模型与emtrends检验对话进程与前后测非交互朗读的距离变化。相对已有整体感知判断与非交互影子跟读，该设计将调适从单向模仿转为双向可发起的任务成功协同校准，使趋同过程可由对话全程的声学轨迹直接观察。在对话任务起始0%条件下，少合流组的Tdiff指标为0.970，高于多合流组的Tdiff指标0.339。对话终点两组距离分别变为0.644与0.586且差异不再显著，趋同主要由少合流者T6上升更快致距离缩小驱动，多合流者T3上升而T6稳定使距离基本维持，前后测非交互任务均无显著变化。该结论适用边界受限于年轻香港粤语者平调高度维度，轮廓、时长与嗓音质量等线索的招募、知觉获益与长期保持尚未验证。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.irasutoya.com/ — 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

为什么要在真实对话里研究声调适应？

这篇论文研究的问题是交谈中的超音段适应，用白话说就是说话人是否会为了让对方听懂而调整声音的高低走向。以往多数工作看的是辅音元音等音段，或用整体听感打分、全局声学均值、非交互的跟读任务来推断适应，缺少在有明确交际目标的对话中检验声调这种超音段线索是否会变化。粤语提供了一个自然的试验场，6 个对立声调中三声中平与六声低平均高都很接近，正在发生合流，有人能分清，有人混在一起，怨与愿就是典型的最小对立。

先理解这个背景，才能明白后文为什么要把合流程度不同的两个人配成 1 对，并让他们在必须分清三声六声词才能过关的游戏中交谈。

语音适应 × 可懂度： 语音适应指交谈者互相影响而调整发音，负责产生可观测的变化；可懂度指对方能否正确区分词义，负责给出变化的方向和停止条件。二者搭配的理由是只看像不像无法判断为何而变，只有把是否解决了怨愿这类混淆作为目标，才能区分社交性趋同与为传递声调对比而做的调整，组合意义是把适应从声音模仿重新定义为服务于区分性的协同过程。

要读懂全文，先把超音段这个词拆开，超音段指附着在多个音段之上的音高、时长等特征，粤语声调是典型例子，它靠基频的高低与走向区分词义。论文聚焦的基频即每秒声带振动频率，听感上对应音高，分析时取韵母段的基频并做归一化，消除男女与个人音域差异。图一展示了 6 个粤语声调的基频轮廓，横轴是归一化时间，纵轴是音高，6 条线分别代表不同声调，有助建立三声与六声位置接近的直觉。

看图路径： 1. 先找到横轴归一化时间与六条声调轮廓的标记；2. 比较中部的三声与六声两条平调的上下位置与间距；3. 再看一声在上、四声在下的边界，理解三六声共享区间的含义

论文图 1。原论文 Figure 1：“Cantonese tone pitch contours, from [12].”。

这张声调轮廓图的作用是交代任务难度与后续对齐的空间含义。从像素可见最上方的一声最高且略降，最下方的四声最低且下降，中部有两条接近水平的线分别标为三声与六声，三声略高于六声但间距很小，另有二声与五声从低向高上升。它的教学价值在于说明三声六声不是远距离对比，而是在夹缝中区分，少合流者若把距离缩得太小仍需与上下邻调保持可分，多合流者若只抬三声也需维持整体格局，这为后文把趋同理解为共享音高区间而非简单合并提供了背景。

以往路线为什么不能回答目标驱动还是模仿？

相关工作可以分成 3 条路线。第一条是整体感知判断，让听者评价两个人听起来像不像，这能捕捉社会性趋同但说不清哪个声学线索动了。第二条是全局声学测量，比如比较平均基频或基频变异度，这能发现平行变化但缺少词义混淆带来的交际压力。第 3 条是非交互跟读，让合流者模仿清晰者，发现合流可以在模仿中暂时打开，但无法区分声学模仿与为可懂度而做的调整。论文明确指出需要把适应看作交际的、目标驱动的过程，这正是本文选择无脚本合作游戏的原因。

