结构对上了才搬：瑞典语重音与调峰定时如何进入日语声调

英文题目：L1 Swedish transfer of stress and F0 peak alignment in L2 Japanese prosody

会议身份：conference:speechprosody:2026:conference-paper-id:goto26_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 #语言习得 #韵律 #语音 #语音属性识别

评分：5.6/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 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 0.3/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Natsumi Goto：机构信息未能从会议 PDF 纯文本可靠映射
• Shinichiro Ishihara：机构信息未能从会议 PDF 纯文本可靠映射
• Mitsuhiko Ota：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为固定载体句中朗读的双音节日语目标词录音，输出为跨母语组的一二音节时长差异与归一化基音峰值对齐比较，难点在于日语只有词汇音高重音而无重音，需与瑞典语兼具重音与声调的实现方式分离。方法链分为三步：先用十五个选自I-JAS的高熟悉词诱发朗读并自动切分音节以获得时长与峰值位置，再以混合效应线性模型检验母语组与重音类型的交互作用，最后按南中瑞典方言与SPOT及 immersion背景做调节检验以排除熟练度解释。与以往只做听辨判断或只描绘音高曲线的迁移研究不同，本研究将能否迁移绑定到高低调轮廓是否结构兼容，从而预测时长标记只在首音节重音时出现。在双音节词朗读任务条件下，日语母语组首末音节时长差估计指标在1-2对比为39.76，高于0-2对比的时长差估计指标8.34，而瑞典组仅在首音节重音显著拉大首末时长差并在非重音与末重音显著提前峰值。该结论适用边界在于仅覆盖双音节词朗读语体，尚未验证自发语流、长词与初始低降及知觉范畴是否同步迁移。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.homepages.ucl.ac.uk/~uclyyix/ProsodyPro/ — 链接可访问（HTTP 200）
• 第三方资源：https://ttbj.cegloc.tsukuba.ac.jp/en/index.html — 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，先保留哪些信息？

这篇解读的输入是会议论文正文证据与 3 张官方原图像素，目标是让刚进入语音研究的学生能复述方法并核对条件。必须保留的信息是被试构成、材料划分、载体句、切分与测量定义、统计模型结构和主要比较方向，输出是按学习依赖展开的中文讲解。本文只讲该论文实际做的任务，不扩展到其他口音训练或合成任务。研究的问题是母语韵律如何塑造第二语言词汇声调的习得。

具体说，瑞典语同时有重音和词汇声调，日语没有重音但有词汇声调，作者想知道瑞典学习者在说日语双音节词时，是否把母语的重音时长线索和调峰定时一起搬过去。白话解释，重音就是某个音节听起来更强更长，英文名是 stress；声调重音是固定在重读音节上的高低调型，英文名是 pitch accent；调峰对齐是基频最高点落在音节时间轴的哪个位置，英文名是 peak alignment。教学例子是汉语普通话四声与英语重音的区别，这里仅作例子，不代表本文数值。

学习依赖是先理解日语 3 种重音条件的轮廓差异，再理解瑞典语两种声调的实现差异，最后才能看懂为什么时长只在一类词上变化而调峰在另两类词上提前。资源状态方面，正文引用的第三方工具与测试库链接本次核对为可用，但这只说明链接可达，不代表复现所需全部代码已公开。

已有路线研究了什么，本文补哪一块？

已有的第二语言韵律研究大多处理重音习得与声调习得两条路线，重音路线关心重音位置放哪里，声调路线关心声调范畴学得对不对。日语作为第二语言的研究长期集中在重音核位置放得对不对，对语音实现层面的关注较少。一个常被报告的现象是学习者把本该无重音的词说成有重音，但来源不清楚，可能是把英语式重音误当声调，也可能是母语重音位置的直接迁移。

瑞典学习者日语韵律此前有两项研究，一项用印象式判断看短语切分，没有发现迁移证据，但没有声学数据支撑；另一项发现瑞典人常在无重音词上产生高低轮廓，但没有时长分析，分不清搬的是重音还是声调。本文的增量是同时测量时长与调峰，并区分方言变体，把突出类型与语音实现分开检验。

