不切音节、不标声调：用一整段 F0 变化分布刻画一门语言

英文题目：Holistic distributional signatures of F0 dynamics

会议身份：conference:speechprosody:2026:conference-paper-id:iskarous26_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 #多语言 #语音属性识别

评分：5.6/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Khalil Iskarous：机构信息未能从会议 PDF 纯文本可靠映射
• Simon Roessig：机构信息未能从会议 PDF 纯文本可靠映射
• Doris Mücke：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文以多语种连续语音的帧级F0轨迹为输入，输出刻画语言整体F0使用方式、可跨语言直接比较的整体分布签名，难点在于传统实验室音系学聚焦特定声调、重音或阻塞音扰动等离散参数，难以统一处理多源变异并形式化比较两种语言的梯度差异。方法先用Librosa在浊音段以23ms帧提取F0并求相邻帧差分得到dF0序列，以剥离绝对音高、保留动态变化作为下一步输入。再对FLEURS语料中20种语言各60分钟语音做核密度估计形成dF0概率分布，观察零点峰与多模形态差异，其分布形状经同一语言内不同12分钟子样本检验保持稳定。在FLEURS语料的跨语言评估设置下，跨语言全对比较条件的Wasserstein1距离指标计数为100对，高于单语言内复测条件的Wasserstein1距离指标计数5个。然后以最优传输度量分布间Wasserstein1距离并经1000次置换检验评估可靠性，再用最优传输方案热图刻画模态位置移动、高度增减与分裂。与已有逐现象建模机制差异在于不标注声调与重音单元，而是将全部变异压缩为单一经验分布并视为玻尔兹曼分布进行整体比较，为韵律类型学与AI分布学习对比提供统一框架。模态功能归因与合成语音对比等外推尚未验证，适用边界受限于可行性展示阶段，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 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？为什么直接比较 F0 本身行不通？

这篇论文的输入是连续语音里的基频 F0 轨迹，目标是回答两个可行性问题：第一，一门语言的 F0 使用能不能被一个整体分布刻画，且分布是否有清晰结构；第二，不同语言的这种分布能不能用成熟的分布比较工具直接区分。作者强调这是补充性路线，不是替代传统的音系结构描写。

对刚入门的同学，先把白话讲清。F0 就是我们感知的声调高低、语调起伏在声学上的对应量，每隔很短时间就能测一个值。但直接比较 F0 绝对值会遇到个人差异：男声、女声、不同音域的人，即使说同一句话，F0 绝对高度也不同。论文因此不研究 F0 本身，而研究 dF0，也就是相邻帧之间 F0 的变化量。变化量更能反映上升、下降、持平这类动态，而受个人基线的影响较小。

输出是每门语言一条 dF0 概率分布曲线，以及语言两两之间的距离与效应量。必须保留的关键信息是：数据来自 FLEURS 数据库中 20 门语言各 60 分钟语音，帧长 23 毫秒，只在可靠检测到浊音的区间提取 F0，再算相邻帧差值；比较工具是 Wasserstein 1 距离与最优传输计划，可靠性用置换检验评估；理论上作者把经验分布类比为 Boltzmann 分布。

本解读的任务是带你复述这条流水线：从原始波形到 F0，到 dF0，到分布，到距离，到理论解释，并指出哪些结论是论文报告的，哪些是待验证的。后续各节按学习依赖展开，先讲两条研究范式，再讲方法全景与组件计算，然后讲无训练的构造过程、实验条件、结果与反例，最后讲复现与收束。

两条路线有何不同？本研究站在哪一边？

论文开篇区分了 20 世纪并行的两种范式。第一种是传统的实验室音系学路线，用结构单位描写语言： paradigmatic 对比、syntagmatic 组合、韵律结构，以及音系过程。它对具体现象解释很深，但在跨语言形式化比较时遇到困难，因为要在结构单位加物理渐变两层同时对齐。

第二种是信息论与概率路线，把一门语言整体地表征为概率分布，例如相邻对比单位共现的二元组概率。比较两门语言就变成比较两个分布，有采样、互信息、最优传输等成熟工具。作者认为生成式人工智能的成功也凸显了分布学习的重要性，因为现代 AI 系统可看成参数化的分布估计器。

