英文题目：Tonal adaptation of recent Japanese phonemic loanwords in Mandarin Chinese
会议身份：
conference:speechprosody:2026:conference-paper-id:hou26_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：#统计分析 #韵律 #语音 #语音属性识别
评分：5.5/10 | 创新 1.3/2 | 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 0.3/1.5
排名：前50% | 文档类型：应用研究
👥 作者与机构
- Jueyu Hou：机构信息未能从会议 PDF 纯文本可靠映射
- Tim Laméris：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该研究考察无日语学习经历的北方普通话母语者如何为汉字书写的近期日语音位借词指定声调，输入为6个二音节加6个三音节词在孤立、默认载体句和语境句中的朗读，输出为各词是否遵循汉字本调的二分判断及偏离者的连续F0轮廓类型，难点在于汉字本调、日语高低重音与普通话默认节律可能三向冲突且易被词汇熟悉度混淆。方法链分三步：先用词汇熟悉度二选一判断筛选已知状态并采集三语块朗读，再由两名母语人听辨二分为字符一致与其他类并对其他类做层级聚类提炼偏好轮廓，前步的分类结果与F0曲线分别进入后步的广义线性混合模型与广义加性混合模型检验字符调型、熟悉度与语境效应。相对已有英语借词研究强调重音对应声调或高频声调默认，该工作同时检验字符路径与语源路径并允许非典型实现，从而能识别既非汉字调也非日语调的自创默认轮廓。在孤立、默认载体句和语境句三语块朗读任务下，三音节其他发音的集中度指标为75.9%，高于二音节其他发音的集中度指标58.7%。2675个可用Token中57%被判为其他发音，且模型显示说话人与词条随机效应解释了大部分变异而固定效应贡献有限。该结论适用边界受限于19-31岁北方官话青年朗读语体，尚未验证自发对话与跨方言外推，社会语音解释亦未做因果检验。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.R-project.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？目标是什么？为什么借词声调值得单独研究？
这篇解读的输入是论文原文提供的被试、刺激、流程与统计结果，目标是让刚进入语音与音乐音频方向的研究生能够不依赖二手转述复述方法与证据。必须保留的信息包括被试条件、刺激呈现方式、可用 token 数量、分类标准、聚类做法与两类混合模型的拟合结论，输出是一套按学习依赖展开的核对性说明。
普通话每个音节都带声调，外来词进入后必须被改造为一声、二声、三声、四声的组合，这种在声调层面的改造就是论文所说的声调适应。以迪士尼为例，3 个音节的声调直接取自书写用汉字的声调，这就是字调读音的典型情形。初学者容易以为借词读音就是把汉字读出来，但论文要检验的恰恰是这种预期是否成立。
声调适应 × 音高重音： 声调适应指外来词进入普通话后必须为每个音节指定一声、二声、三声、四声中的一个声调，因为普通话每个音节都带声调；音高重音指日语靠音高升降区分词的方式，它不直接对应普通话的声调类别。二者搭配的原因是研究要检验借词声调究竟跟汉字字调走，还是跟日语音高曲线走，组合意义在于把来源语音特征与目标音系要求分开，避免把音高模仿直接当成声调类别。
理解这项任务还需要区分两条已有路线。一条路线报告英语借词重读音节进入普通话后常带一声或二声，支持来源韵律影响目标声调。另一条路线报告一声偏好可以用普通话声调概率解释，与来源语音关系不大。还有粤语 license 的例子显示实际读音可以偏离书写用字的声调。这些分歧说明不能默认字调读音必然成立，需要对新出现的语音借词做直接生产实验。
已有路线在比什么？本研究与它们在输入与判断上如何对照？
相关工作不是按年代罗列，而是按输入、目标与运行阶段对照。语料库路线用已进入词典的英语借词，输入是既有词汇的汉字写法与来源重音位置，目标是解释声调分布，判断常落在来源重音对应高调或高起调上。概率路线用同样的借词总体，输入是普通话声调的整体分布，目标是解释为什么一声常见，判断落在目标语言内部概率而非来源特征上。粤语偏离例子输入是同一批借词的字调与实际读音，目标是证明偏离确实存在。
