动漫腔不只在音高：句内气声、粗糙与挤压如何分段出现

英文题目：Local Non-Modal Voice Quality Dynamics in Japanese Anime Speech

会议身份：conference:speechprosody:2026:conference-paper-id:ishi26_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 #社会语音学 #语音 #语音属性识别

评分：5.3/10 | 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 0.5/1.5 | 开源 0.2/1.5 | 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

• Carlos Ishi：机构信息未能从会议 PDF 纯文本可靠映射
• Akira Utsugi：机构信息未能从会议 PDF 纯文本可靠映射
• Ichiro Ota：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为职业声优与声优课程女学生的配音、复述与朗读日语动漫对白，输出为音节内局部非模态音质事件的类别、位置与声学可分性，难点在于气息、粗糙与压紧变化短促且易与情感表达和角色声线混淆。方法先由熟悉音质分析的专家结合听觉印象与语图视觉检查切分全部话语中的非模态区间，并归为气息类、粗糙类、压紧类与吸气类等亚型，其标注结果直接作为后续统计的事件集合。再统计各类事件在配音、复述与朗读任务间及短语首、中、尾位置上的分布差异，以揭示局部调制的位置约束，该分布输出又作为声学验证的分组依据。最后提取HNR、F1F3syn与H1-A1等谐波性与声门紧张度参数，用方差分析与多重比较检验类别区分度及其跨群体一致性。相对以往只比较整句基频与整体音质的做法，该工作将表达力定位到音节内动态调制与固定位置搭配，因而更能解释动漫表演的社会语用含义。在区分气息成分的声学验证任务条件下，模态段与压紧段的F1F3syn指标为接近1，高于气息段的F1F3syn指标接近0。该结论适用边界受限于11名年轻女性学生、单部2016年动漫与四种角色，尚未验证跨作品、跨性别与感知层面的外推性。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://sigroup-official.github.io/localnonmodalvoicequality → https://sigroup-official.github.io/localnonmodalvoicequality/ — 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

为什么动漫语音要看音节内部的局部变化？

输入是日本动漫中富有表现力的角色话语，目标是解释为什么听起来很动漫。必须保留的信息是研究对象不是整句平均音高或平均音质，而是发声方式在句内甚至音节内突然切换的片段，以及这些片段在职业声优和声优学员话语中的出现规律与声学表现。输出是一套可以复述的切分标准、位置统计方法和 3 类声学度量。

对于刚进入语音领域的读者，白话先行。模态发声（modal phonation）指声带规则振动、听起来干净正常的元音。非模态（non-modal）指偏离这种正常振动的各类发声，本研究只处理气声、粗糙声、挤压声和可听见的吸气。气声（breathiness）是发声时漏气带来嘶嘶噪声，粗糙声（harshness）是振动周期不规则带来毛糙感，挤压声（pressed voice）是声带夹紧带来的紧张尖利感，吸气（inhalation）是发声间隙 audible 的进气声。

既往动漫语音研究多做全局比较，例如比较不同角色类型的平均基频范围或整个元音段的平均音质参数。这能区分姐姐系普通角色、女战士勇敢角色、幼齿男孩气角色和可爱女孩角色的大体音色，但会抹掉一句话内部的表演动作。原文明确指出局部音质变化在动漫话语中经常被观察到，但此前分析集中在角色之间的全局音质特征。本研究的学习依赖是先建立局部事件的切分与命名，再统计事件在哪里出现，最后检验声学参数是否稳定区分这些事件。

理解顺序应当是任务先于参数。先知道语料来自哪部动漫、哪几个角色、哪几种说话任务，再知道专家如何一段一段标出非模态区间，再知道用哪 3 个声学量描述这些区间，最后才看职业与学员的差异。跳过切分标准直接谈参数，会无法判断参数差异究竟来自发声方式还是来自切分不一致。

此前研究走了多远，还缺哪一块？

同输入同目标的直接前序工作是同一批语料上的角色类型研究。原文引用了对特定元音段韵律与音质特征的分析，以及对整句话语的分析，发现了不同角色刻板印象之间的差异。这些工作共享输入条件，即同一说话人在相同录音条件下读出多类话语，共享目标即刻画角色类型，共享运行阶段即离线声学分析。它们的局限不是基频测不准，而是分析单元太粗。