本研究属于第二条路线，但聚焦 F0 贡献。F0 同时参与辅音对元音 F0 的微扰、声调重音边界等词汇韵律现象，以及情感表达。以往工作多是逐个现象研究，本文问的是整体分布是否有结构、整体分布能否区分语言。这是一个整体论问题，不是某个声调或某个重音的个案比较。

Boltzmann 分布 × 动力系统： 动力系统负责用随时间演化的规则说明系统趋向吸引子而远离排斥子，Boltzmann 分布负责把同一系统的稳定与不稳定位置转写为高概率峰与低概率谷，两者搭配的理由是文中教学示例显示牛顿微分形式、莱布尼茨势函数形式与 Boltzmann 概率形式数学等价，组合后新增的作用是把经验 dF0 分布看成经验导出的韵律动力学理论。

理解这个桥有助于避免误解：作者不是说分布取代了音系范畴，而是说分布可以是动力系统的另一种等价写法。教学示例中的双稳态系统在牛顿视角是趋向高 F0 与低 F0 吸引子，在莱布尼茨视角是双谷势函数，在玻尔兹曼视角是双峰概率分布，三者描述同一系统。这为后文把经验 dF0 分布称为动力系统理论做了铺垫，但注意这只是类比与提案，不是证明某门语言的真实控制方程就是某式。

论文要回答的两个问题是什么？不回答什么？

第一个问题是分布是否有结构。一种可能是把所有 F0 用法混在一起后，分布只是没有关节的一大堆；另一种可能是分布有清晰的峰，反映该语言对 F0 的结构化使用。作者明确指出不能用 F0 本身做分布，因为个人特征干扰复杂，所以用 dF0。已有 F0 轨迹分类、语调理论实证工作和阻碍音与元音 F0 交互工作都提示 dF0 重要。

第二个问题是分布能否支撑直接的跨语言比较。实验室音系学中语言是重要因素，但比较往往针对很具体的语言学参数，例如某个 pitch accent 或某个辅音效应。整体 dF0 分布可能提供更整体的韵律类型学视角，刻画语言在哪些主轴上不同。

作者也明确划出本阶段不做的事。第一，不解释每个峰对应哪种功能，不回答阻碍音微扰、韵律、情感是分离还是重叠，这需要后续研究。第二，不比较自然人声与 AI 合成话语的分布，尽管提到 AI 合成已能欺骗训练有素的语音学家，且整体度量可补充局部地标度量。本文只做可行性与定量流水线。

对初学者，这意味着读结果时不要追问某峰就是声调或就是边界，论文没有给这种对应。能复述的是分布有峰、峰形跨语言不同、距离矩阵对角线内小外大、效应量支持定性格局，以及最优传输能展示变形方案。

从波形到语言距离：流水线全景如何走通？

沿一个样本走完全程有助于建立整体感。假设取一段阿拉伯语朗读，先用 Librosa 只在确信检测到浊音的区间逐帧提取 F0，帧长 23 毫秒，得到一段断续的 F0 序列。对每段连续 F0，计算相邻帧差值，得到大量 dF0 样本点。把该语言 60 分钟数据的 dF0 汇集起来，不是画直方图就结束，而是按 12 分钟切成 5 块，每块单独做核密度估计，得到 5 条几乎重合的概率曲线。

然后在 100 个分布两两之间算 Wasserstein 1 距离，用 Python Scipy 实现。这个距离同时考虑横轴均值移动和纵轴峰形分叉与宽度变化。为了判断距离是否可靠，对每对做 1000 次置换检验并算效应量。最后对感兴趣的语言对，例如普通话与绍纳语，各用 140 箱直方图表示，再解线性规划得到最优传输计划热图，显示哪部分质量从哪里搬到哪里。

这条流水线的安排理由在原文有交代：切成 12 分钟块是为了对比语言内变异与语言间变异；核密度是为了得到连续可比形状；Wasserstein 是为了同时捕捉水平与垂直差异；置换检验是为了统计可靠性；传输计划是为了超越单一距离值，看到模式的位置与高度如何变形。