同输入同目标的对照是同样读日语双音节词并比较母语者与学习者，同监督的对照是同样以词汇重音标签为分组依据，同运行阶段的对照是同样在朗读载体句中测量，而不是自发对话。类别差异不能当同条件胜负，例如印象式切分判断不能直接与毫秒级调峰比较。

要回答的两个问题是什么，预测如何表述？

作者提出两个可检验的研究问题。第一个问题是时长线索是否被迁移，白话就是瑞典学习者是否把某音节拉长，英文对应 RQ1 duration。第二个问题是调峰定时是否被迁移，白话就是最高点是否比母语者更早，英文对应 RQ2 peak alignment。预测写得很具体，如果迁移重音，则被认为突出的音节会被拉长，位置可能在日语重音核处，也可能在瑞典语默认重音位置；如果迁移调峰定时，则学习者的调峰会比日语母语者更早。

关键术语是突出类型，英文是 prominence type，指用重音还是用声调来做词汇区分；语音实现指时长与调峰等连续量如何落地。预测的适用条件是结构兼容性，也就是只有当两语言轮廓在形状上能对上时才容易搬，而不是无条件全搬。

沿一个样本走一遍有助于建立直觉，取首重音条件中的一个双音节词放入载体句中，输入是朗读语音，表示是切分后的第一音节与第二音节时长以及归一化调峰点，组件是混合效应模型比较母语组差异，目标是判断时长差与调峰点是否偏离母语基线，输出是该条件下的组间差异估计与显著性。

方法全景：从人到数字经过哪几站？

方法全景可以分成四站。第一站是找人，14 名东京日语母语者作为对照，27 名瑞典日语学习者作为观察组，学习者包含 10 名南部方言与 17 名中部方言使用者， proficiency 用在线 SPOT 测试刻画。第二站是选词，15 个双音节目标词按无重音、首音节重音、尾音节重音各选 5 个，出自学习者语料库以保证熟悉度，重音核用符号标在元音上。第三站是录音，所有目标词嵌入同一载体句中朗读，每个词重复 5 遍，不流利则重录只保留最后 1 次，同时瑞典被试另录母语文本用于方言分类。

第四站是测量与建模，用自动切分转写为文本网格，提取音节时长与调峰位置，再用线性混合效应模型检验母语组与重音条件的交互。下面这张示意图先帮你建立日语 3 种轮廓的形状预期，再回来看测量定义就不容易混淆核的位置与峰的位置。

看图路径： 1. 先看三格小图分别对应无重音首重音尾重音哪一种高低走向；2. 再看重音符号落在第一个还是第二个音节上；3. 最后对照每格下方标注的短语首低调与高低序列说明

论文图 1。原论文 Figure 1：“Schematic pitch contours for disyllabic”。

图 1 给出双音节词加助词后的示意轮廓，像素可见三格分别展示无重音的平缓延续、首重音的早期下降和尾重音的晚期下降，每格下方还标注了短语首低调与高低序列的组合。教学价值在于它把核的位置与峰的形状分开，首重音的峰靠近第一元音而尾重音的峰靠后，无重音则没有核触发的急降。结合正文说明，东京日语首重音词的峰平均落在第二元音起点后约 30 毫秒，说明即使是首重音也有延迟峰的常见变体，复述时不要把峰顶简单等同于重音核音节中心。

瑞典语一侧的组件：重音与两种声调如何分工？

瑞典语一侧有两个必须分开的组件。重音组件负责标出哪个音节是重读，语音上用更长的元音时长实现；声调组件负责在重读音节上实现词汇声调 1 或声调 2，用基本高低轮廓与重读音节的结合时间区分。原文给出两地方言的轮廓表，中部为声调 1 低星调与声调 2 高星低，南部为声调 1 高星低与声调 2 低星高低，说明同一声调标签在不同地区定时不同。峰定时的具体数字是南部声调 1 的高调约在重读元音起点后 50 毫秒，声调 2 的高调约在重读音节结束前 40 毫秒，这为后文南部更早的趋势提供了母语基线。

重音 × 声调： 重音指以时长和元音增强为主要线索的突出位置，负责标出哪个音节更强；声调指附着在重读音节上的词汇性高低轮廓，负责区分词义并规定调峰何时出现，二者搭配的理由是瑞典语把后者固定在前者上，组合意义是学习者可能把时长和调峰打包搬到日语上。