另一条路线是社会语音学对动漫寄存器的讨论。原文提到多类动漫声音类型正在形成，可视为社会语言学意义上的寄存器，已有研究从基频和音质相关特征切入。这条路线提供了为什么值得研究局部调制的解释，即局部变化可能承载语用功能、社会身份或瞬间情感状态，但它本身没有给出音节内切分与声学验证的操作。

本研究补的正是操作层。第一是把标注单元细化到音节，音节内若音质变化则切得更短。第二是把气声按实现方式拆成 3 种，把粗糙按是否带气拆成两种，把挤压的两种实现合并处理，把吸气按是否带声拆成两种。第三是用配音、跟读、朗读 3 种任务对照，检验局部事件是否依附于表现力而非朗读文本。教学上可以把前人工作理解为先画出 4 个角色的整体音色地图，本研究再在地图上标出每一句话哪里突然换气、哪里突然夹紧、哪里吸了一口气。

研究要回答的三个具体问题是什么？

第一个问题是局部非模态段在动漫表演中有多常见。操作化为在职业声优的 44 个话语中有多少话语至少含一段非模态，有多少段，总时长占比多少，以及在学员的配音、跟读、朗读中同样指标如何变化。若朗读显著更少，则支持局部调制依附于表演表现力。

第二个问题是不同实现方式是否出现在固定位置。操作化为把每个短语分为句首音节、句中、句尾音节，统计气声类、粗糙类、挤压类落在三处的次数，以及可听吸气出现在短语间、句子间还是话轮末的比例。这一步不比较平均音高，只比较事件的位置偏好。

第 3 个问题是听觉标签是否有稳定的声学对应，且在不同说话人群体中是否一致。操作化为对每个标注段提取谐波噪声比、第一与第三共振峰同步度、第一谐波与第一共振峰附近能量差 3 个量的段均值，检验不同标签之间是否有主效应，以及职业组与学员组的分布趋势是否同向。若两组人趋势一致，则标签不是只对某个人有效。

3 个问题存在依赖。没有可靠切分，位置统计无从谈起。没有位置与任务对照，声学差异可能被误读为角色差异。因此后文先讲语料与标注，再讲计数与位置，最后讲声学。

从一段动漫话语到可统计标签要走哪几步？

先沿一个样本走完全程。输入是一句动漫对白录音，例如角色说出一串包含元音与句尾助词的话语。第一步由熟悉音质分析的专家边听边看语图，把听感偏离正常发声的区间标出来，大多落在元音上，以音节为单位，若音节内发生变化则切得更短。第二步按听感与语图判为气声 3 类、粗糙两类、挤压合并类、吸气两类之一，并记录起止时间。第三步对每个标段计算 3 个声学量的段均值，用于后续组间比较。输出是每句话的事件序列、事件位置属性与事件声学向量。

气声 × 模态发声： 模态发声分工是提供周期稳定的基准振动，气声分工是在此基础上允许气流经声门泄漏而引入湍流噪声，二者搭配的理由是只有先确定正常元音段才能把叠加噪声或尾段突然转气的部分切出来，组合意义是把连续话语划为可比较的模态底与非模态事件。

语料安排是理解全景的关键。数据集是日本某音乐学院声优课程 11 名 20 岁出头女学员的表演录音，录音设备为 PreSonus AudioBox iTwo 声卡与 PreSonus M7 电容话筒，原始采样 44100 赫兹 24 比特，声学分析前降采样到 16000 赫兹 16 比特。任务按句子朗读第一部分、段落朗读、配音、跟读、句子朗读第二部分顺序采集，本研究聚焦配音与跟读，并用朗读作对照。动漫为 2016 年播出的《为美好的世界献上祝福》，选取 6 个场景中 4 个角色的话语，角色设定与情绪在后文表格中交代。职业声优声音从原始 DVD 提取并经制作方许可使用。

配音与跟读的动作不同。配音是先看视频核对台词，再听对手话语以对话方式配音。跟读是紧接着听职业声优的表演再模仿。朗读是从 6 个场景 44 个短语中挑出 8 句，每角色类型 2 句，前后各读 4 句，要求用日常会话风格读出，用于确认局部音质变化在动漫声音中常见而在朗读中不频繁。

以下导读帮助建立切分直觉，重点不是记住日语音节，而是看懂正常与非正常在波形与语图上如何分界。灰底高亮为标注的非模态区间，标注下方给出时长，面板自上而下为波形、音阶显示的基频、能量与语图。