下表把流水线拆成可核对的步骤，数字与单位保留原文写法，便于复现时逐项对照。

表前已提出比较问题：流水线每步输入输出是否闭环、参数是否可重放；表中关键参数给出复现锚点，指标方向在此不适用，因为这是构造流程而非优劣比较。

表后需要解释主要收益与代价。收益是每步都有明确可执行动作，且语言内 5 块重复提供了内部稳定性对照；代价是 Librosa 的浊音判决、核密度带宽、Scipy 求解细节在正文未完全报告，清嗓、情感、说话人构成等也未控制，因此复现时即使参数名相同，曲线细节仍可能漂移。未胜出项在此不适用，但未评测边界要记下：该流程未处理清音段的 dF0 缺失如何影响分布尾部，这是初学者常忽略的一点。

分布、距离与传输计划各自算什么？

先讲 dF0 分布的构造。F0 只在有把握的浊音时刻被提取，因此 dF0 样本天然排除清音与静音。对连续浊音段内相邻帧做差，得到以 0 为中心的改变量。正文图 1 显示各语言都在 0 处有峰，但 0 之外还有多个峰，有的语言升降对称如阿拉伯语，有的非对称如泰语。这支持分布不是无结构堆积，且形状跨语言不同。

再讲距离。Wasserstein 1 距离的直觉是把一个分布的土堆搬成另一个分布的形状所需的最小功。对角线距离极小说明同一语言不同 12 分钟块几乎相同；跨语言则变异大。原文报告 Hindi 与 Urdu 接近在意料之中，Greek 与 Swahili 或 Italian 接近、American English 与 Zulu 接近则原因不甚清楚，最大距离出现在 Cantonese 与 Arabic、French、Thai 之间。

最后讲传输计划。它解的是无穷多种变形方案中的最优线性规划解。横轴一门语言、纵轴另一门语言，各 140 箱，曲线位置信息表示每部分往哪搬，颜色表示搬运质量表示每部分增减多少，还能显示单峰如何最优地分叉成双峰。

dF0 × 概率分布： dF0 负责去掉绝对音高，只保留相邻 23 ms 帧之间的 F0 改变量，概率分布负责把全语料中所有 dF0 样本折叠成一个整体形状，两者搭配的理由是绝对 F0 受个人音域干扰而变化量更能跨说话人比较，组合后新增的作用是得到一门语言可整体比较的 F0 使用签名。

核密度估计 × Wasserstein 1 距离： 核密度估计负责把离散的 dF0 差值平滑成连续概率曲线以便观察多峰结构，Wasserstein 1 距离负责度量两条曲线之间把质量搬运对齐的最小代价，两者搭配的理由是前者给出可比的形状、后者同时对横轴位置差和纵轴形状差敏感，组合后新增的作用是把语言间差异变成对称可检验的距离矩阵。

最优传输计划 × 直方图分箱： 直方图分箱负责把连续 dF0 分布离散为 140 个区间以便做线性规划，最优传输计划负责求出把一个分布变形为另一个分布的质量搬运方案，两者搭配的理由是分箱提供可计算的离散质量、传输计划给出位置移动量与质量增减量，组合后新增的作用是不只报告距离数值，还能定位哪个峰分裂、移动或增高。

3 组桥放在同一节是因为它们是同一流水线的 3 个计算环节：表示、度量、解释。复述时要能唯一回指：dF0 指帧间差值，分布指其概率密度，距离指 Wasserstein 1 距离，计划指最优传输的热图，前置概念先于依赖它的结论，不要先说某语言对距离大再解释什么是距离。

本研究训练了什么？没有训练时实际计算了什么？

本研究没有训练神经网络，也没有更新任何模型参数，因此不存在优化器、梯度路径、冻结与更新、监督信号来源或重置时机的报告。如果把无训练误读为确定性求解是不对的：核密度估计、最优传输求解与置换检验都有数值近似与随机性，只是没有参数学习。

实际计算过程是构造与推理式计算。第一，调用已有工具做 F0 提取与分布估计：Librosa 提取 F0，核密度把离散样本平滑为连续曲线；第二，用 Scipy 计算两两 Wasserstein 距离，这一步是优化求解最小搬运代价；第三，对每对做 1000 次置换检验算效应量，这一步用重采样评估可靠性；第四，对普通话与绍纳语解最优传输线性规划得到搬运方案。

