时长为主、音高为辅：粤语母语者三语普通话焦点韵律的感知与产出如何各自为政又彼此牵连

英文题目：Complexity in the perception-production link: A case of L3 Mandarin focus prosody by L1 Cantonese learners

会议身份：conference:speechprosody:2026:conference-paper-id:lee26b_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：#心理声学实验 #语言习得 #韵律 #言语感知 #语音属性识别

评分：5.6/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 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

• Chris Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文任务输入为问答语境诱发的普通话受控语句与时长、基频、强度三维重合成听觉刺激，输出为焦点位置判断与目标词在宽焦点、窄聚焦与话语已知状态下的声学实现，难点在于粤语母语偏好时长拉长而普通话目标模式依赖音高范围扩张与压缩，感知产出关联易被个体线索权重差异掩盖。方法链先以焦点语境辨认任务估计听者在三条六步连续统上的感知权重，其判断结果进入贝叶斯混合效应逻辑回归得到个体线索斜率；再以问答朗读任务采集目标词时长与音高强度测量并做被试内标准化，输出进入贝叶斯混合效应多项回归得到聚焦度与已知度分数；最后以模型预测相对朴素分类器的提升幅度操作化跨模态一致性，并用Kendall秩相关检验权重与一致性的关联。与以往笼统比较母语与非母语优劣不同，该链条将感知权重、产出分数与一致性分离估计，使时长主导与音高次要的跨模态转移得以在同一量纲下对照。在焦点语境辨认任务下，时长连续统的回归得分β为.492，高于基频连续统的回归得分β.220。结论适用边界限于粤语主导且英语强于普通话的香港学习者受控朗读语料，对自发语篇与其他母语背景尚未验证。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

信息包装为什么需要韵律来区分新旧？

这篇论文研究的输入是日常对话里的信息包装需求，目标是解释三语者如何用声音区分重要信息和已知信息。作者交代的起点是交际双方会根据共同背景来组织话语，把语境中重要的部分凸显出来，把已经显著的部分压下去。在标准普通话里，这种区分可以用韵律实现：聚焦成分拉长、扩大音高范围、提高强度，已知成分则压缩时长与音高范围。

对于刚进入语音领域的读者，关键是把焦点理解为问答关系，比如回答谁买了房子时主语是焦点，回答买了什么时宾语是焦点，而宽焦点则是整句都是新信息。学习依赖在于，如果只记住焦点等于重读，就会忽略已知性压缩这一半机制，后续就无法理解为什么母语者听起来焦点清晰，而学习者即使拉长了焦点词仍然不像母语者。

论文明确指出，以往对非母语普通话焦点韵律的产出已有较多报告，学习者常用时长做主线索，且常常不压缩焦点后材料，但感知一侧是否能利用这些线索还原焦点结构，所知甚少。这就引出本文的任务：同时测量同一批人的感知权重与产出策略，再检验二者是否关联。

焦点标记 × 已知性标记： 焦点标记负责把语境中重要的成分在韵律上凸显出来，普通话里表现为时长拉长与音高范围扩大；已知性标记负责把已经在共同背景中显著的成分压低，表现为时长缩短与音高范围压缩。二者搭配的理由是同一句话里焦点与已知成分常常共现，只看凸显会把整体响度提高误读为焦点，只有同时观察谁被压低才能还原问答对应的焦点结构，组合意义在于把产出与感知都拆成凸显分与压低分来分别建模。

本节保留的关键信息是研究对象为第一语言为粤语、普通话为第三语言的香港学习者，粤语被认为主要用时长拉长标记焦点而没有系统的已知性弱化。这一背景决定了迁移预期：学习者可能把粤语的时长策略带入普通话，并在音高压缩上偏离母语者。但作者不把迁移当作定论，而是当作需要用感知与产出数据分别验证的起点，这也是后文要分组讨论个体差异的原因。