趋同 × 同步： 趋同指说话人变得更相似，负责描述距离缩小的结果；同步指特定参数随时间平行变化，负责描述变化过程是否协同。二者搭配是因为只看终点会误把单方妥协当成互相适应，组合意义是要求同时检查起点差异、斜率差异与终点差异，才能判断是单向模仿还是为共享音高区间而做的平行调整。

沿着这个思路，预测也与模仿路线不同。模仿路线会预测多合流者在听到清晰对比后拉大距离，出现去合流反转。目标驱动路线则允许双向调整，只要最终 2 人能用一套共享的音高区间把三声六声与邻调分开即可。论文的初始假设仍偏向模仿直觉，认为多合流者会增大距离而少合流者维持不变，但结果恰好反过来，这需要在讨论部分重新解释为区间对齐。初学者应记住这个转折，它是全文最关键的判断分歧。

论文到底要检验什么具体预测？

论文把问题收敛为两个可检验的预测。第一个预测关于对话过程，认为在需要解决三声六声词混淆的对话中，为提高可懂度，多合流者会通过增大三声与六声的基频差出现合流反转，而少合流者维持原有对比。第二个预测关于非交互朗读，认为在对话前后的句子朗读任务中，由于没有交际目标，声调距离在对话前后应保持不变。两个预测共用同一个因变量，即归一化平均基频算出的声调距离，记为声调距离差。

声调合流 × 声调距离： 声调合流指三声中平与六声低平在产出或感知上难以区分的进行中变化，负责提供自然的混淆压力；声调距离指同一说话人三声平均归一化基频减去六声的值，负责把合流程度量化为可追踪的连续量。二者搭配是因为只有把合流翻译成距离，才能在对话时间轴上检验是拉大还是缩小，组合意义是让音系层面的合流问题变成可建模的声学距离变化问题。

理解预测时要抓住比较结构。对话分析看的是时间与声调与合流状态的三向交互，即两组人的三声六声是否随对话进程以不同斜率变化。朗读分析看的是任务与合流状态与声调的交互，即对话前后两组人的三六声差异是否改变。论文只纳入最小对立词做当前分析，控制词与填充词用于维持任务自然但不进入主模型，这保证了观测到的变化与目标混淆直接相关。

从进实验室到拿到距离值要走哪些步骤？

方法全景可以沿一个样本走一遍。假设目标词是怨与愿，拼音分别为中平三声与低平六声。被试先在载体句我读某字中朗读全部词表，建立对话前基线并据此划分合流状态。然后 2 人进入各自虚拟房间，房间里摆着目标词与填充词的图片卡，必须通过无脚本对话把相同图片放到对应位置，例如 1 人说出含混的愿字发音，另 1 人追问是愿还是怨，说话人澄清后双方确认放置。整个对话双通道录音，采样率为 44100 赫兹，同时录制游戏画面与人像。

最后 2 人再读 1 次相同词表，得到对话后基线。声学端对每个目标词韵母提取 10 个等距点的原始基频，取平均并转换到 0 到 5 的量表，再按说话人与任务聚合出三声均值、六声均值与二者之差。

下面这张游戏与录制设置图把任务压力与记录方式连起来，理解它才能明白为什么混淆会反复出现并推动调整。

看图路径： 1. 先看上方两个虚拟房间的图片阵列与下方两人分镜；2. 再看左右两路独立录像与录音指示，确认双通道记录；3. 最后对照图片卡与汉字提示，理解混淆词如何被摆放到位

论文图 2。原论文 Figure 2：“Game setting and conversation recording.”。

从像素可见画面被切成多格，上方是预览与节目视角的虚拟房间，地面铺满带汉字与插画的卡片，下方左右分别为 2 位玩家的人像与各自房间视角，还有计时与电平表。这说明任务不是读句子，而是在信息不对称下反复命名与确认，目标词会被多次产出且每次都有对错反馈。记录上每人声音存为独立声道的高采样文件，视频为单个高清文件，便于后续按时间对齐与按说话人建模。教学上应把这张图理解为交际目标的来源，而不是装饰性界面截图。