缺项要明确指出：原文未报告 Librosa 的具体 F0 算法配置与阈值、核密度核型与带宽选择、Scipy 求解器版本与容差、置换检验的具体打乱单位与效应量公式。这些缺项不是否定结果，而是复现时必须补齐的细节。初学者常从模型名推定实现，此处应避免：知道用了 Librosa 不等于知道其内部阈值，知道用了最优传输不等于知道离散化与正则化方式。

数据、划分与统计条件如何保证可比？

数据来自 FLEURS 数据库，该库有 103 门语言的男女声语音，本研究取其中多样化的 20 门：阿拉伯语、孟加拉语、普通话、德语、希腊语、美式英语、芬兰语、法语、印地语、意大利语、日语、坎巴语、韩语、马拉地语、绍纳语、斯瓦希里语、泰语、乌尔都语、粤语、祖鲁语。每门取 60 分钟段，覆盖不同发音清单与韵律系统。

划分上每门语言的 60 分钟再切成 5 个 12 分钟块，每块独立估计分布。这样 20 乘 5 得到 100 个分布，语言内比较可看抽样稳定性，语言间比较可看类型差异。指标上主度量是 Wasserstein 1 距离，方向是越小越相似；辅助度量是经置换检验得到的效应量，方向同样是越小越相似。聚合上图 2 展示全部 100 分布两两距离，图 3 把同语言内样本合并后展示语言对效应量。

统计方法上每对做 1000 次置换检验以确定效应量，比较条件是一致的：同为 dF0 核密度、同为 Scipy 距离、同为置换流程。但说话人、文本内容、录音条件是否跨语言一致，原文未交代，这是公平性上的限制。硬件预算与计算耗时原文未报告。

资源状态必须如实写：本次收到的证据中没有来源绑定且完成 HTTPS 验证的资源，资源状态为不可用，因此不得声称代码、模型或数据已公开。复现者应自行获取 FLEURS 并按上述切分重做，不能假设作者提供了可下载的脚本或权重。

分布是否有结构？语言距离呈现什么格局？

先看第一个问题的证据。以下导读针对 20 门语言的 dF0 分布总览，横轴是每帧 F0 改变量，纵轴是概率，目标是判断是否多峰以及跨语言是否同形。

看图路径： 1. 先看每小格横轴 dF0 与纵轴 Probability 的含义，再看 0 附近主峰的高度差异；2. 再比较 0 左右两侧次峰的对称与非对称，例如阿拉伯语与泰语；3. 最后观察同一语言内多条曲线是否几乎重合，以判断样本稳定性

论文图 1。原论文 Figure 1：“dF0 distributions for 20 languages, showing”。

该图报告显示：各分布都在 0 处取峰，但 0 之外大多还有清晰次峰，不是单一高斯堆；峰的升降对称性跨语言不同，阿拉伯语相对对称，泰语相对不对称；同一语言的 5 条 12 分钟曲线在不放大时几乎重合，放大才见 5 条，说明形状对具体抽样不敏感。像素上可见粤语主峰特别高而窄，普通话主峰也高，阿拉伯语与泰语侧峰更展开。这些支持语言签名式分布的说法，但论文未给峰的功能归因，复述时不能把某侧峰说成声调或微扰。

再看第二个问题的证据。以下导读针对 100 分布两两 Wasserstein 距离热图，只显示对角线及以上，因为距离对称，深蓝表示极小，黄表示中到大。

看图路径： 1. 先确认只显示对角线及以上、且对角线为极深色表示距离极小；2. 再沿横纵轴找到 Hindi-Urdu、Greek-Swahili 等格，比较深蓝与黄绿；3. 最后定位 Cantonese 所在列，观察其与 Arabic、French、Thai 交叉处的高值

论文图 2。原论文 Figure 2：“Wasserstein 1-Distance between”。

该图报告显示：对角线极小，5 格为一组的块结构说明语言内差异远小于语言间差异；跨语言变异大，Hindi 与 Urdu 近，Greek 与 Swahili 或 Italian 近，American English 与 Zulu 近，最大距离是 Cantonese 与 Arabic、French、Thai 之间。像素上 Cantonese 所在列顶部有多格亮黄，Arabic 首行右侧也有亮黄，与正文文字一致。限制是有些接近的原因不清楚，论文未做语言学解释。