本研究与上述路线同目标即解释借词声调从哪里来，但同输入不同。它用的是 2000 年代末以来经媒体传播的新日语音借词，例如亚撒西对应日语 yasashii 表示温柔，欧吉桑对应 ojisan，卡哇伊对应 kawaii。这类词多用于年轻人 casual 口语，常被视为时尚或 playful 风格，且多数不表示普通话原来没有的概念。与大量经汉字形借入的日语词不同，这批语音借词此前很少被记录发音。
因此对照点很具体。语料库路线依赖已固化读音，本研究在读音尚未固化时直接 elicited 生产。概率路线依赖总体分布，本研究同时检验字调组合与个体差异。粤语例子只说明偏离可能，本研究进一步问偏离后是否有集中偏好，以及偏离曲线是否对应日语音高型。初学者复述时应把例子明确标为例子，不把英语借词的结论直接套到日语借词上。
研究问题是什么？要区分哪三种可能的读音来源？
论文提出两个研究问题。第一，被试是否按字调读音读，是否按日语语音型读，还是读成第 3 种样子。第二，哪些因素影响声调实现。为了让初学者可操作，第一个问题被拆成三选一。选项一是字调读音，即跟着书写用汉字的声调读。
选项二是日语本位读音，即跟着日语音高型读。选项三是既不跟字也不跟日语的读法。
字调读音 × 偏离读音： 字调读音指严格按照书写用汉字的本来声调去读借词，这是汉语借词最常见的预期做法；偏离读音指实际基频曲线经听辨判断与字调组合不一致的读法。二者搭配的原因是只有先把 2 分标准固定，才能统计偏离比例并对偏离部分再做聚类，组合意义在于把是否跟字走的分类问题与偏离后偏向哪种曲线的发现问题分开处理。
关键在于三选一不是印象式判断，而是两步操作。第一步由 2 名普通话母语者听辨，把每个 token 判为字调读音或偏离读音，一致性用 Cohen’s κ 报告。第二步只对偏离读音做基频聚类，看偏离之后是否仍有集中趋势。再用 yàsāxī 的例子说明偏离曲线的平均形状既不跟字调走，也不跟日语紫色参考线走。这样问题、操作与证据就连起来了。
第二个问题关注影响因素，包括词汇熟悉度、字调组合、语境与说话人差异。其中语境在原文中被明确处理为控制实验程序变异的协变量，不作为研究兴趣解释。复述时不要把语境效应当成主要发现，也不要把熟悉度在双音节与三音节中的不同显著性混为一谈。
方法全景：从一个词到一条曲线再到一次分类如何走完？
先沿一个样本走完全程。以 yàsāxī 为例，输入是屏幕上用汉字呈现的借词，可能是孤立词，也可能嵌入无焦点句中位置。被试读出句子或单词，录音经对齐与清洗后，从每个音节韵母上等距取出 20 个基频点，再转换为以每名被试均值为基线的标准化半音。接着听辨者判断该 token 是否符合亚撒西 3 个字的字调组合。若不符合，则进入偏离集合参与聚类与曲线建模。
广义线性混合模型 × 广义加性混合模型： 广义线性混合模型负责预测 2 分类结果即字调读音还是偏离读音，回答是否偏离；广义加性混合模型负责拟合连续基频曲线随时间的变化，回答偏离成什么形状。二者搭配的原因是前者只看类别会丢失曲线细节，后者只看曲线难以回答影响因素，组合意义在于从类别概率与曲线形状两个层面互相印证说话人差异最大的结论。
全景包含 4 个组件。呈现组件控制孤立、默认载体句与语境载体句 3 种语境，并通过周围字调阻断变调，使按字调读时能发出规范调型。标注组件用 Montreal Forced Aligner 先对齐再人工检查，删除空反应、读错顺序与基频跟踪不稳的 token。分类组件做听辨 2 分与层次聚类。统计组件用两类混合模型分别回答类别概率与曲线形状。初学者应先记住这个主路径，再进入各组件细节，避免把聚类偏好直接当成声调类别。
信号与计算组件：基频如何取出？偏离如何聚成偏好？
信号侧的动作很具体。录音先用 Montreal Forced Aligner 对齐，再在 Praat 中人工检查清洗，去掉空反应、误读如把欧吉桑读错顺序的 token，以及无稳定基频跟踪的 token。清洗后保留可用 token，再用 ProsodyPro 从每个音节韵母提取 20 个等距点。基频值经人工检查后转换为标准化半音，每名被试的平均值作为基线。这样做的目的是让形状可比，而不让绝对音高主导比较。
基频轮廓 × 归一化时间： 基频轮廓指每个音节韵母上随时间变化的基频轨迹，是判断升降高低的直接信号；归一化时间指把不同时长音节拉齐到相同时间轴以便比较形状。二者搭配的原因是时长不同无法直接平均，组合意义在于得到可平均、可聚类的形状数据，使低-高、低-高-低这类模式描述建立在对齐后的曲线上。
