听得准的人一定说得清吗：普通话问句与陈述语调的感知与产出关联

英文题目：Relationship Between Perceptual Accuracy and Productive Distinctness of Question and Statement Intonations in Mandarin

会议身份：conference:speechprosody:2026:conference-paper-id:li26_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 #统计分析 #韵律 #语音 #音频分类

评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.3/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Tong Li：机构信息未能从会议 PDF 纯文本可靠映射
• Yao Yao：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理普通话疑问与陈述语调的二选一感知，输入为载体句“ta1 shuo1 ”末音节的韵律实现，输出为语调类别判断，难点在于词汇声调与语调在基频上冲突且疑问易被偏向听成陈述。先复用16名北方官话发音人的朗读库，以时长、平均基频与基频范围为输入计算每位发音人在声调2与声调4下的韵律差异指数PDI，输出按发音人区分的信号分离度。再将上一步已量化PDI的935段语音按65dB归一后作为听辨刺激，输入给约6个月后返回的8名女性完成远程二选一听辨与音色相似度评分，输出自身与他人条件下的感知响应。最后将前两步得到的说话人PDI、听者PDI与逐试次听辨响应共同输入贝叶斯逻辑混合效应模型，分离听者PDI与说话人PDI及语调与声调的交互，输出各通路效应估计。与只看群体均值的既有语调研究不同，该设计同时检验自身产量与信号分离度两条通路及其语境依赖。在远程二选一听辨任务条件下，听自身语音的准确率为90.43%，高于听其他女性语音的准确率84.59%。听他人时说话人PDI越高识别越准且对疑问句增益更强，而陈述整体更准并在声调4下优势更大。该结论适用边界受限于小样本朗读语料，男性听者、自发对话及跨方言等外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 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，读完要能复述什么？

本文的输入是普通话载体句他说加单音节目标词的录音，目标是在只靠韵律、没有疑问词或语气词帮助时判断它是问句还是陈述。举例来说，同样一串音节可以按陈述读成他走了，也可以按问句读成他走了吗的意思，听者只能靠句末音节的时长、平均基频和基频范围等韵律差别来猜。研究生读完应当能复述三件事：第一，刺激来自前人生产研究，感知任务是听录音按键盘做问句与陈述二选一。

第二，产出区分度被量化为一个指数，数值越大表示该说话人在该声调下问句与陈述分得越开；第三，分析把听者自己的区分度与刺激说话者的区分度分开，并看声调是二声还是四声、目标是问句还是陈述时效应是否变化。

感知准确率 × 产出区分度： 感知准确率指听者把听到的问句或陈述判断为录制时意图类别的比例，分工是度量辨认环节；产出区分度指同一说话人在问句与陈述分布之间拉开的韵律距离，分工是度量表达环节；两者搭配的理由是检验同一对比在输入端和输出端是否共享表征，组合意义在于区分刺激更清楚带来的好处与听者自身说得清楚带来的好处。

本解读只讲这篇论文实际做的普通话句调任务，不把元音或擦音对比的结论直接搬过来。教学用的例子会明确标为例子，凡是数字都回到原文核对，不补无来源的效果量。输出是一套可核对的方法复述：从句子构造到录音筛选，从指数计算到在线辨认流程，从听自己与听别人的分开处理到贝叶斯模型的固定效应写法，最后落到哪些条件下联系更强、哪些条件下联系消失。

给新生的最小复述提纲是什么？

用五句话复述。第一句说任务：只靠韵律判断普通话一句话是问句还是陈述。第二句说数据：16 人录音，8 名女性半年后回來听包括自己在内的全部说话者。第三句说度量：问句与陈述在句末 3 个线索上的分布重叠越小，区分度指数越大。第四句说结果：听自己最准，听别人时刺激越分明越好认，自己分明主要改变问句与陈述的偏移而非整体正确率。

第五句说调节：好处在问句大于陈述，在高区分度刺激中声调差异才显现，陈述与四声整体更好认。记住这五句，再回头核对每张表格的聚合对象与单位，就能在组会上把方法讲清楚而不夸大结论。

相关路线给出了哪些一致与不一致的预期？

第一条路线是元音与擦音的感知产出研究。论文回顾说，英语元音与擦音对比中常报告正相关，自己分得开的人辨别也更好，但也有反例，英语元音对在共振峰距离上的区分度与辨认一致性无关。这给本研究的预期是联系可能存在，但不保证在每个人身上都出现。第二条路线是声调的感知产出研究。普通话二声三声的线索分离度与感知权重正相关，粤语目标更分明者辨别更准，但当前音节前有三声时对应关系会消失。

这提示上下文会调节联系，不能只看总体相关。第三条路线是句级语调本身，此前直接检验个人层面联系的工作很少，只有一项英语语调研究说整体上产出好于感知。本文要补的缺口就是普通话问句与陈述在个人层面的双向对照。

普通话句调还有两个已报告的不对称。听者整体偏向把模糊句听成陈述，问句更难认；句末是二声上扬时比四声下降时更难认，因为上扬声调与问句上扬语调容易混淆。生产侧已有两项研究显示个体差异很大。因此合理的学习依赖是先接受任务不对称，再问产出区分度能否解释谁更准、哪类刺激更好认，而不是假设所有格子都有同样的正相关。

论文到底要回答哪两个可检验的问题？

论文把大问题拆成两个可估计的方向。第一个方向是听者侧：自己在生产中把问句与陈述分得越开的人，听别人时是否辨认更准。第二个方向是刺激侧：录制者把问句与陈述分得越开的录音，是否更容易被听对。2 个方向都用同一个区分度指数度量，只是下标不同，一个挂在听者身上，一个挂在刺激说话者身上。由于数据里包含听者在不知情时听到自己半年前录音的试次，论文把听自己与听别人分开处理，避免把熟悉自己声音的好处混进听别人的一般能力里。