看图路径： 1. 先看每例四行面板自上而下是否为波形、基频、能量与 0 至 4 kHz 语图；2. 再对比清吸气段与浊吸气段在语图横纹与基频点是否连续；3. 接着比较气声三类在尾段能量下降速度与谐波模糊程度的差别；4. 最后观察粗糙与挤压段在基频附近能量缺失与单个脉冲是否可见

论文图 1。原论文 Figure 1：“Examples of segments with non-modal voice quality categories (uih, vih, a, av, bv, hv, hw, pv, pc) extracted from the analyzed dataset.”。

这组示例显示了 9 类实现的视觉与听觉对应。清吸气没有谐波横纹，浊吸气可见横纹。句尾突然转气的气声与全程带声的气声在能量下降形态上不同，介于二者之间的标为另一类。粗糙类在低频失去谐波性，原因是周期不规则。挤压类在基频谐波附近能量缺失，其中一类可见单个声门脉冲，另一类时间形态不同但频谱趋势相近，因此分析时合并。读图时应把听感标签、能量跌落与语图横纹三者对应起来，而不是只看一段波形幅度。

九个标签如何判定，三类声学量各测什么？

标注组件是全研究的基石，必须逐条复述。气声 3 类都含可听湍流噪声。bv 指整段带声的气声，声带全程振动叠加漏气。a 指句尾吸气式气声，从浊发声突然转为清的气段，能量较低。av 指介于二者之间，起始带声渐变为清的吸气。

粗糙两类都含正常发声范围内的周期不规则，听感毛糙。hv 指不明显带气的粗糙，hw 指叠加气声的粗糙。嘎裂声 cv 指脉冲间隔长于正常发声的松弛嘎裂，本研究出现极少并在后续分析中略去。挤压类在标注层区分 pc 与 pv，前者脉冲间隔更长，但因数量少且频谱都表现为低频能量缺失，分析时合并为 pv。吸气两类为 uih 清吸气与 vih 浊吸气，后者吸气时声带仍振动。

粗糙声 × 挤压声： 粗糙声分工是刻画基音周期不规则带来的毛糙听感，挤压声分工是刻画声带收紧带来的紧张发声，二者搭配的理由是它们都表现为低频谐波能量减弱但成因不同，组合意义是在标注与声学上把周期不规则和肌肉紧张两条线索分开检验。

声学组件用 3 个量刻画不同侧面。HNR 是谐波噪声比，单位分贝，正值越大表示周期性越强，0 分贝表示谐波与噪声能量相等，采用基于自相关的短时分析方法计算。F1F3syn 是第一与第三共振峰频带滤波后幅度波形之间的互相关同步值，接近 1 表示同步，接近 0 表示去同步，动机是气声在中频段以噪声为主而在低频段仍有声带振动成分，因而两频带去同步。H1 减 A1 是第一谐波能量与第一共振峰附近能量峰之差，单位分贝，与发声紧张度相关，挤压声预期取值更负。每个标段取段内均值作为代表值。

HNR × F1F3syn： HNR 分工是度量整体谐波能量相对噪声能量的比例，F1F3syn 分工是度量第一共振峰频带与第三共振峰频带波形包络是否同步，二者搭配的理由是气声的中频噪声会先破坏高频段同步而不一定完全淹没整体周期，组合意义是用整体周期性加分频带同步两把尺子区分不同程度的气声实现。

以下导读对应声学验证部分，左列为职业声优，右列为学员配音，横轴 9 类包含模态对照，纵轴自上而下为 HNR、同步度与紧张度。箱线图展示分布，星号表示多重比较在 0.05 水平显著。读图时先分清含气类别与非含气类别，再看职业与学员是否同向。

看图路径： 1. 先按横轴九类从左到右确认含气类别与不含气类别的分界；2. 再纵向比较职业组与学员组在同一参数下箱体高低是否同向；3. 最后查看星号连线标出的组间差异是否集中在气与非气之间

论文图 4。原论文 Figure 4：“Distributions of acoustic parameters for different voice quality categories by professional seiyus (left panels) and by seiyu students (right panels).”。