计算侧先做听辨 2 分。2 名普通话母语者独立判断字调读音或偏离读音，报告的一致性系数较高，说明分类标准可重复。随后对偏离集合按双音节与三音节分别做层次凝聚聚类，用欧氏距离与 Ward.D2 连接，适合修剪后的归一化基频轮廓并产生更紧凑的簇。最优簇数经轮廓分析定为两类。双音节偏离中多数落入低-高型簇，三音节偏离中更大比例落入低-高-低型簇。论文强调这是一种偏好读音，尤其三音节更集中。
需要提醒的是，低-高-低是曲线形状描述，不是直接宣布 3 个音节分别是第几声。原文进一步指出这些偏离读音不仅偏离字调，也与普通话规范声调类别有些距离，且常不反映日语来源读音。因此复述时应说形状偏好得到支持，而不说证明了新的声调范畴。
本研究训练了什么？没有训练时真实计算是什么？
本研究没有训练神经网络，也没有更新声学模型参数，因此不存在梯度路径、参数冻结与解冻、早停或优化器选择的报告。若把无训练理解为确定性求解是错误的，因为生产数据本身高度可变，统计模型仍需估计不确定性。真实计算是标注、聚类与混合模型拟合。
固定效应 × 随机效应： 固定效应指语境、词汇熟悉度、字调组合这类所有被试共享的预测变量，用于估计总体方向；随机效应指说话人和词条带来的个体化截距或曲线差异，用于吸收人与词的不一致。二者搭配的原因是借词读音人与词差异大，若不分离会把个体差异误读为总体规律，组合意义在于用边际与条件决定系数对比说明总体因素解释少而个体差异解释多。
广义线性混合模型的计算目标是预测每个 token 被判为字调读音还是偏离读音的概率，采用二项分布与 logit 连接，包含说话人与词条随机截距，不保留随机斜率是因为收敛问题。固定效应按语境、词汇熟悉度、字调组合的顺序依次加入，用似然比检验比较模型。诊断用 DHARMa 检查过度离散与零膨胀，并报告广义方差膨胀因子低于阈值说明无多重共线性。
广义加性混合模型的计算目标是拟合基频随归一化时间变化的平滑曲线，采用缩放 t 分布应对基频异方差，理论焦点是曲线形状而非音高绝对值，因此只含平滑差异项而不含参数主效应。模型包含全局平滑与说话人、词条因子平滑，其余预测变量的平滑依次加入，并加入自回归误差结构处理基频时间序列的强自相关。模型选择依据 AIC，诊断用 gam.check 与 DHARMa。缺项是原文未报告具体优化迭代细节与基函数维度的完整搜索过程，复述时应指出该缺项而不从软件包名称推定实现。
实验条件：谁读？读什么？在什么语境下读？
被试是 40 名普通话母语者，女性 20 名，年龄 19 至 31 岁，平均约 22.35 岁，来自并居住于中国北方，自报以北方官话为主导，同时是英语二语者，无日语学习经验。语言背景经语言史问卷收集。年龄与来源的限制意味着结论先适用于北方年轻成人，不宜直接推广到其他方言区或年龄段。
刺激是 12 个日语音借词，双音节与三音节各 6 个，覆盖多种字调组合，全部以汉字呈现。生产任务前先做二选一词汇熟悉度任务，被试看汉字判断是否认识该词，结果是平均认识约 7.93 个，中位数 8 个，说明多数词对被试并非完全陌生。生产任务在 Gorilla 平台完成，要求佩戴有线耳机与麦克风，采样率与量化按原文记录。流程先做语境句朗读以熟悉词汇，再以平衡顺序做孤立词与默认载体句朗读，每种刺激读两遍。关键载体句把目标词放在句中非焦点位置，周围字调设计为阻断变调。
实验前告知被试这些都是日语借词，实验中研究者不监督发音策略以免干扰，实验后有 debriefing 询问发音策略与间接接触。多数被试报告接触过日本流行文化如音乐动画电视剧，这为讨论个体策略提供了背景，但不是声调跟随日语的直接证据。设备筛选与练习试次用于保证流程熟悉，误读与无稳定基频的 token 在清洗阶段剔除。
主结果：偏离有多普遍？偏离后集中到哪种形状？
比较问题是字调读音是否为默认，以及偏离后是否有可重复的集中形状。公平条件是同一批被试、同一套刺激在 3 种语境下重复朗读，分类标准统一为听辨 2 分，曲线比较统一为标准化半音与归一化时间。指标方向是偏离比例越高说明字调预期越弱，聚类占比越高说明偏好越集中。
| 条件 | 指标 | 双音节词 | 三音节词 | 可用总量 |
|---|---|---|---|---|
| 全部朗读 | 可用 token 占比 | 92.9% 的数据可用 | 92.9% 的数据可用 | 2675 usable tokens |