沿样本走完有助于固定分工，输入是一个瑞典词的重读音节，表示是该音节的时长与附着的高低轮廓，组件是时长拉长叠加声调定时，目标是听者同时听到更强与特定调峰，输出是可区分声调 1 与声调 2 的语音。搬到日语时，学习者可能只搬时长，也可能只搬定时，也可能打包搬运，本文正是用两个因变量把它们拆开。

日语一侧的组件：无核与有核轮廓如何分工？

日语一侧同样有两个需要分开的组件。词汇层负责决定词是无重音还是在某音节有核，有核词携带一个高低序列；短语层负责在短语开头施加低调，除非首音节本身有核则抬高起点。语音实现上，首重音双音节词的峰通常与第一元音对齐，但延迟到第二元音的变体很常见，平均延迟的报道值为第二元音起点后 30 毫秒。无重音与尾重音的区分还涉及整体轮廓与后续下降，不能只看局部峰点。

无重音词 × 有重音词： 无重音词指全词没有词汇性高低降阶核的词，负责维持句中较高的整体轮廓；有重音词指某音节携带高低序列并触发其后音高下降的词，负责标出重音核位置，二者搭配的理由是日语 3 类双音节条件正好对比核的有无与位置，组合意义是可以分离学习者是不会放核还是放错了定时。

沿样本走一遍，输入是载体句中的目标词加后接音节，表示是归一化时间轴上的峰点与前后音节时长，组件是按重音条件分组比较母语组，目标是判断学习者是否在无核条件上误加下降，输出是 3 类条件的组间峰点差异。先有这个三分结构，后文时长只在首重音显著而调峰在无重音与尾重音提前才有解释落点。

本研究有没有训练模型，真实计算是什么？

本研究没有训练神经网络模型，也没有优化器更新、梯度路径、参数冻结与重置等训练环节，因此不能谈论训练轮数或收敛性。真实计算是声学测量加统计建模。测量侧用自动切分对 3025 条语音做音节边界，再用韵律分析脚本提取时长与基频峰点；时长只保留辅音元音交替完整的目标词，排除不符合结构的词；调峰侧把载体句切成 4 个归一化区间，每个区间取 10 个等时点，共 40 点时间轴。

统计侧用线性混合效应模型，以母语组与重音条件及其交互为固定效应，以说话人与词项为随机效应，通过向前选择与方差分析定模型，再用估计边际均值与校正后的两两比较解释交互。缺项是原文未报告切分错误率、基频跟踪纠错比例与具体随机斜率收敛细节，复现时需要自行记录这些质控量，不能从工具名称推定实现细节。

实验条件：人、词、句子与仪器如何固定？

被试方面，日语对照组是东京的大学生，瑞典组是斯德哥尔摩大学日语本科在读或隆德大学日语现往届学生，共 27 人，其中女性 12 人男性 15 人，年龄均值约 27 岁，接触时长与海外停留时长分布较散，SPOT 满分 100 分均值约 61 分。材料方面，15 个词按 3 类各 5 个选择，重音核标在元音上，例子包括无重音的顾客与场所等，首重音的夜与声等，尾重音的店与肉等，熟悉度用学习者语料库控制。程序方面，在安静房间用手持记录仪与头戴话筒录音，目标词嵌入同一载体句中随机呈现，每词读 5 遍。

处理方面，自动切分后转文本网格，第一音节取首辅音起点到第一元音终点，第二音节取次辅音起点到第二元音终点，调峰用归一化点表示，0 到 10 为载体句中目标词前的助词，10 到 20 为第一音节，20 到 30 为第二音节，30 到 40 为目标词后一音节。指标方向是时长差越大表示第一音节相对越长，调峰点越小表示峰越早。硬件预算与计算耗时原文未报告，不能承诺复现成本。

时长结果：拉长只发生在哪一类词？

时长分析的比较问题是在母语组与重音条件都固定的情况下，第一音节与第二音节的相对时长是否出现组间差异，公平条件是同一载体句、同一重复结构与同一混合模型，指标方向是第一减第二的差值越大表示首音节相对越长。结果显示三向交互显著，瑞典组只在首重音条件下拉长第一音节，与母语组的差值交互估计显著，而在无重音与尾重音条件下没有此类效应。组内两两比较显示母语组 3 类条件间时长差稳定，瑞典组首重音与其他两类差异显著。