材料、被试与合流状态划分各负责什么？

材料部分负责制造可控的混淆。全部词均为单音节粤语词并配有插画与汉字，保证被试能稳定提取目标词。词表包含三声六声最小对立、非最小对立控制词与非三六声填充词，当前分析只用最小对立词，这样距离变化可以直接归因于目标对比。被试部分负责提供差异起点，共 20 名青年母语者，年龄十七到三十岁，多数来自香港，包含 10 名多合流与 10 名少合流者，组成 10 对。划分部分负责把连续的合流程度变成可比较的组别，依据对话前朗读的平均量表差与双样本检验得到的分布差异分数相加，在每对内相对定出谁更合流谁更清晰。

多合流者 × 少合流者： 多合流者指对话前朗读中三六声距离小、分布重叠大的说话人，负责代表需要被理解的起点；少合流者指距离大、分布分离的说话人，负责代表能提供清晰对比的起点。二者按相对标准在每对内划分高低，搭配理由是适应是双向关系而非绝对标签，组合意义是可以在同一对话内比较谁动、谁不动以及最终是否对齐。

声学测量部分负责把声音变成可比数字。对每个目标词韵母用脚本半自动提取基频，取 10 个等距点平均后做量表归一化，以比较不同说话人与任务。分析时对话数据剔除 27 个离群点后剩余两千多个词，前后朗读共一千多个词无离群点。模型采用混合效应模型并用前向选择确定随机效应结构，起点考虑配对编号、性别与年龄为随机截距，固定效应则对应前述三向交互。初学者应注意这里没有神经网络训练，训练一节将专门说明本研究真正的计算是统计建模而非参数更新。

归一化基频 × T 值量表： 归一化基频指从韵母提取并消除个人音高差异后的音高高度，负责保留声调高低信息；T 值量表指把该值映射到 0 到 5 区间的常用声调标度，负责让不同说话人与不同任务可比。二者搭配是因为直接比较赫兹会被男女音高差淹没，组合意义是得到跨人可平均、可做差的声调高度表示，后续所有距离与趋势都建立其上。

下面这张表把材料规模与被试构成放在一起核对，保证复述方法时不漏掉划分依据与地域年龄信息。表前的问题是实验的混淆压力与分组基础是否充分，公平条件是所有被试读同一词表并用同一相对标准分组，指标方向是目标最小对立数量越多越能支撑距离估计。

表后需要解释这张表的代价与边界。好处是目标对立数量明确且分组为对内相对，适合检验双向适应。代价是样本仅 10 对且地域以香港为主，推广到其他粤语社群需谨慎。未胜出项是控制词与填充词在当前分析中未进入模型，它们的潜在作用尚未报告。未评测边界是除基频高度外的时长、音质等线索是否也被调用，原文留待后续分析。

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，也就没有梯度更新、参数冻结、优化器或早停可报告。真实的计算过程是声学提取加统计推断。提取端用现成脚本批量得到韵母基频，不更新任何权重。推断端运行两个混合效应模型，一个检验对话中时间进程与声调与合流状态的关系，另一个检验前后朗读任务与声调与合流状态的关系，用第三类方差分析检验主效应与交互，再用趋势估计与边际均值做事后比较。

具体做法是对每组每声调估计随时间的斜率，再比较三声斜率减六声斜率的差，以及两组之间该差的差异，并在对话的 0%、五十与 100% 处估计声调距离及其组间差。随机效应从配对、性别、年龄截距出发前向选择最复杂的合理结构。由于原文未报告具体随机斜率与选择细节，复现时应指出该缺项并保留原文的模型描述，不从模型名称推定实现。

实验条件与统计口径如何保证可比？

实验条件按 3 阶段组织。对话前朗读用载体句随机呈现目标、控制与填充词，建立基线。对话为无脚本合作解谜，必须说出易混的三声六声词才能完成放置，天然产生误认与澄清。对话后朗读重复同一词表，检验脱离交际目标后是否保留调整。录音为双通道高采样，视频同步记录游戏与人像，便于按归一化对话时间建模。