| 全部朗读 | 偏离读音占比 | 57% 为偏离读音 | 57% 为偏离读音 | 57% of all tokens |
| 偏离集合 | 集中簇占比 | 58.7% 落入低-高簇 | 75.9% 落入低-高-低簇 | 偏离后仍有偏好 |
上表把可用数据规模、总体偏离率与偏离后集中度放在同一框架下比较，主要收益是同时看到普遍性与集中性。可用 token 达到 2675 个，说明清洗后数据仍然充足。57% 偏离说明字调读音不是多数行为。代价是偏离不等于日语本位，因为 yàsāxī 的例子显示偏离平均曲线不跟日语参考线。未胜出项是字调读音，它在总量上成为少数。边界是该结论依赖听辨 2 分，若换用声学阈值分类比例可能浮动。
以下导读针对双音节偏离读音的聚类图，上方面板是按簇平均的基频曲线，下方面板是两簇占比，时间轴已归一化，纵轴是标准化半音，重点是比较先高后降与先低后升两类形状的分布。
看图路径： 1. 先看上方面板横轴归一化时间与纵轴标准化半音，确认两条平均曲线的升降区间；2. 再对比蓝色簇 1 先高后降与橙色簇 2 先低后升的交叉位置；3. 最后看下方柱状图 41.3% 与 58.7% 的比例，确认偏离读音中哪类更常见
论文图 1。原论文 Figure 1：“Mean F0 contour of each cluster of the ‘other’ pronunciation in elicited disyllabic loanwords.”。
该图显示蓝色簇 1 从较高起点先平后降，橙色簇 2 从较低起点先降后升，两条曲线在归一化时间约 30 附近交叉。下方柱状图显示簇 1 占 41.3%，簇 2 占 58.7%，因此双音节偏离中低-高型是相对多数但优势不如三音节悬殊。结合正文，这支持偏离后仍有偏好的判断，但双音节的个体分散程度更大，不能把低-高直接等同于某个固定的声调组合。
哪些因素真正解释变异？拿掉字调与熟悉度会怎样？
比较问题是字调组合与词汇熟悉度是否能解释字调读音与偏离读音的分野，基线是只含说话人与词条随机截距的空模型，实际可运行策略是依次加入语境、熟悉度与字调组合。指标方向是似然比卡方越大、AIC 下降越多、解释 deviance 越多，说明加入的因素越重要。原文把语境作为协变量控制而不解释其语言学意义，复述时应遵守该限定。
| 模型 | 预测目标 | 双音节改进量 | 三音节改进量 | 随机效应证据 |
|---|---|---|---|---|
| 广义线性混合模型加语境 | 字调或偏离概率 | Δχ² = 39.80 | Δχ² = 65.10 | 说话人方差 1.691 与 5.056 |
| 再加熟悉度与字调 | 字调或偏离概率 | Δχ² = 4.18 与 1.80 | Δχ² = 0.654 与 0.701 | 词条方差 4.235 与 1.366 |
| 广义加性混合模型加说话人平滑 | 基频曲线形状 | ΔAIC = –109,233.5 | ΔAIC = –204,258.6 | deviance 解释 76.05% 与 78.62% |
上表的主要收益是看到随机效应主导拟合。双音节中熟悉度有小幅额外改进而字调组合无显著改进，三音节中两者均无显著改进。固定效应边际决定系数仅 0.163 与 0.061，而加入随机效应后条件决定系数达 0.701 与 0.682。曲线模型中加入说话人因子平滑带来最大 AIC 下降与 deviance 解释，再加词条平滑改进小得多，再加语境、熟悉度与字调平滑仅带来边际增益。代价是说话人差异大意味着总体规则弱，复现时必须保留按说话人分层的随机结构。未胜出项正是研究者原本可能期待的字调组合，它在两类词长中都没有显著改善分类模型。
以下导读针对三音节偏离读音的聚类图，上方面板同样是按簇平均曲线，下方面板是占比，时间轴更长以容纳 3 个音节，重点是观察末段分叉与占比悬殊。
看图路径： 1. 先看上方面板三音节归一化时间拉长到 60 点，前段低、中间高、末段分叉的形状；2. 再对比蓝色簇 1 末段明显下降与橙色簇 2 末段维持高位的差异；3. 最后看下方柱状图 75.9% 与 24.1% 的悬殊比例，确认三音节偏好更集中
论文图 2。原论文 Figure 2：“Mean F0 contour of each cluster of the ‘other’ pronunciation in elicited trisyllabic loanwords.”。