音节时长差 × 调峰对齐： 音节时长差指第一音节减第二音节的相对时长，负责检验是否用了重音式拉长；调峰对齐指基频最高点落在归一化时间轴的哪一点，负责检验是否用了母语式调峰定时，二者搭配的理由是前者对应重音迁移后者对应声调语音实现迁移，组合意义是可以在同一批词中把两种迁移分开判定。

下图是估计时长的可视化，阅读时先看横轴毫秒数与三行条件，再比较左右条带的不对称程度，首重音行的不对称最明显。

看图路径： 1. 先确认横轴是估计时长毫秒数纵轴三行分别对应三种重音条件；2. 再比较每行中第一音节向左与第二音节向右的条带长度差异；3. 最后看首重音行瑞典组第一音节明显伸长而另两行差异很小

论文图 2。原论文 Figure 2：“EMM of first/second syllable duration of L1”。

图 2 像素显示三行分别对应 3 类重音条件，每行有两条带，左侧向左表示第一音节时长，右侧向右表示第二音节时长，条带端点标注了毫秒估计值与误差线。可见首重音行瑞典组第一音节明显长于母语组对应位置，而无重音与尾重音行的组间不对称差异很小，这与模型中只有首重音交互显著的结论一致。像素不能精确读出全部数值时以正文模型估计为准，不要硬写条带端点的近似值。

下表是组内时长差的两两比较，阅读时注意母语组三行都不显著而瑞典组首重音对比显著。

表后解释是主要收益与代价，收益是分离了条件性迁移，学习者不是见词就拉长，而是在日语高低轮廓与瑞典声调 1 形状兼容时才拉长；代价是该结论依赖朗读载体句，不能推广到自发语速与焦点重音下；未胜出项是无重音与尾重音的时长比较均不显著，这正是反证，说明时长迁移不是全局口音。

下表整理采集规模，用于核对数据量与分组是否支撑上述比较，阅读时把词数重复数人数与总句数连起来看。

表后解释是该表支持的判断与限制，3025 条是在 15 乘 5 乘 41 人结构下得到的自动切分总量，说明每类重音条件各有 5 词支撑，组间比较不是基于极少数词；限制是时长分析进一步排除了不符合辅音元音结构的词，实际进入时长模型的有效条数少于总数，复现时必须按同一排除规则重算分母。

调峰与方言：提前发生在哪里，方言有调节吗？

调峰分析的比较问题是在同一归一化时间轴上，3 类条件下两组的峰点是否错位，公平条件是同一载体句位置定义与同一随机效应结构，指标方向是点数越小峰越早。组间校正比较显示瑞典组在无重音与尾重音条件下显著更早，在首重音条件下无组间差异。组内比较显示母语组 3 类两两差异均显著，而瑞典组只有首尾重音差异显著，无重音与其他两类的差异不显著或边缘，说明学习者没有建立无重音在峰定时上的独立类别。下图把这种错位可视化，阅读时先看横轴归一化点，再看同条件下两组估计点的左右关系。

看图路径： 1. 先确认横轴是时间归一化点数值越大表示调峰越晚；2. 再比较无重音与尾重音条件下两组估计点的左右错位；3. 最后看首重音条件下两组置信区间出现重叠的位置

论文图 3。原论文 Figure 3：“Estimated peak alignment across L1s”。

图 3 像素显示横轴为时间归一化点，数值越大越晚，纵向多行分别对应不同组别与条件组合，圆点与三角标记表示估计峰点，横线表示置信区间。可见无重音与尾重音条件下瑞典组标记偏左即更早，而首重音条件下两组区间重叠，这与正文报告的显著性模式一致。像素分辨率不足以读出精确到小数点的点数，复述时只讲相对早晚与是否重叠。

中部瑞典语 × 南部瑞典语： 中部瑞典语指重音 1 为低星调而重音 2 为高星调的一组实现，负责提供一种调峰偏晚的母语基线；南部瑞典语指重音 1 为高星低而重音 2 为低星高低的一组实现，负责提供调峰相对更早的母语基线，二者搭配的理由是被试正好覆盖这两类方言，组合意义是可以检验方言语音细节是否进一步调节日语中的调峰位置。

