英文题目：Prosodic Disambiguation of Wh-Words: In the Case of “ma” in Tianjin Mandarin
会议身份：
conference:speechprosody:2026:conference-paper-id:geng26_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。
标签：#人类参与评测 #韵律 #言语感知 #口语理解
评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 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
- Tianqi Geng：机构信息未能从会议 PDF 纯文本可靠映射
- Hui Feng：机构信息未能从会议 PDF 纯文本可靠映射
- Cong Zhang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
本文研究天津话嘛在字面串相同条件下疑问与否定解读的消歧，输入为无标记句张三买嘛及句法或语境变体，输出为功能类别判断与词层句层声学实现差异，难点在于声调干扰下韵律是否独立承担消歧且策略随标记有无而变。方法链分三步：先以目标组与疑问否定对照组交叉语境句法韵律线索收集四选判断与反应时以检验歧义，其输出的混淆分布进入下一步；再以语境诱导的目标集与句法标记对照集的实验室朗读录音做分层标注与归一化以提取时长强度基频，其输出的声学参数进入下一步；最后比较词层与句层突显分配以归纳编码策略。与已有跨语言陈述疑问韵律研究相比，关键机制差异在于揭示否定在无句法标记时将突显从嘛转移至主语或动词而疑问始终强化嘛本身，具有为多功能词消歧建模的意义。在感知判断任务条件下，Question组选择wh的优势比指标为53.4，高于Target组选择wh的优势比指标20.9。结论适用边界在于仅覆盖天津话单音节嘛与实验室朗读语料，尚未验证自发对话与跨方言外推。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://firebase.google.com/docs — 链接可访问（HTTP 200）
- 第三方资源：https://www.praat.org → https://praat.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，输出要回答什么？
这篇解读的输入是会议论文的正文文字与本次收到的官方原图像素，目标是让刚进入语音、音乐与音频方向的研究生能够核对原文并复述方法。必须保留的信息包括被试数量与年龄、刺激组织方式、句法框架、录音与标注流程、声学参数归一化做法、统计模型结构以及关键百分比与方差分析结果，输出则按学习依赖从任务到复现逐步展开。
论文研究的对象是天津话里的嘛。白话说，它是一个多功能小词：既可以当疑问词，相当于普通话的什么，也可以当否定极性项，表达什么都不、别买之类的否定或劝阻含义。英文术语是 wh-word（疑问词）与 negative polarity item（否定极性项）。当同一个音段字符串张三买嘛既能被理解为张三要买什么，又能被理解为张三什么都不该买时，歧义就出现了。例（1）正是沿着这个样本展开：输入是相同的 4 个音节，输出是两种语义，中间缺的是结构或语境给定的选择指令。
为什么这个任务不是把声音丢给模型就结束？因为字符串相同意味着词表、字面转写完全一样，识别文字并不能选义。论文要检验的是韵律（prosody）能否补位：也就是时长、音强、基频高低与变化幅度在时间上的组织方式，是否系统性地偏向其中一种解读。初学者容易把语调理解为情绪，这里需要纠正为信息编码：在疑问与陈述字符串重合的语言中，音高与时长分布本身就是语法与语义的一部分。论文的两个具体目标是先用感知实验证明无线索时确有歧义，再用产出实验找出天津话说话人区分两种功能的声学对应物。