以往的感知产出关联研究留下了什么分歧？

相关路线分为三支。第一支是第二语言焦点韵律加工，多以英语为目标语，报告显示第二语言者很难达到母语水平，且易受第一语言迁移影响。第二支是感知与产出的关系，在音段领域讨论较多，在语调领域只有少量英语学习者研究，例如德国学习者的研究结论是产出好于感知，但尚未达到母语水平。

第三支是第一语言儿童焦点韵律习得，多次报告产出掌握先于感知掌握，但也有学者指出这可能是实验设计没有直接测试儿童处理焦点韵律的能力所致，最近一项荷兰儿童研究只在句首焦点且理解能力成熟的儿童中发现关联。把三支放在一起，初学者容易误以为产出先于感知是定律。原文的态度是谨慎的：它指出非母语者焦点韵律感知与产出的关系基本未被探索，且很少从个体线索使用跨模态的角度检验。

因此本文不重复产出是否像母语者这种单模态问题，而是把问题收紧为同一批三语者在时长、基频、强度 3 个线索上的感知权重与产出系数是否相关，以及这种相关是否被个体相对一致性所调节。

本文要回答的具体问题是什么？

论文把大问题拆成 3 个可操作的问题。第一，这些粤语母语的三语者在听普通话时，是否利用时长、基频、强度来判断焦点结构，哪一个是主线索。第二，他们在说普通话时，如何用词时长、最大基频、最小基频、平均强度来标记聚焦与已知，与宽焦点基线相比是扩大还是压缩。第三，前两个问题的个体答案是否相关联，即感知上更依赖某线索的人，是否在产出上也更稳定地用同一线索实现对应功能。

教学上可以这样理解：先沿着一个样本走完输入到输出，输入是一句沈怡买了房子，声学表示是主语与宾语的相对凸显模式，目标是判断它回答哪个问题，输出是早焦点还是晚焦点的选择；产出一侧输入是问答语境，目标是读出答案，输出是目标词的声学实现。只有把两 s 侧的输入、表示、目标、输出都讲清，才能理解后文为什么用回归斜率做跨模态相关。作者还预先说明，由于人数只有 28 人，相关部分属于探索性质，不能当作确证性结论。

感知与产出两项任务如何衔接？

方法全景是同一批 28 人先做产出再做感知的 1 小时实验室会话。被试为在粤语主导的香港出生长大，年龄十八到四十二岁，平均 23.1 岁，女性 22 人男性 6 人，粤语为优势第一语言，英语与普通话分别约在三岁和五岁开始学习，自评日常英语多于普通话且英语更强。产出任务用问答引出 5 种焦点条件与两种句子位置，感知任务用重合成连续统做焦点语境识别。顺序固定为先产出后感知，避免感知阶段听到的大量操纵刺激污染自然产出。

产出录音经强制对齐与手工校正后提取 4 个声学指标并做被试内标准化，感知反应用逻辑回归估计 3 个线索权重，产出用多项回归同时估计聚焦度与已知度两套系数，最后用肯德尔秩相关检验跨模态关联与一致性关联。没有代码、模型或数据公开的声明，本次也未能确认可达资源，因此复现只能依据论文文字重建流程。

本段提出本节要解读的图：该图展示强度连续统 6 个台阶如何在整句时间轴上正交变化，是理解感知刺激如何构造的关键证据。

看图路径： 1. 先确认纵轴为强度分贝、横轴为整句时间，图中多条曲线是同一基句的六个强度台阶；2. 观察左侧黑色下箭头处前半句强度随台阶升高而降低，右侧上箭头处后半句强度随台阶升高而升高；3. 注意中间静音段与句末低谷处曲线几乎重合，说明重合成只在目标词区间正交改变强度包络；4. 把颜色从红到蓝的渐变对应台阶 1 到台阶 6，再与时长和基频连续统的构造逻辑对照