这组分布报告显示含气类别 HNR 多为负均值，模态为明显正值，粗糙与挤压居中在 0 分贝附近且一致性较差，原因是周期不规则与噪声同时削弱谐波。同步度更直接反映有无气声，含气类别多在 0.5 以下，不含气类别多在 0.5 以上。紧张度上粗糙与挤压取大负值，模态居中，带声气声紧张度较低，而清吸气与浊吸气因低频声带成分缺失或减弱而取值更负。关键是职业组与学员组趋势相近，这支持标签在不同说话人群体中的一致性。

本研究训练了模型吗？真实计算是什么？

本研究没有训练神经网络，也没有优化器、梯度路径、参数冻结与更新的安排。把无训练等同于确定性求解是误解，标注与统计本身仍有人工判断与抽样变异，只是变异来源不是随机梯度下降。

真实计算分为 4 类。第一是标注计算，由专家按听感加语图目检完成切分与分类，不存在可复跑的损失函数，复现依赖同一标准与同一语料。第二是声学计算，对降采样后信号按段提取 HNR、共振峰带同步度与谐波差的段均值，属于确定性信号处理，给定切分与参数即可重算。第三是计数与位置计算，把事件按说话人组、任务、短语内位置聚合为频数，不涉及学习。第四是推断计算，对职业组与学员组分别做以音质类别为自变量、每个声学量为因变量的单因素方差分析，并用 Bonferroni 法做类别间多重比较，显著性阈为 0.05。原文未报告超参数搜索、训练耗时或硬件预算，缺项即缺项，不从模型名称推定。

复现时应把可重算部分与不可重算部分分开。可重算的是给定标注区间的声学量与统计量。不可完全重算的是专家听感切分，因此需要保留原始区间时间戳与试听样本。原文提供了试听页，当前可用性以本次收到的资源状态为准，资源状态显示演示页可用，这为核对听感标准提供了入口，但不替代重新标注的一致性检验。

语料、任务与对照条件如何组织？

比较问题是局部事件是否依附于表演表现力而非文本内容。公平条件是同一批学员在相同录音条件下完成配音、跟读与朗读，文本部分重叠，任务顺序固定为先配音后跟读，朗读分前后两批。指标方向是配音与跟读中的事件数与时长占比应高于朗读，若成立则支持表现力解释。

角色与情绪构成实验背景而非待比主效应。4 个角色各有设定，场景情绪经 3 名标注者合并印象得到，喜悦、勇敢冷风格、尴尬加恼怒、焦虑、中性与兴奋交错出现。原文在汇总声学时把四角色合并，理由是出现率更依赖情绪表现而非角色类型。角色分布仍需记录，用于核对事件是否只来自某一角色。

下表整理出现率的核心数字，阅读时注意单位与聚合对象。段数是事件个数，时长占比是事件总时长相对话语总时长的比例，话语覆盖率是至少含一段非模态的话语数相对总话语数的比例。学员数值为 11 人均值加减标准差，职业组为原始表演的直接计数。朗读仅作稀疏对照。

表后解释主要收益与代价。收益是 3 组数字同向，职业组在约 90% 话语中出现局部事件，学员配音与跟读保持 2 位数百分比的时长占比而朗读跌至约 2%，这构成表现力解释的直接证据。代价是学员数据为 11 人合计与均值，个体差异被标准差吸收，不能据此判断每个学员都达到职业水平。反例是朗读并非零事件，说明即使日常风格也会偶发局部变化，只是频率极低。未评测边界是男声、其他年龄段与其它动漫作品，结论限于本语料的年轻女性表演。

录音与预处理条件按原文交代。学员录音采样 44100 赫兹 24 比特，分析前降采样到 16000 赫兹 16 比特。职业声优声音来自 DVD 并获许可。标注由音质分析专家完成，松弛嘎裂因稀少略去，挤压的两种子类在分析中合并。这些细节是复现计数与声学的前提，改变采样率或合并策略会改变可比性。

谁用了更多非模态，分布差在哪里？

测量目标是不同说话人与任务的类别分布。比较对象是职业声优、学员配音、学员跟读、学员朗读 4 组，条件一致性来自同一批学员与部分重叠文本，但职业组与学员组说话人不同，因此人数与总话语量不同，比较时应看分布形态而非只看绝对段数。指标为每类的出现次数，学员组同时给出均值与标准差。