同类歧义在其他语言中如何被证明与消解？
论文把自身放在一条已有路线上：当字面序列相同时，韵律提供关键消歧信号。引用的背景包括英语、法语、韩语与汉语中疑问与陈述同形时的音高线索研究，以及汉语疑问词兼表非疑问用法的类型学讨论。相关工作的共同输入是同形异义句，输出是对功能的判断或声学差异的报告，监督来源是语境诱导的语力，而运行阶段分为感知端与产出端。
与同目标研究相比，本研究的特殊性在于天津话嘛同时覆盖疑问词与否定极性项，且否定有明确句法框架可对照。普通话什么、哪里也有疑问与非疑问两读，但天津话嘛的否定用法与句法位置结合更紧，因而可以构造目标组与控制组的最小对照。同输入、同目标的对照应看是否控制了声调：因为天津话有 4 个声调类别，若刺激只用一个声调，时长与基频差异可能被声调混淆。论文在感知与产出两端都纳入 4 个声调，这一点与只用单一载体句的研究不同。
同监督、不同语言的对照是韩语疑问焦点研究。韩语同样报告在欠指定语境下听者偏向疑问解读，论文引用该结果来解释目标组中疑问占优并非偶然。需要强调的是类别差异不能当作同条件胜负：韩语的形态与语序标记与天津话不同，不能直接比较谁的韵律更有效，只能说偏向疑问的加工倾向在两种语言中都出现，可能与疑问词的词汇意义有关。
要判定的歧义究竟在什么条件下成立？
论文把问题分解为两个可操作的问题。第一，字符串相同的含嘛句是否在听者端真歧义；第二，说话人端用什么声学策略区分它们。判定真歧义的操作标准是：当句法线索与语境线索都不存在时，听者的选择分布是否分散，且是否出现两者皆可的高比例；当加入韵律线索后，准确率是否显著回升。
教学例子可以帮助理解，但明确标为例子：假设只听到张三买嘛 4 个音节的录音，没有前后文，也不知道是 V-嘛-V 还是 V-嘛-了，那么听者只能靠声音细节猜测。若多数人选疑问、少数人选否定、还有人选两者皆可，就说明歧义成立；若所有人一致选疑问，则更像偏向而非均衡歧义。论文的实际做法比这个例子更严格，它设置了否定组、疑问组与目标组 3 组，以及无线索、语境、句法、韵律 4 种消歧方式，用分布与反应时共同论证。
第二个问题的难点在于声调与功能的纠缠。基频既承载声调，也承载语调，直接比较原始赫兹值会混淆个人音高与声调高低。因此问题定义中就包含归一化要求：基频转半音并做对数标准化，音强与时长做标准分，嘛的时长进一步换算为占整句时长的比例。只有经过这些转换，组间与功能间的差异才能被读作韵律策略。
两组实验如何分工并衔接？
方法全景可以沿着一个样本走完。输入是张三买嘛的载体句，表示是 3 层结构：功能标签为疑问或否定，线索条件为无、语境、句法或韵律，声调覆盖 4 个类别。组件是感知辨认任务与产出朗读任务，目标分别是选择功能与产生可测语音，输出分别是选项分布与反应时、以及分音节的基频、音强与时长。
感知实验有 15 名天津话母语者，年龄 18-25 岁，平均 21.67 岁，标准差 1.11，通过在线 jsPsych 程序完成。每次试听一个刺激，从疑问、否定、两者皆可、两者皆不可中选一，反应与反应时经由 Firebase 记录。刺激按组与方法交叉：否定组与疑问组各有语境、句法、韵律 3 种呈现，目标组只有无线索条件，再乘以 4 个声调，共 28 个不同刺激。句法框架原文明确给出：否定为 V-嘛-V，疑问为 V-嘛-了，其中完成体标记了参与疑问解读。韵律条件是由 1 名天津话女性母语者按语境引导录制的音频，用以突出不同功能下的韵律差异。