论文图 3。原论文 Figure 3：“Acoustic characteristics”。

该图只显示了强度面板，纵轴为强度分贝五十到八十五，横轴为整句时间，多条从红到蓝的曲线对应 6 个强度台阶。可见的教学要点是强度操纵不是整体调大音量，而是在前半句与后半句反向倾斜：前半句随台阶升高而降低，后半句随台阶升高而升高，从而改变主语与宾语的相对凸显。中间的静音与句末低谷处曲线重合，说明操纵被限制在目标区间。结合正文可知，时长与基频连续统采用同样正交逻辑，共生成 216 个重合成刺激，每个被试每个刺激只判断 1 次。这种设计保证了后文 3 个感知斜率可以互不混淆地解释。

感知刺激如何做到三个线索正交可比？

感知组件的输入是两条基刺激，均为沈怡买了房子，分别按主语焦点与宾语焦点的预期普通话模式由 1 名高水平三语男性发出，两者在主语与宾语的相对凸显上不同。计算过程是用串联语音变换系统做 morphing，在时长、基频、强度 3 个维度各做 6 步，从早期焦点端渐变到晚期焦点端，正交组合得到 216 个刺激。被试的任务是听一句刺激后判断它之前被问的是谁买了房子还是沈怡买了什么，输出为晚焦点反应的比例。

建模时把 3 个台阶变量以第 3 步为中心做连续预测，进入贝叶斯混合逻辑回归，并为每个被试估计随机截距与 3 个随机斜率，这 3 个斜率就是后文所说的感知线索权重。初学者要注意，这里的权重不是正确率，而是台阶每增加一步，报告晚焦点的对数几率增加多少，因此可以直接比较时长一步与基频一步的推动力大小。

线索权重 × 焦点语境识别： 线索权重指听者在时长、基频、强度 3 个连续维度上每走一步更倾向于报告晚焦点多少；焦点语境识别指听完一句沈怡买了房子后判断它回答的是谁买了房子还是买了什么。权重分工是把整体判断拆成 3 个可比较的斜率，识别任务提供需要这些斜率去解释的行为输出，搭配理由是只有正交操纵 3 个线索才能分离各自贡献，组合后可以直接比较学习者是靠时长还是靠音高来还原焦点。

该组件的已验证对照是聚合曲线显示 3 个线索都显著推动晚焦点判断，但斜率大小不同，个体灰线变异很大。这为后文分组埋下伏笔：平均而言时长主导，但每个人依赖的组合不同，跨模态相关必须回到个体权重来谈。

产出任务如何分离聚焦扩大与已知压缩？

产出组件的输入是问答对，被试同时读出问题与答案，但只分析答案中的目标词。目标词是 4 个三音节普通话人名，嵌入两个框架句，一个表示想跟某人去敦煌旅行，一个表示邀请某人去云南旅行，通过句式让目标词出现在句首或句中。焦点条件包括宽焦点、句首与句中各自的信息焦点与纠正焦点，初步分析显示信息与纠正焦点差异很小故合并。

每人应产出 120 个目标词，录音经蒙特利尔强制对齐与手工校正，剔除误读与不流利 308 个，剩余 3052 个进入分析。声学表示为词时长毫秒、最大基频与最小基频半音、平均强度分贝，全部转为被试内标准分。建模用贝叶斯混合多项回归，以宽焦点为基线，同时预测聚焦与已知两类状态，预测变量为 4 个标准化声学测量、句子位置及其交互，并加入被试与词的随机截距与斜率。

对每个预测变量输出两个系数，作者称为聚焦度得分与已知度得分，直观含义是该测量每增加一个标准差，目标词更可能被判为聚焦或已知而非宽焦点的程度。

聚焦度得分 × 已知度得分： 聚焦度得分指在多项回归中目标词被判为聚焦而非宽焦点的对数几率增量，已知度得分指被判为话语已知而非宽焦点的对数几率增量。前者分管凸显策略，后者分管压低策略，搭配理由是普通话焦点韵律同时包含扩大与压缩，单看时长变长无法区分是聚焦拉长还是已知缩短的反面，组合意义在于让产出的 4 个声学测量各自对两类标记有独立系数，从而与感知的 3 个权重一一对应。