以下导读对应类别分布图，横轴为 8 类，纵轴为次数，柱子分组对应 4 种说话人任务条件，学员组带误差线，朗读组整体贴地。先看职业组是否在特定类别高出一截，再看配音与跟读是否同形，最后看朗读是否塌陷。

看图路径： 1. 先确认横轴八类与四组柱子分别对应职业组与学员三任务；2. 再比较职业组蓝色柱在气声、粗糙与浊吸气是否高于学员均值；3. 最后观察朗读任务绿色柱是否整体贴近零线

论文图 2。原论文 Figure 2：“Distributions of the voice quality categories by professional seiyus and by seiyu students in dubbing, repeating and reading tasks.”。

该图显示的判断是职业组在全程带声气声、两类粗糙与浊吸气上高于学员，而学员在朗读中各类都极低。配音与跟读分布相近，差异在于跟读中渐变气声更多、吸气更少，原文推测跟读增多可能受听职业示范的影响，但仍少于职业组的非模态总数。这支持局部调制是动漫表演的核心手段，同时表明学员尚未完全复刻职业组的气声与浊吸气用法。

下表把角色与情绪背景与类别差异并置，避免把类别差异误读为角色差异。阅读时注意前两行为情绪标注的短语数，后两行为事件计数的分布结论，单位不同不可混算。

表后需要点出未胜出项与限制。未胜出项是学员在部分类别并未落后，例如个别学员的渐变气声在跟读中增多，说明模仿可以拉近特定实现。限制是职业组样本为原片表演而学员为实验室录音，通道与表演情境不完全相同，绝对次数比较需谨慎。总体趋势不等于每名学员每类都落后，原文强调几乎所有学员的总数都低于职业组，但分布形态相近，这恰是教学要点，即方向对了但火候未到。

去掉位置信息会丢失什么？气声与粗糙各偏好哪里？

测量目标是事件在短语内的位置偏好。操作是把每类事件标为句首音节、句中、句尾音节，吸气另按短语间、句子间与话轮末统计。若去掉位置，只剩总数，则无法解释为什么气声多在句尾而粗糙挤压多在句首句中。比较条件是职业组与学员配音两组，指标为落在三处的位置计数，方向是含气类别偏句尾，粗糙挤压偏句首句中。

配音任务 × 跟读任务： 配音任务分工是让学员在看画面和听对手话语的对话条件下自行设计表演，跟读任务分工是让学员紧接着听职业声优示范再模仿，二者搭配的理由是前者检验学员自发是否也会使用局部音质变化，后者检验听到示范后分布是否靠近职业组，组合意义是分离自发表达习惯与即时模仿效应的贡献。

以下导读对应位置分布图，左侧为职业组，右侧为学员配音，注意两侧纵轴量级不同。堆叠柱中灰段为主要类别，有色小段对应不同实现，横轴隐含句首到句尾的顺序。先看灰段堆高出现在尾部还是首部，再看有色小段是否集中在首中部。

看图路径： 1. 先确认左侧职业组与右侧学员组纵轴量级不同不可直接比高度；2. 再看含气类别在句尾灰段是否明显堆高；3. 最后看粗糙与挤压的有色小段是否更多落在句首与句中

论文图 3。原论文 Figure 3：“Distributions of the voice quality categories according to the position within a phrase, by professional seiyus (left) and by seiyu students in dubbing task (right).”。

该图支持的判断是含气类别在短语尾即最后一个音节高频出现，粗糙与挤压在首与中部更高频。学员组呈现相同的位置趋势，说明学员不仅模仿整体音色，也在相似位置使用非模态与可听吸气。原文特别指出配音录制先于跟读，即配音时尚未听职业示范，仍出现相似位置趋势，这支持位置偏好是动漫声音的重要特征而非单纯即时模仿。吸气位置上可听吸气约半数出现在短语间与句子间，话轮末较少。

教学上应做一个反事实对照。若把位置随机打乱，气声与粗糙的分布将趋于均匀，表演的句法与情感落点信息即丢失。原文的细化讨论是句尾气声多出现在有情感表达的话语尾，句首气声与挤压出现在部分话语开头，粗糙多出现在兴奋话语的重读词或音节而不拘句内位置。这三句分别对应尾部情感收束、首部人物亮相与句中强调 3 种功能，复现时应保留位置属性而非只保留类别标签。