产出实验另招 18 名母语者，年龄 18-25 岁，平均 21.78 岁，标准差 1.96，朗读材料取自 INTO-CASS 语料库相关项目。材料分目标集与控制集，各含否定与疑问两种功能，再乘 4 个声调，每人 16 条。目标集靠书面语境诱发否定或疑问意图，但语境本身不读出；控制集沿用感知实验的句法结构。录音在隔音室以 44.1 kHz、16 bit 完成，在 Praat 中按句、词、音节 3 层标注，用 VoiceSauce 提基频、音强与时长，基频经 STRAIGHT 估计，每个元音归一化为 11 个等距点。感知证明歧义存在，产出解释歧义如何被语音化解，两端共用同一套功能与分组定义，这是全文复述时不能颠倒的顺序。
关键概念如何配对工作？
本节把 5 个易混概念成对讲清，每对独占一段，先给白话再给英文，组合机制紧跟其后。
疑问解读 × 否定解读： 疑问解读指把嘛读作什么、询问张三要买什么；否定解读指把同形字符串读作告诫或否定、即张三什么都不该买。二者共享同一音段序列，分工在于语义指向不同：前者索取信息，后者表达否定极性；搭配理由是天津话允许嘛兼任疑问词与否定极性项，组合意义在于同一字符串必须靠句法框架、上下文或韵律来选定其一。
句法线索 × 韵律线索： 句法线索指 V-嘛-V 表否定、V-嘛-了表疑问这类结构框架，分工是给出范畴性、几乎确定的解读；韵律线索指时长、音强、基频最大值与基频域在嘛及其所在句中的分布，分工是当结构缺位时提供渐变的、可感知的偏向。搭配理由是句法在场时韵律负担小，句法缺席时韵律负担加重，组合意义是两种编码通道互补而非互相替代。
目标组 × 控制组： 目标组指不带消歧线索的裸句条件，分工是暴露歧义本身与说话人自发的韵律策略；控制组指带句法框架的消歧条件，分工是提供解读已定的基准线。搭配理由是只有对照才能判断时长拉长或重音转移是功能对比还是句式固有差异，组合意义在于把组间差异读作策略适应而非偶然波动。
词层 prominence × 句层 prominence： 词层 prominence 指落在嘛自身上的时长、音强与音高强化，分工是直接标记该语素的功能；句层 prominence 指重音落在主语或动词等其他音节上的分布，分工是间接编码整句的否定或疑问语力。搭配理由是当否定已有句法标记时重音可留在嘛上，当否定无标记时说话人把重音移向动词或主语，组合意义是局部强化与全局布局共同完成消歧。
语境线索 × 语调整体抬升： 语境线索指在嘛之后附加的书面引导句，分工是在听辨与产出前先固定说话人意图；语调整体抬升指疑问句全局基频上移的句调模式，分工是在语音信号中留下可测的声学痕迹。搭配理由是实验用文字语境诱发目标语力，再用声学测量检验语力是否实现，组合意义是把意图操作与信号结果闭环对应。
把这些配对放回流程：感知端用句法与语境固定意图，检验韵律是否仍能引导选择；产出端用目标与控制对比分离策略，检验词层强化与句层布局如何分工。初学者复述时应先说清样本的输入表示，再说组件输出，避免先抛结论再补条件。
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、损失函数或早停等环节。必须明确说明的缺项是：原文未报告任何可学习权重、优化器、学习率或训练轮数，不能从 Praat、VoiceSauce 或 STRAIGHT 的名称推定存在深度学习训练。
真实计算过程是经典语音学分析流水线。第一步是标注与切分：在 Praat 中完成句、词、音节 3 层边界，确定嘛及其前后主语、动词、末音节的位置。第二步是参数提取：用 VoiceSauce 输出基频、音强与时长，基频用 STRAIGHT 方法估计以适应周期性语音的时频平滑。第三步是归一化：基频转半音后做 log-z 变换以控制说话人差异，音强与时长做 z 分，嘛时长再换算为词占句比例。第四步是统计推断：感知端用二项链接的广义线性混合效应模型，对每个选项分别建模，被试作随机截距。
产出端原计划用组与功能为固定效应、被试为随机截距的线性混合模型，因奇异拟合不收敛而退为双因素方差分析，后续用 Tukey 检验做两两比较。整个过程的监督来源是实验设计赋予的功能标签与分组标签，而非模型自学的隐变量。
数据、划分、指标与统计口径如何固定？