这种双 logit 设计的教学价值在于，它迫使学习者区分两种扩大：聚焦扩大主要靠拉长与压低最小基频撑大范围，已知压缩则靠缩短、压低最大与最小基频、压低强度来实现。位置交互的设置则检验压缩是否只出现在焦点后，这对判断学习者是否掌握后焦点压缩至关重要。

本研究有没有训练神经网络？实际计算是什么？

本研究没有训练神经网络，也没有冻结或更新任何模型参数，因此不存在梯度路径、优化器步骤或早停问题。该节按要求明确说明无训练阶段，实际计算是两套贝叶斯回归的后验估计与随后的秩相关。2 个模型均用相关软件包以 4 条链各 5000 次迭代、其中 2500 次为预热来拟合，对所有参数采用均值为零、标准差为二的弱信息正态先验。报告量为后验中位数、90% 可信区间与后验方向概率，可靠性定义为可信区间不包含零且方向概率大于 0.95。

感知模型样本量为 6048 个判断，产出模型为 3052 个目标词。一致性的操作定义是模型预测正确率相对朴素分类器的提升，感知朴素基线为 50%，产出因多数类占 40% 故基线为 40%。跨模态关联用肯德尔秩相关，分别检验同一线索在感知权重与产出系数之间的单调关系，以及感知一致性与产出一致性之间的单调关系。

缺项是论文未报告链收敛诊断、有效样本量或先验敏感性，也未报告硬件与运行时间，但这不影响对回归系数的方向解读，只限制了对计算成本的复现预期。

被试、材料与分析条件是否一致可比？

实验条件部分按问题组织。测什么：感知测 3 个线索每步对晚焦点判断的推动，产出测 4 个声学测量对聚焦与已知分类的推动。与谁比：没有母语对照组，比较基准是宽焦点基线与朴素分类器，以及被试内部不同线索之间的相对大小；母语模式只以文献形式引用，不做同条件统计对比。条件是否一致：同一批 28 人完成两项任务，产出目标词均为三音节人名且控制了前后声调环境，避免声调本身的高低干扰焦点效应。

感知基句固定为沈怡买了房子，避免词汇差异。指标方向：感知斜率为正表示该线索增强推动晚焦点判断，产出聚焦度为正表示该测量越大越可能是聚焦，已知度为正表示越大越可能是已知。聚合对象：先报告聚合后验，再叠加个体估计，相关分析则完全回到个体。统计方法是贝叶斯可信区间加方向概率，主张显著的标准统一，相关用非参数秩相关以适应小样本与非正态。

需要提醒的边界是感知刺激的说话人为高水平三语者而非母语者，基刺激本身已是学习者口音，这可能收窄基频范围，但作者认为两条基刺激仍符合预期的普通话模式。

聚合层面学习者靠什么听出并说出焦点？

感知聚合结果显示 3 个线索都显著，但时长主导。下表把 3 个斜率放在同一量纲下比较，解决的问题是主线索是否成立、公平条件是同一回归内正交估计、指标方向是越大越推向晚焦点判断。

表后解释需要超过 25 个汉字。表中最大收益是时长每步的推动约为基频与强度的 2 倍以上，且三者方向概率均达标，支持时长为主、基频与强度为辅的判断。代价是聚合曲线呈渐变而非范畴突变，且个体灰线分散，说明平均主导不等于人人主导，这正是后文必须分组的原因。未胜出项是基频，它在母语者中本应是主线索，在这里只与强度相当，构成与文献预期的反差。

产出一致性 × 感知一致性： 产出一致性指产出模型预测目标词焦点状态超过朴素基线的成功程度，感知一致性指感知模型预测早晚焦点反应超过机会水平的成功程度。前者分管说话时是否稳定地用同一套声学手段区分焦点状态，后者分管听音时是否稳定地用同一套权重映射到焦点判断，搭配理由是只有先量化每个人在各自模态内有多稳定，才能再问跨模态是否相关，组合后可以把 28 人分成产出更稳定与感知更稳定两个子群来分别检验关联。