声学数字支持了标签，还有哪些不能说？

测量目标是 3 类声学量能否区分 9 类标签并跨群体一致。比较对象是 9 类内部两两比较，条件是职业组与学员配音分别做单因素方差分析，指标为 F 值、p 值与效应量 f，方向是 F 越大且 p 小于 0.05 表示类别间有主效应。多重比较用 Bonferroni 法，显著性在图中以星号标出。

下表整理方差分析的关键数字，阅读时注意自由度不同，职业组分母自由度为 113，学员组为 577，直接比较 F 大小需考虑样本量差异，效应量 f 提供了补充视角。显著性阈统一为 0.05。

表后解释收益、代价与未验证推测。收益是 3 类参数在两组人都显示主效应且分布同向，这支持标签的一致性。代价是粗糙与挤压的 HNR 在 0 分贝附近一致性较差，因周期不规则与噪声共同削弱谐波，单靠 HNR 会混淆二者，需要同步度与紧张度联合判断。未胜出项是部分类别对之间并未显著分离，星号连线只覆盖特定分组，不能推广为 9 类两两可分。

不能说的部分必须明确。相关性不是因果，声学可分不证明听众一定据此感知情感强度。原文关于情感表达力差异的讨论属于待验证推测，例如学员多用清吸气而职业组在三角色中全用浊吸气是否影响感知到的情感强度，仍是未来工作。未测量误判率、延迟与成本，不承诺这些量得到改善。训练资源、推理开销与输出帧率在本研究不适用，因为没有可部署模型。

要复现这套分析先做什么？

先准备可核对的输入。获取同一动漫六场景 44 短语的文本划分，复刻配音、跟读、朗读三任务的采集顺序，记录录音设备与降采样步骤。若无法获得原片职业声音，至少保留学员三任务的可比结构，否则任务效应无法分离。情绪标注需 3 人合并印象，不可用单人直觉替代。

再落实切分标准。组织 1 名熟悉音质分析的标注者，按 9 类定义逐句标注，单元为音节，音节内变化则更短。保留每段起止时间、类别与试听片段。松弛嘎裂稀少可单独记录但不进入主分析，挤压两种子类先分后合，并记录合并前后数量以备核查。建议双人独立标注一部分语料并报告一致性，原文未报告该数字，复现时补上即是对原研究的增强而非否定。

然后重算声学与统计。对每段提取 HNR、共振峰带同步度与谐波差的段均值，复刻单因素方差分析与 Bonferroni 多重比较，核对自由度与效应量。位置统计复刻句首句中句尾三分法与吸气的短语间句子间话轮末三分法。核对时以连续原句中的数字为基准，不自行四舍五入，不把百分点与相对百分比混用。

资源可用性按本次收到的官方状态表述。演示页本次状态为可用，可用于核对 9 类听感，但它只提供样本试听，不提供完整标注文件与代码。权重下载与系统可运行在此不适用，因为本研究交付的是标注规范与统计结论而非可执行模型。

何时值得借鉴这套局部视角？

当研究对象是富有表现力的角色语音、情感语音或对话语音，且整句平均值无法解释听感差异时，值得尝试句内非模态切分。适用条件是语料含完整表演上下文与可听的呼吸与紧张变化，标注者具备音质听辨能力，且有朗读或中性风格作稀疏对照。若语料本身为朗读新闻或指令语音，局部事件稀少，强行切分只会引入噪声。

可带走的方法是三件套。第一是按实现方式细分气声与粗糙，按带声与否细分吸气，避免把不同机制混为一类。第二是把位置作为一等属性，至少区分句首句中句尾，吸气区分短语间句子间与话轮末。第三是用整体周期性、分频带同步与紧张度 3 个互补参数联合验证，而不是单看一个噪声比。

还需补的验证是感知与泛化两端。感知端需听众实验检验不同气声实现与浊清吸气是否改变情感强度判断。泛化端需在其它动漫、其它年龄与性别、其它语言表演中检验位置偏好是否成立。原文的社会意义讨论，即局部变化作为语用与身份资源，应视为有源但未验证的解释框架，后续工作需把功能假设操作化为可证伪的位置与语用条件对照。记住核心判断，动漫感不仅来自把音高抬多高或把共振峰移到哪里，也来自在句子的哪一处换气、在哪一个重读音节变粗糙、在哪里把声音夹紧，这些动作在职业表演中更频繁且位置更讲究。

📐 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 5 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