该图显示两簇在前段与中段几乎重合，均从低位上升至高位，分歧出现在末段。蓝色簇 1 末段明显下降形成低-高-低，橙色簇 2 末段维持高位。下方柱状图显示簇 1 占 75.9%，簇 2 占 24.1%，集中度明显高于双音节。结合正文，这支持三音节偏好更强的判断，同时论文指出该形状恰好与普通话强-弱三音节默认节律相反，因此不能简单归因于普通话默认重音。
限制与反证：什么证据不支持日语本位与默认节律解释？
首先是日语本位解释受限。偏离曲线的平均形状在 yàsāxī 例子中不跟随日语参考线，且被试并无日语学习经验，对日语的间接接触主要来自流行文化，不能作为声调模仿的声学证据。事后访谈中部分被试表示故意偏离字调读音，这支持个体策略的作用，但访谈是自我报告而非声学对照，只能表述为可能与待验证，不能写成已证明因果。
其次是默认节律解释也不直接成立。双音节低-高与三音节低-高-低恰好是普通话双音节高-低与三音节高-低-高默认的反转，这 1 对照来自文献中的语料与节律研究。反转本身是描述性对照，不是因果检验，因此只能说与默认节律不一致，而不能说被试主动反转节律。
还有测量边界。听辨分类把连续曲线压缩为 2 类，会丢失中间状态。聚类数固定为两类， silhouette 分析支持该选择，但若允许更多簇可能揭示更细分形状。载体句经过变调阻断设计，结论先适用于非焦点句中位置，不宜推广到焦点或句末。社会语音讨论中引用的 Iraq 与毛利借词例子用于提出态度与身份可能起作用，但本研究未测量态度量表，因此相关性与因果必须分开。
复现先做什么？需要保留哪些信息条件与资源状态？
复现应先重建刺激与语境条件。准备 12 个借词的汉字呈现形式，区分双音节与三音节，并为每个目标词构造句中非焦点载体句，使相邻字调阻断变调。再重建三块朗读流程，先用语境句熟悉词汇，再平衡孤立词与默认载体句顺序，每刺激收集两遍。被试筛选应保留北方官话主导、无日语学习经验的条件，并记录英语二语背景与流行文化间接接触，因为原文用这些信息讨论个体策略。
信号处理的可重放步骤是先用 Montreal Forced Aligner 对齐再人工核对，剔除空反应、音节顺序误读与无稳定基频跟踪的 token，保留可用 token 规模作为检查点。再用 ProsodyPro 从每音节韵母取 20 个等距点，转为以被试均值为基线的标准化半音。分类时应由 2 名普通话母语者独立听辨并报告一致性，再对偏离集合按词长分别做层次聚类。
统计复现需保留随机结构。分类模型用二项 logit 混合模型，含说话人与词条随机截距，固定效应依次加入语境、熟悉度与字调组合。曲线模型用缩放 t 分布的加性混合模型，含全局平滑与说话人、词条因子平滑，并处理自回归误差。资源方面，原文分析依赖的 R 生态当前可用，已公开链接可达，例如 R 官方网站当前可用。Montreal Forced Aligner、Praat 与 ProsodyPro 按原文版本与引用重建。缺项是原始录音与逐 token 标注未随证据提供，因此复现先做流程复现，再补被试内重复与跨实验室验证。
何时值得尝试这种思路？还需补哪项验证？
当研究对象是尚未固化的新借词，且怀疑字调读音不能覆盖实际生产时，这套两步思路值得尝试。先用听辨 2 分估计偏离规模，再用聚类与曲线模型刻画偏离形状，最后用混合模型比较总体因素与个体差异的解释力。这种思路的适用条件是刺激呈现必须用汉字且载体句控制变调，否则无法区分偏离来自借词本身还是来自语流音变。
本研究直接报告的是高偏离率与集中形状偏好，有限解释是个体化生产策略可能重要，未验证推测是社会语音态度导致偏离。措辞上应区分这 3 层。对教学而言，最容易误解的是把低-高-低当成 3 个声调标签，或把说话人效应大理解为不需要控制词条。原文同时报告说话人与词条方差，说明两者都要保留。
还需补的验证包括焦点与句末位置的对照、更多簇数的敏感性分析、声学距离度量的直接分类，以及态度与接触量的独立测量。只有补足这些，才能判断偏好形状是否稳定，以及个体差异多大程度上来自可测量的社会语言因素。在此之前，稳妥的结论是新日语音借词的声调实现高度个体化，既不稳定跟字调走，也不稳定跟日语音高走，而是在偏离后形成可观察的形状偏好。
📐 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。
区域 1 · 查看论文原页
区域 2 · 查看论文原页
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