统计上因变量均为归一化基频，距离为三声均值减六声均值，时间在对话模型中为连续的 0% 到 100%，在关键点比较时转为分类变量。显著性通过混合模型的方差检验与事后趋势比较给出，报告包含估计值、标准误与显著性水平。

下面这张表把对话与朗读的原始 token 量与均值放在同一框架下，便于核对聚合对象与单位，避免把均值差误当成个体差。表前的问题是两组起点是否确实一清一混，公平条件是同为归一化量表上的韵母均值，指标方向是三声高于六声且少合流组距离更大。

表后应说明主要信息与限制。对话共少合流 1729 词、多合流 1004 词，朗读共少合流 634 词、多合流 614 词，数值上两组都是三声高于六声，但多合流距离更小，支持分组有效。代价是标准差约 0.8 到一，个体重叠不小，总体趋势不等于每对每步都成立。未评测边界是误认次数与任务成功率未量化报告，成功解决混淆的判断来自对话可完成性而非独立的听辨测试。

对话中谁动了、动了多少、终点是否对齐？

主结果来自对话模型。三向交互显著，说明两组的三声六声随时间变化方式不同。斜率估计显示多合流三声显著上升、六声上升不显著，三声与六声斜率差不显著，距离在全程基本维持。少合流三声与六声都显著上升，但六声上升更多，三声减六声的斜率差显著为负，距离随时间缩小。两组斜率差的差异显著，证实少合流的距离缩小幅度大于多合流。

关键点比较显示起点少合流距离约 0.97、多合流约 0.34，组间差显著。中点两组分别为约 0.78 与 0.49，差异仍显著但缩小。终点两组分别为约 0.59 与 0.64，差异不再显著，表明两组声调距离趋于一致。

理解斜率图时先看趋势方向再看距离变化，不要把整体上扬误读为对比增强。

看图路径： 1. 先区分实线少合流组与虚线多合流组、上方三声与下方六声；2. 沿横轴对话时间从左向右比较四条线的斜率；3. 重点观察橙色六声实线上升最陡并追近虚线的位置

论文图 3。原论文 Figure 3：“Model trend plots illustrating changes in normalized F0 for T3 and T6 over Time, comparing”。

从像素可见 4 条线都随归一化对话时间上扬，上方两条为三声、下方两条为六声。实线少合流组的橙色六声线最陡，从最低处快速追近虚线多合流组的六声线，而绿色三声实线斜率较缓。虚线多合流组的三声线上升较明显但六声线平缓，两条虚线间距基本不变。这对应文字报告的多合流距离维持、少合流距离缩小，教学上应把六声追赶作为距离缩小的直接视觉证据，而不是把所有上扬都当作清晰度提升。

下面这张表把 3 个时间点的距离估计与组间差放在一起，回答对齐是否完成与何时完成。表前的问题是在起点分离的条件下终点是否统计不可分，公平条件是同一模型估计的边际均值与标准误，指标方向是组间差越小越对齐。

表后需要点出收益与代价。收益是起点差异大而终点差异消失，且两组终点距离都显著非零，说明对齐不是合并为一个调，而是收敛到都能区分但共享的区间。代价是整体音高随时间上扬，可能混入响度或努力程度变化，不能单凭基频断言感知可懂度提升了多少。反例是最初预测的多合流拉大距离并未发生，这是必须保留的负结果。

终点对齐图把同样的信息换成距离随时间的变化，更直观地显示一升一降后交汇。

看图路径： 1. 先确认横轴为对话的百分之零、五十与百分之百三个时间点；2. 比较左侧起点两组声调距离的分离与误差棒；3. 再看右侧终点两条线交汇并重叠，确认对齐结论

论文图 4。原论文 Figure 4：“T3-T6 difference score (Tdiff) at 0%, 50%, and 100% of the conversation task for MM and LM”。