下表是组内调峰对比的估计，阅读时注意母语组 3 对差异的方向与显著性，而瑞典组只有 1 对显著。

表后解释是主要收益与反例，收益是证明了调峰定时的迁移，且与时长迁移发生在不同条件上，支持语音与音系层面分开搬运；反例是首重音无差异，这不是失败，而是目标延迟峰区间与迁移来的早期峰区间恰好重叠；未评测边界是句首低调等全局轮廓未纳入本次峰点模型。方言方面，南部组 3 类条件数值上更早，但效应不显著，估计约为负 2 点，显著性略高于常规阈值，支持方言细节可能存在但本样本不足以确证。

下表整理调峰定义与关键显著性，帮助核对测量口径与判断边界，阅读时把区间定义与显著性阈值连起来看。

表后解释是该表支持的判断与限制，区间定义说明峰点不是原始毫秒而是归一化点，跨说话人语速可比；显著性说明提前只在两类条件成立，首重音的零结果不能写成落后；限制是方言比较与背景变量均不显著，背景变量对时长与调峰的预测全部高于常用阈值，说明迁移状态在本样本中相对稳定，但这只是相关性缺失，不能推出因果上的不可改变。

哪些结论有边界，什么还没有测？

直接报告的是条件性时长迁移与两类条件上的调峰提前，以及背景变量不显著。有限解释是结构兼容才搬运，因为首重音轮廓与瑞典声调 1 形状相近时才出现拉长，这得到组内与组间双重支持。未验证推测是默认迁移策略与知觉显著性的作用，原文用可能与待验证的语气提出，不能当定论。缺失证据不是技术错误，例如没有测量误判率、反应时、推理延迟与标注成本，就不能承诺这些量得到改善。

总体趋势不等于每组每步成立，例如南部更早只是数值趋势，统计上未达显著。不同指标的差值不能混放，毫秒差与归一化点差是不同量纲，不能放在同一列比较大小。原文表头与正文若出现缩写大小写差异，复述时统一为无重音、首重音、尾重音 3 类，并注明原文缩写对应关系，不自行编造新的划分口径。

要复现先做什么，需要保留哪些信息条件？

复现先做三件事。第一，按同一 3 类各 5 词与同一载体句重建朗读表，重复 5 遍并保留重录规则，记录 SPOT 分数、海外时长与首次接触年龄，但不要期待这些变量能预测声学结果。第二，用同一自动切分与韵律脚本流程重建音节边界与峰点，时长排除不符合辅音元音交替的词，峰点按载体句 4 段各 10 等时点重建 0 到 40 轴，对照组必须包含东京母语者。

第三，用母语组乘重音条件加说话人与词项随机效应的混合模型重跑，先检验交互再做校正两两比较，时长看第一减第二差值，调峰看归一化点早晚。关键超参数是每段 10 点与 5 次重复，信息条件是同一载体句位置与同一方言分类文本。代码开源、权重下载与系统可运行要分开表述，本文引用的是公开可达的韵律分析工具与日语测试库链接，不等于本研究全部分析代码已公开，复现前应先确认脚本版本与切分模型一致。

何时值得尝试这个解释，还需补哪项验证？

当学习者母语同时用时长与调峰做词汇区分，而目标语只用调峰时，本文的条件性迁移解释值得尝试。具体做法是先看目标轮廓是否与母语某一声调形状兼容，再分别检验时长与峰点，而不是用单一重音正确率概括。何时不适用是目标语料涉及焦点、边界调或自发变速时，本文朗读结论不能直接外推。还需补的验证是句首低调等全局轮廓的习得情况，以及个体层面的系统性差异，因为组均值可能掩盖部分学习者已区分无重音而部分完全合并。

常见误解是把无重音误读等同于不会放核，本文显示问题可能出在峰定时类别合并，而首重音的零差异可能是区间重叠而非已学好。收束是母语音系结构与语音实现共同塑造第二语言声调，时长搬运发生在形状对齐处，定时搬运发生在形状错位处，且在本样本中不受 proficiency 与沉浸史调节。

📐 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 7 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