产出聚合结果显示聚焦词更长、最小基频更低，最大基频有升高趋势但可信区间包含零，平均强度反而低于宽焦点；已知词则更短、最大与最小基频更低、强度更低，且最大基频压得比最小基频多得多从而压缩音高范围。下表把聚焦与已知两套系数并置，比较问题是扩大与压缩是否对称。

表后解释是聚焦扩大的实现方式值得细读：拉长非常稳健，范围扩大主要靠压低低点而非抬高高点，这与普通话母语者靠双向扩大范围的文献不同；已知压缩则三管齐下，且强度压低幅度大于聚焦处的强度降低，说明强度仍能区分谁是已知，即使窄焦点语句整体偏轻。反例是聚焦词强度低于宽焦点，作者明确表示尚不清楚为何窄焦点语句整体更轻，这是一个未解的负结果，不能用响度等于凸显来硬解释。

位置调节只有一个可信交互，即句首已知词的强度压缩弱于句中焦点后已知词，这与后焦点压缩主要出现在焦点后的预期一致，但其他线索无位置差异，说明学习者的压缩尚未完全目标化。

个体一致性方向如何改变关联的显现？

跨模态的第一组证据是一致性之间的相关。全体 28 人的感知一致性与产出一致性呈弱正相关，秩相关约为 0.292。按相对方向分组后，13 人感知更稳定，15 人产出更稳定，全体相关主要由产出更稳定组驱动，该组内强正相关达 0.631。下表把可运行的比较放在一起，解决的问题是在什么子群中一致性关联才强健。

表后解释超过 25 个汉字。收益是分组揭示了异质性：只看全体会低估产出稳定者的紧密关联，也会掩盖感知稳定者的不同模式。代价是分组后每组仅十余人，任何相关都对离群值敏感，论文也明确标注为探索性质。未胜出项是感知更稳定组在一致性层面没有驱动全体相关，但他们在基频线索上另有发现，这引出下一节的线索级相关，不能把一致性相关当作唯一的关联证据。

分线索看，哪些关联成立、哪些反向？

把同一线索的感知权重与产出系数做秩相关，相当于 1 次消融式对照：每次只看一个线索的功能对应，观察关联是否还成立。结果是产出更稳定组在时长与强度上显示预期方向的关联：感知越依赖时长，聚焦拉长越稳定；感知越依赖强度，已知强度压低也越一致，后者系数为负是因为强度越低已知度越高。

感知更稳定组则在最大基频上显示正向关联：感知越依赖基频，聚焦抬高最大基频越稳定，但同时出现反向关联，即越依赖基频或强度，已知压缩反而不稳定，最大基频与平均强度的已知系数都与感知权重正相关，意味着压低更少。最小基频的产出系数与感知基频权重没有显著相关。

最大基频 × 最小基频： 最大基频分管高音目标是否被抬高或压低，最小基频分管低音目标是否被抬高或压低。在普通话多声调名字里二者可以反向运动从而撑大或压扁音高范围。搭配理由是只看平均基频会抹掉范围变化，只有同时估计二者才能判断聚焦是靠抬高高点还是压低低点来实现，组合意义在于解释为何聚焦主要靠压低最小基频撑大范围，而已知则靠同时压低二者且最大基频压得更多来压缩范围。

对初学者要强调三点。第一，相关不是因果，不能说感知训练必然改善产出，只能说在当前横断面数据中二者单调共变。第二，最小基频虽在产出中显著，但可能不是感知判断的关键线索，作者提出可以用感知产出关联来评估线索的关键地位，但因感知任务未分离最大与最小基频的独立贡献，这一解释仍待验证。第三，反向关联不是技术错误，一种推测是感知敏感者觉得小差异已足够区分功能，因而在产出中不必过度强调，但这只是推测，需要更大样本与纵向设计来检验。