感知端数据是 28 个刺激乘以 15 名被试的判断与反应时。划分按 3 组乘四方法但目标组只有无线索条件，因此实际呈现为否定语境、韵律、句法，疑问语境、韵律、句法，再加目标无线索，共七列。指标有两个：选项百分比分布与标准化反应时，聚合对象是组与方法交叉格，统计用广义线性混合模型报告比值比与置信区间，反应时用线性混合模型报告组与方法的 F 检验，再用 Tukey 比较语境、句法、韵律三者快慢。
产出端数据是 18 人每人 16 条，共 288 条量级的句级样本，方差分析自由度报告为 1 与 283，说明按有效 token 聚合。划分按目标与控制两组乘否定与疑问两功能。指标覆盖嘛的归一化时长比、平均音强、最大基频、基频域，以及整句归一化基频轮廓与分音节的平均基频、相对时长、归一化音强。硬件与采集条件原文明确：隔音室、44.1 kHz、16 bit。工具链的可用性按本次资源状态核对：Firebase 文档当前可用，状态码 200。
Praat 官网当前可用，状态码 200，因此可以写这两个工具链已公开可查。语料 INTO-CASS 按原文引自 larger project，本文未给出下载链接，不做可运行承诺。
公平条件需要点明：四声调在两端都被纳入以控制声调干扰；目标集的语境只用于诱发意图而不读出，避免把语境文字的时长计入目标句；控制集句法结构在感知与产出中保持一致，使组间比较有共同基准。
感知端是否证明歧义，韵律是否有效？
要回答的核心比较问题是：在句法与语境缺席时听者是否分散，而在加入韵律后是否向正确功能回拢，且代价是什么。公平条件是同组内比较不同线索，指标方向是正确选项占比越高越好，两者皆可占比反映不确定性，反应时越短加工越省力。
下表把原文报告的百分比整理为可核对的对照，数值与单位保留原文写法，裸值不擅自添单位，方向按正确功能判定。
| 条件 | 指标 | 否定组基线 | 疑问组对照 | 目标无线索 |
|---|---|---|---|---|
| 句法线索 | 正确功能占比 | >90% | 100% interrogative | — |
| 语境线索 | 正确功能占比 | >90% | 83% | — |
| 韵律线索 | 正确功能占比与分歧 | 偏向否定但 both 16.7% | 有效但 both 与 none 上升 | — |
| 无线索 | 分布 | — | — | 疑问 70.8%，both 16.7%，否定 12.5% |
上表显示句法与语境单独即可稳定解读：否定组语境与句法下否定选择超过 90%，疑问组句法达顶、语境达 80% 以上。韵律仍有帮助但更不范畴化，否定韵律下两者皆可达 16.7%，疑问韵律下两者皆可与皆不可也上升。目标组无任何线索时分布最散，疑问主导但否定与两者皆可各占 10% 以上，原文据此判定嘛在无消歧线索时固有歧义。广义线性混合模型进一步报告：相对否定组，疑问组与目标组更可能选疑问，比值比分别为 53.4 与 20.9。
相对否定组，疑问组与目标组更不可能选否定，比值比为 0.031 与 0.0036；两者皆可模型因数据稀疏不稳定。反应时上语境快于韵律、句法快于韵律，语境与句法之间无差异，韵律最慢且变异最大，提示韵律加工负担更重。
下段导读图 1 的堆积分布，帮初学者把数字与图形对应。图中七根柱从左到右为否定语境、韵律、句法，疑问语境、韵律、句法，以及目标无线索，纵轴为百分比。
看图路径： 1. 先看横轴七根柱子的分组：左侧三根为否定组，中间三根为疑问组，最右为无任何线索的目标组；2. 再对照右侧图例四种颜色：深棕为选疑问，浅蓝为选否定，浅橙为选两者皆可，紫色为皆不可；3. 比较句法柱与韵律柱中浅橙段的高度变化，判断韵律是否带来更多两者皆可；4. 最后看目标组柱中深棕段是否仍占主体，并记录其余两段的占比
论文图 1。原论文 Figure 1：“Percentage distribution of response choices”。