从现有像素可见蓝色多合流距离线从低处缓慢上升，红色少合流距离线从高处下降，两线在右侧交汇，误差棒在起点分离而在终点重叠。这与文字报告的起点组间差显著、中点缩小、终点不显著完全一致。读图时注意纵轴是距离差而非原始音高，线向下不代表性能变差，少合流线下降恰是距离缩小的目标现象。像素不能精确读出每步数值时，应以正文报告的 3 组估计值为准，不要硬写中间步数。

去掉交际目标后调整还存在吗？

论文用前后朗读作为对照，相当于去掉交际目标的消融条件。结果显示声调主效应与合流状态与声调的交互显著，但不含任务的三向交互，说明对话前后组间差异模式得以维持。多合流距离估计约 0.40，少合流约 0.68，前者显著小于后者。对话前后的差异没有改变这个格局，箱线图上两组的三声与六声分布在前后任务中基本重叠。这支持调整是目标驱动而非持久学习，目标移除后即不维持。

这个对照的教学意义在于区分在线适应与离线保持。在线指对话中为解决当下混淆而做的区间对齐，离线指对话后在朗读中是否保留。若把对话中的趋同误当成学会了新对比，就会错误预测朗读也应变化。论文报告显示朗读无显著变化，因此更可能是为当下可懂度做的协同，而非语音表征的永久重组。未评测边界是朗读与对话的语体差异本身也可能抑制迁移，不能完全排除语体效应。

哪些证据还没有、不能说什么？

首先样本与任务范围有限，仅 10 对 20 人，且以香港青年为主，游戏任务特定于三声六声最小对立，推广到其他声调对或自发闲聊需验证。其次声学证据目前只报告归一化平均基频高度，未纳入轮廓形状、时长、音质等多维线索，无法判断少合流者是否还调用了其他线索补偿距离缩小。再次感知证据缺失，没有独立的听辨测试量化混淆解决率与可懂度提升，成功解决混淆的说法来自任务可完成性。

最后机制上无法区分会话对齐与单纯听觉暴露，是先听多了对方的距离再调整，还是在互动压力下主动调整，现有设计不能分离。原文讨论中把社会性趋同、知觉重校准与协同降低交际负担都列为可能的解释，并明确标注为初步发现与待验证，这部分应使用可能而非报告的语气复述。

要复现方法先准备什么、按什么顺序做？

复现先准备三样东西。第一是词表与图片，单音节词并配插画与汉字，包含足够数量的三声六声最小对立如怨与愿，另加控制与填充词，朗读用载体句我读某字随机呈现。第二是配对与分组流程，先做对话前朗读，按平均量表差加分布检验分在每对内相对划分多合流与少合流，记录年龄性别与配对编号以备随机效应。第三是游戏与记录环境，2 人分处虚拟房间，双通道高采样录音加同步视频，任务要求通过说出易混词把图片放到位，保留完整对话时间戳。

声学端对目标词韵母提取 10 个等距点基频，平均后转换到 0 到 5 量表，只用最小对立词建模，剔除离群点并报告剩余词数。统计端分别拟合对话模型与前后朗读模型，检验三向交互并做斜率与关键点事后比较。复现时应保留原文未报告随机斜率细节的缺项，不自行编造划分阈值。资源方面插画来源当前可用，链接状态为可用且状态码为二百，但游戏代码与录音脚本未随文公开，需自行实现。

何时值得借鉴这个结论、还需补哪项验证？

当研究问题涉及声调或语调这类超音段在互动中是否为可懂度服务时，这篇论文值得借鉴。它提示不要默认清晰者不动、含混者拉大距离，实际可能出现清晰者向含混者靠近以建立共享区间，且终点仍保持非零对比以区别于邻调。这种区间对齐的思路可用于设计对话系统与语言教学中的反馈策略，但应用前需补两项验证。一是感知验证，让第三方听者盲评对话前后混淆词的可懂度，确认距离对齐确实带来识别收益。

二是多线索验证，加入轮廓、时长与嗓音质量，确认距离缩小没有以牺牲其他线索为代价。若只能做一项，应优先做感知验证，因为声学趋同不等于听感改善。总体上论文提供的是目标驱动适应的初步证据，而非已定论的普遍规律。

📐 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 26 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