置换检验 × 效应量： 置换检验负责通过打乱样本重算距离来判断观测距离是否可靠，效应量负责把检验结果汇总为跨语言可比的强度值，两者搭配的理由是单次 Wasserstein 距离易受抽样波动影响而置换分布提供零假设参照，组合后新增的作用是在合并同语言内 5 段样本后仍能确认图 2 中的定性差异格局。

效应量热图进一步把同语言内样本合并，定性格局与距离图一致，说明观测到的跨语言差异不是某 12 分钟块的偶然。这是支持判断，不是因果证明，也未测量误判率或下游任务收益。

若换一种汇总方式，结论还成立吗？传输计划看到什么？

本研究没有传统意义上的消融，即没有逐个拿掉模型组件看性能下降，但有两种汇总口径的对照可起类似作用：图 2 是 100 个 12 分钟分布两两比较，保留语言内波动；图 3 是把同语言内样本合并后对语言对算观测效应量。前者能看到块内深浅不一的深蓝，后者压平块内噪声后看语言级差异。原文报告两种口径定性一致，这是对稳定性的支持。

以下导读针对效应量热图，横纵轴同为 20 门语言，色标为置换效应量而非原始距离，需避免把两图颜色直接等同。

看图路径： 1. 先确认该热图只显示上三角且下三角被遮盖，对角线含义与图 2 不同；2. 再比较 Arabic-Cantonese、French-Cantonese 等亮黄色格与深色格；3. 最后核对色标为效应量而非原始距离，避免与图 2 混淆

论文图 4。原论文 Figure 4：“Observation W Effect Size for each pair of”。

该图显示 Arabic 与 Cantonese 交叉处亮黄，French 与 Cantonese、Thai 与 Cantonese、Marathi 与 Cantonese 等处也偏黄，而 Hindi 与 Urdu、Greek 与 Swahili 等处偏深，格局与图 2 呼应。像素上面部为上三角显示，下三角被遮盖，这是与图 2 在展示上的区别。代价是合并后丢失了块内变异信息，若某语言内部本身异质，合并可能掩盖问题；论文未讨论此边界。

另一类特有细节是最优传输计划。以普通话为纵轴、绍纳语为横轴、各 140 箱为例，热图对角附近的曲线给出位置搬运，颜色给出搬运质量。原文的解释是它能跟踪峰的位置与高度差异，以及单峰如何分叉为双峰。限制同样明确：未把搬运细节对应到两门语言的具体韵律或音系差异，因此只能说方法能展示变形，不能说已解释类型差异。

下表把关键语言对的定性关系整理成可核对的对照，数字列保留原文的离散化与检验参数，避免把定性颜色读成精确数值。

表前已说明比较问题：哪些对近、哪些对远、两种汇总是否一致；公平条件是同分布构造与同距离流程，指标方向是越小越相似。

表后解释主要收益与代价。收益是近与远的例子同时存在，且近中有可解释与不可解释两类，远集中在粤语与若干语言之间，说明分布差异不是单一维度可概括；代价是颜色深浅在像素上无法精确读数，原文也未给数值表，因此不能引用具体距离值，只能引用定性关系与最大距离的语言名单。未胜出项在此体现为那些接近但原因不明的对，它们提醒不要把距离小直接等同于语言学相似，待验证的是内容、说话人与录音是否混杂。

哪些结论不能下？缺了哪块证据？

第一，不能下功能归因。分布有峰且跨语言不同是报告的，但峰对应阻碍音微扰、声调重音边界还是情感，论文明确留待后续。把某侧峰指认为声调是无源推断。

第二，不能下因果与类型学结论。相关性不是因果，距离大不等于韵律类型远，内容与说话人构成未控制，FLEURS 朗读体的文体单一性也可能影响 dF0 尾部。若换自发对话或情感语料，峰形可能变化，但原文未测。

第三，不能承诺工程收益。未测量误判率、延迟、成本、帧率，总体趋势不等于每组每步成立。把该方法说成提升合成或识别是未验证推测，只能说它可能为韵律类型学、阻碍音元音交互类型学以及理解大模型学到的分布提供量化视角。