图 1 可见左右两侧规律：否定侧浅蓝段占主体，疑问侧深棕段占主体，句法柱最纯，韵律柱在顶部多出一小段浅橙。最右目标柱深棕约 70%，但底部浅橙与浅蓝清晰可见，与 70.8%、16.7%、12.5% 的文字报告一致。未胜出项是韵律条件下的两者皆可，它说明韵律能偏向但不能完全消除不确定性，这是后文声学变异大的感知端伏笔。
下段导读时长分布图，为进入产出端的词层线索做铺垫。该图横轴为词占句比，上下两行为目标与控制，左为否定、右为疑问。
看图路径： 1. 先确认横轴为词占句时长比，纵轴两行为目标组在上、控制组在下；2. 对比左图否定条件下上下两行箱体与散点的位置错开程度；3. 再看右图疑问条件下上下两行分布是否基本重合；4. 注意左图目标组分布更宽，判断时长在何种功能下负担更重
论文图 4。原论文 Figure 4：“Cloud-Rain plot of normalized duration of”。
该图显示否定左图中上行目标组整体右移且更宽，下行控制组集中在左侧；疑问右图中上下两行基本重合。对应文字是目标组在否定下显著长于控制组，否定长于疑问，交互显著。这支持时长是区分否定与疑问的稳健线索，且目标组更依赖它。
拿掉句法后声学分布与句调如何变化？
本节按消融逻辑组织：把句法标记视为可移除条件，比较控制集与目标集在同一功能下的声学实现。测的是嘛的 4 个词层指标与整句轮廓，条件一致性靠同功能、跨组比较保证，指标方向按原文显著性报告解读，不把单指标胜负推广为整体最优。
下表整理产出端词层显著差异，保留原文均值差与显著性写法，不做四舍五入或单位外推。
| 声学指标 | 比较方向 | 否定与疑问差 | 目标与控制差 | 交互与分组效应 |
|---|---|---|---|---|
| 平均与最小基频 | 无可靠效应 | 不显著 | 不显著 | 不再展开 |
上表的主要收益是功能对比清晰：无句法标记时否定嘛更长、基频域更宽、最大基频更高，而疑问嘛平均音强更高。代价是组效应只在时长上显著，音强与音高更多反映功能而非分组，平均与最小基频则无区分力，说明不是所有基频统计量都有效。反例是目标组否定下时长变异更大，提示重度依赖单一线索会带来不稳定。 下段导读基频域小提琴图，验证宽音域是否只属于否定。
看图路径： 1. 先确认左面板为否定、右面板为疑问，纵轴为归一化基频域；2. 比较左右面板小提琴的整体高度，判断哪种功能音域更宽；3. 再比较每面板内控制组与目标组黑点的高度是否接近；4. 观察否定面板上端细长拖尾，理解变异主要来自功能而非分组
论文图 6。原论文 Figure 6：“Violin plot of normalized pitch range of mà(T - target set; C – control set; N – negation; Q –”。
图 6 显示左否定面板小提琴明显高于右疑问面板，黑点代表的集中趋势在否定侧更高，而每面板内控制与目标黑点高度接近。这与文字一致：功能主效应显著，分组无显著，交互无显著。因此可以报告基频域是功能标记，但不能说它区分目标与控制。 下段导读句级基频轮廓，观察拿掉句法后差异从嘛转移到句首。
看图路径： 1. 先按图例区分疑问控制、疑问目标、否定控制、否定目标四条归一化基频曲线；2. 先看疑问条件下两条曲线除末音节外是否基本重合；3. 再看否定条件下目标组在首两音节与第三音节处如何偏离控制组；4. 结合横轴归一化时间，定位差异集中在句首还是嘛所在位置
论文图 8。原论文 Figure 8：“Sentence-level F0 contours (T - target”。
图 8 显示疑问下控制与目标轮廓除末音节段效应外基本重合，目标整体略高；否定下目标在首音节上扬、第二音节抬高、第三音节压低，与控制分叉更明显。控制组内否定与疑问主要差在嘛的基频，目标组内对比集中在前两音节。结合分音节 3 维散点描述：控制否定下动词音强与时长占优、嘛基频最高，目标否定下动词音强仍高但最长时移到末音节；疑问下两组都在动词放音强峰，但目标把最长时长与最高基频都推向嘛。这支持结论中的重音转移：有句法标记时重音可留嘛，无标记时转向主语或动词。