哪些结论还站不稳、边界在哪里？

限制首先来自样本与设计。28 人中女性占多数，年龄跨度大，英语强于普通话，结论只能推广到粤语主导、英语更强的香港三语者，不能推广到所有普通话学习者。感知刺激只有一句固定句子与 1 位说话人，时长、基频、强度各 6 步的范围是否覆盖自然变异未知，句首与句中位置在感知中没有对应操纵，因此位置效应无法跨模态比较。产出只有人名目标词与两套框架句，词汇与语调边界的影响未被检验。其次是测量与建模边界。

感知用 3 步中心化的台阶做线性假设，实际心理映射可能是非线性；产出把信息与纠正焦点合并，可能抹掉纠正焦点的额外用力；强度整体偏低的原因未解，若与录音增益或阅读语体有关，则强度系数的解释需打折。第三是推断边界。所有跨模态相关都是相关性，没有操纵感知来观察产出变化，也没有控制总体语言水平、音乐训练或工作记忆等第三变量。

分组本身基于一致性相对大小，而一致性又来自同一批拟合模型的预测成功率，存在循环解释风险。原文用报告显示来陈述聚合效应，用支持来陈述分组相关，用可能与待验证来陈述机制推测，读者复述时应保留这种强度梯度，不把推测说成定论。

要重做这项研究，先准备什么、按什么顺序核对？

复现先做材料与流程重建。第一步招募相似背景的粤语主导者并记录语言史，保留年龄、性别、开始学习年龄与日常使用比例，因为这些决定迁移预期。第二步重建产出语料：4 个三音节人名嵌入敦煌与云南两个框架句，分别放在句首与句中，用问答引出宽焦点与句首句中窄焦点，每人每格 3 次重复，录音后做强制对齐与手工校正，剔除标准要预先写清。

第 3 步重建感知刺激：录制沈怡买了房子的早晚焦点基句，验证其相对凸显符合普通话预期，再用高质量声码器做时长、基频、强度各 6 步正交 morphing，共 216 个刺激，每个只判断 1 次。第四步按原文跑贝叶斯模型：感知为混合逻辑回归，产出为以宽焦点为基线的混合多项回归，4 个链各 5000 次迭代、预热一半，弱信息先验均值零标准差二，报告中位数、可信区间与方向概率，可靠性阈值为区间不含零且方向概率大于 0.95。

第五步算一致性与秩相关：一致性为模型正确率减去朴素基线，相关用肯德尔秩相关并按感知更稳定与产出更稳定分组报告。由于原文未公开代码与数据，复现时不要声称系统已公开或当前可用，只能说按文字重建；若使用不同对齐器或声码器，需报告替换带来的声学差异，并保留关键超参数与信息条件以便比较。

何时值得借鉴这套线索级关联思路？

综合判断是学习者用时长为主、基频与强度为辅来听辨与标记普通话焦点，与母语者以音高范围调制为主的文献模式不同；感知产出关联真实存在但很复杂，其显现依赖于个体在哪个模态更稳定。对于教学与研究，何时值得尝试这套思路取决于目标：如果目标是诊断学习者卡在哪里，线索级相关比总体正确率更有用，因为它能指出是时长、最大基频还是强度在跨模态上脱节。

如果目标是干预，则不应直接承诺感知训练必然改善产出强度压缩或最大基频抬高，因为现有证据只是横断面相关且样本小，还需补纵向训练与更大样本的验证。还需补的验证包括分离最大与最小基频在感知中的独立贡献、扩大说话人与句子变异、检验位置与声调环境的调节，以及报告感知误判率、反应时与产出稳定性的联合分布。

常见误解是把产出先于感知或感知先于生产当作普适顺序，本文恰恰显示顺序在个体层面是双向的：产出更稳定者关联强，感知更稳定者则在基频上另有模式。记住时长拉长易学、音高压缩难学、强度整体偏轻待解这三句，比记住一两个相关系数更能指导下一步实验设计。

📐 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 23 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