第四，理论类比的边界。把经验分布看成 Boltzmann 分布是提案，用的是过于简单的教学示例，真实语言的动力系统与图 5 示例不同。原文说以往韵律动力系统用牛顿或莱布尼茨视角，本文提议经验分布可视为 Boltzmann 视角的动力系统理论，系数可区分语言，但未给出真实语言的系数估计，因此停留在可能与待验证。

下表把已报告与未验证分开，便于初学者掌握措辞分寸。

表前问题是区分报告、支持与待验证的边界，公平条件是只用原文明确写出的安排与对照，指标方向不适用。

表后解释：前三行可直接复述为事实，第四行需加统计前提，最后一行必须用可能与待验证表达。代价是初学者易把精美热图当成解释，实际上热图只显示差异大小与搬运方案，不解释为什么。未评测边界包括清音处理、情感变异、AI 语音对比，均未在本研究测量。

若要重做，最先做什么？先做什么验证？

先做语料与切分。获取 FLEURS 中同样的 20 门语言，每门取 60 分钟，再切成 5 个 12 分钟块。记录说话人、性别、文本是否跨块重叠，因为原文未交代这些，复现时需自行固定并报告，否则语言内稳定性无法归因。

再做 F0 与 dF0。用 Librosa 在浊音区间逐帧提取 F0，帧长 23 毫秒，对每段连续 F0 算相邻帧差。注意只在可靠浊音处有值，清音缺失会截断序列，不要用插值凭空填补再算差值，否则尾部会被人为改变。核密度估计需固定核型与带宽并报告，否则峰的数量与宽度不可比。

然后做距离与检验。用 Scipy 算 100 分布两两 Wasserstein 1 距离，只画对角线及以上；每对做 1000 次置换检验算效应量，再把同语言块合并算语言级效应量，检查两图定性是否一致。对普通话与绍纳语各做 140 箱直方图并解最优传输线性规划，检查对角搬运曲线的形状与颜色含义。

何时值得尝试：当需要整体比较多门语言的 F0 动态、或需要超越个案的韵律类型学量化时值得尝试；当目标是解释某声调或某边界调时不值得单独用此方法，需搭配标注与局部分析。还需补的验证包括内容控制、说话人平衡、自发语料泛化，以及把峰与语言学标注对齐的功能分解实验。

经验分布如何与动力系统接通？

以下导读针对牛顿、莱布尼茨、玻尔兹曼三视角教学图，它不是某门真实语言的拟合结果，而是过于简单的示例，用于讲清等价关系。

看图路径： 1. 先看顶层 Newton 面板时间演化曲线如何收敛到 1 与 -1 并远离 0；2. 再看中层 Leibniz 势函数在 -1 与 1 处低、在 0 处高；3. 最后看底层 Boltzmann 概率在 -1 与 1 处高、在 0 处低，确认三者对应

论文图 5。原论文 Figure 5：“Dynamical Systems from Newton, Leibniz,”。

像素上顶层横轴为时间、纵轴为 F0，多条曲线从不同初值出发收敛到 1 与 -1，远离 0，面板内公式为帧间变化率形式；中层横轴为 F0、纵轴为势，在 -1 与 1 处低、在 0 处高；底层横轴为 F0、纵轴为概率，在 -1 与 1 处高、在 0 处低。原文的数学关系是莱布尼茨势为牛顿右侧项负积分，玻尔兹曼分布为欧拉常数负势次方，因此吸引子、稳谷、高概率峰是同一位置的不同说法。

把这个等价搬回语言，作者提议经验 dF0 分布就是经验导出的 Boltzmann 动力系统，以往韵律动力系统参数的作用是升降或增删峰，未来或可比较系数而非整个分布。但这是提案，不是拟合，真实语言系统与示例不同，系数也未估计。

综合全篇，可复述的方法是：取多轨迹、算帧间差、做分布、用最优传输比较；可复述的证据是：分布多峰、语言内稳、语言间异、效应量一致；需保留的限制是：峰功能未分解、部分接近原因不明、AI 对比未做。进一步工作一旦把峰与功能对齐，这套整体描述才可能真正服务于韵律类型学与阻碍音效应类型学，以及更清晰地比较人与 AI 的语音技能。

📐 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 1 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