哪些边界尚未被测量，不能承诺什么？
论文直接报告的是受控朗读与在线辨认下的分布与均值差异，有限解释是韵律可部分补偿句法缺席。未验证的推测是把这些差异直接等同于自然对话中的因果消歧力，应用时应表述为可能或待验证。相关性不等于因果：产出端观察到的时长与音域差异与功能共现，但感知端并未逐项操纵时长或音域做因果听辨，因此不能承诺拉长嘛必然导致否定判断。
未测量的边界包括误判率在噪声、电话带宽或远场下的变化，韵律线索带来的额外延迟，以及不同年龄、非天津话背景听者的泛化。训练资源与推理开销在本研究中不适用，因为无模型训练；若 downstream 要做语音合成或识别，总体趋势不等于每组每步都成立，特别是否定目标组的异质策略可能使平均轮廓失效。统计口径上两者皆可模型不稳定、混合模型曾因奇异拟合退为方差分析，这些限制意味着小样本稀疏格的估计应谨慎解读。原文图注与算术未发现互相冲突，但像素较小的 violin 与 cloud-rain 图不宜硬读精确数值，复述时以文字报告的均值差与显著性为准。
若要重做，先固定哪几步才能对上原文？
复现先做材料与分组的精确复制。感知端按 2 组乘 3 方法乘 4 声调加 1 组乘 1 方法乘 4 声调搭出 28 刺激，否定句法用 V-嘛-V，疑问句法用 V-嘛-了，语境以嘛后附加句呈现，韵律刺激请女性天津话母语者按语境引导录制。被试招募天津话母语者 15 人，年龄段 18-25 岁，在线呈现并记录四选一与反应时，注意目标组只呈现无线索条件。
产出端从 INTO-CASS 相关材料取载体句，18 人每人读目标与控制各 8 条，共 16 条，语境只看不读。录音固定隔音室、44.1 kHz、16 bit，在 Praat 按句词音节 3 层标注，用 VoiceSauce 提参、STRAIGHT 估基频，每元音 11 点归一化，基频转半音做 log-z，音强时长做 z 分，嘛时长再除以句长。统计先试组与功能混合模型，若奇异则退为双因素方差分析并做 Tukey 比较，重点核对时长交互与基频域功能主效应是否复现。
信息条件上需保留声调平衡与书面语境原文，否则时长与音高差异可能被文本长度混淆。代码开源方面原文未提供仓库，权重下载不适用，系统可运行指的是 Praat 与 Firebase 文档当前可达，可照上述链路重搭流程。还需补的验证是自然语料中的分布检验与逐线索操纵的感知因果实验，才能把部分补偿的结论推向应用。
何时值得尝试韵律消歧，何时应先加句法？
当输入已确定是天津话嘛的裸句、且前后文与句法框架都缺失时，值得尝试韵律消歧：优先看嘛的相对时长与基频域，否定倾向更长更宽，疑问倾向平均音强更高且全局音高上扬。若是否定且无句法标记，还应检查重音是否落在动词或主语，而非只看嘛本身。若应用允许改写文本，更稳妥的做法是先加句法：否定补为 V-嘛-V，疑问补为 V-嘛-了，因为感知端句法达顶或超 90%，远比韵律更范畴化。
论文特有的误解需要澄清。第一，目标组 70% 选疑问不等于无歧义，分散与两者皆可并存才是歧义证据，偏向疑问可能来自词汇意义的加工偏好。第二，否定最大基频更高不等于整句更高，句层上疑问反而有全局抬升，词层峰值与句层高度是两个层面。第三，反应时慢不等于听不懂，而是韵律敏感度的个体差异更大，需要更多累积证据。总体上，韵律是多功能语素编码的关键一环，但在欠指定语境下只能部分补偿，合成与识别系统应把句法、语境与韵律当作互补通道联合建模，而非用单一声学阈值硬判。
📐 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 21 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