进一步，论文预先提出调节预期：联系会被语调类别与声调条件调节。也就是说，问句与陈述可能不是对称受益，二声与四声结尾也可能不是同样受益。这决定了后面的模型必须包含区分度与语调、区分度与声调的交互，而不是只报告两个主效应。复述时要记住这种结构，后面看到问句效应更大、四声效应更可见时才能对应回问题。

从一句话录音到一次按键判断，全流程经过哪些环节？

先沿一个样本走完全程。假设目标句是他说加一个二声目标字，某位女性说话者先按屏幕提示读一遍问句版本，带问号，再读一遍陈述版本，带句号，顺序随机。录音被统一调到平均强度后，截取句末音节计算时长、平均基频和基频范围。同一说话人同一声调下的所有问句分布与陈述分布比较，得到 3 个重叠系数，再换算为一个区分度分数。半年后，同一位女性作为听者坐在远程在线实验里，先听到提示音和静音，再听到一句可能是自己或别人的录音，在句子结束后 2 秒内按键盘做二选一，问句按一个键，陈述按另一个键，程序记录对错。

韵律区分度指数 × 巴氏系数： 巴氏系数负责度量问句与陈述在单个声学线索上分布重叠程度，取值从 0 完全区分到 1 完全重叠，分工是单线索重叠度；韵律区分度指数负责把时长、平均基频、基频范围 3 个系数的重叠向量换算为到完全重叠点的欧氏距离，分工是多线索综合距离；搭配理由是单一线索不足以代表句末音节的整体实现，组合后数值越大表示该说话人在该声调下问句与陈述分得越开。

全流程有 3 个关键控制。第一，句子构造固定载体，只变末字声调，减少词汇与句法干扰。第二，刺激筛选去掉带嘎裂声的录音并随机抽取约三分之二，避免过长与音质异常。第三，感知流程固定试次结构与反应窗口，并将会话按女性组与男性组分开成块，每块对应唯一说话者，顺序完全随机。理解这三点后，才能明白后面听自己与听别人的比较是在试次随机化下得到的，而不是按固定顺序先听自己。

区分度指数、听者侧与刺激侧、声调语调如何分工？

指数的输入是同一说话人同一声调下问句与陈述在句末音节 3 个线索上的分布，输出是一个数值，越大表示越分得开。论文报告二声与四声的区分度在说话者内高度相关，因此进一步把两个声调的分数在说话者内中心化再平均，得到每位说话者的总体区分度。结果是女性总体更高，男性总体更低，这为后面同性更好认提供了刺激侧解释。需要强调的是，指数只用句末音节，因为此前报告指出问句与陈述的区别主要落在句末。

听者区分度 × 说话者区分度： 听者区分度指当前做判断的被试自己录音算出的区分度，分工是刻画听者自带产出习惯；说话者区分度指当前刺激所属录音者的区分度，分工是刻画输入信号本身的可分性；搭配理由是把听别人时的影响拆成来自听者与来自刺激的两路，组合意义在于论文能分别估计谁在起作用以及两者是否交互。

声调条件 × 语调类别： 声调条件指句末目标字是二声上扬还是四声下降，分工是决定基频走势与语调是否冲突；语调类别指目标是问句还是陈述，分工是决定听者默认偏向与任务难度；搭配理由是普通话存在声调语调交互，问句难认主要集中在二声结尾，组合意义在于检验感知产出联系是否只在难的格子里更强。

听者侧与刺激侧进入模型的方式不同。听者侧是被试属性，每位听者只有一个值；刺激侧是试次属性，每条试次挂靠其录制者的值。声调与语调是试次属性，分别标记末字是二声还是四声、意图是问句还是陈述。最优模型在固定效应中同时放入听者区分度与语调的交互、刺激区分度与语调的交互、听者区分度与声调的交互、刺激区分度与声调的交互，以及声调与语调的交互，并对听者与刺激说话者设随机截距。这种写法直接对应问题：既看两路区分度各自的主效应，也看它们是否只在问句或特定声调里起作用。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练神经网络声学模型，也没有更新任何语音编码器参数，不存在梯度路径、参数冻结与解冻、早停或学习率选择。真实计算分三块。第一块是声学与指数计算，用工具测量句末音节线索并按分布重叠换算为区分度，这一步是确定性统计计算，不是模型训练。第二块是在线行为数据采集，用远程实验平台呈现刺激并记录按键与反应，得到每个试次的对错。第三块是贝叶斯逻辑混合效应回归，用统计软件拟合辨认正确率，报告中位数、可信区间与后验概率，链收敛通过轨迹图与统计量检查，模型选择遵循留一交叉验证思路。

缺项要明确指出。原文没有报告先验的具体分布族与超参数数值，没有报告采样链数、迭代数与预热数，也没有报告硬件预算与运行时间。因为没有训练，这些缺项不影响复述行为流程，但若要完全重跑贝叶斯拟合，需要补先验与采样设置的具体代码。不能从使用了某软件包推定默认先验就是本文设置，也不能把无训练等同于结果是确定性的，因为行为数据本身有随机性，贝叶斯估计也有抽样变异。

人、材料、划分与指标如何保证比较公平？

先看人。录音阶段有 16 名普通话母语者，8 女 8 男，平均二十四岁，都在北方长大。感知阶段只请回 8 名女性，年龄二十四到二十六岁，录音约半年后参测，事先不知道会听到自己的声音。这种设计使听自己分析的样本是 8 人，听别人的分析是 8 名听者乘以 15 位他人再乘以各自试次，统计模型用随机截距吸收听者与说话者差异。

再看材料与协议。构造 48 个句子，把单音节目标词放在他说之后，目标词均匀分布在 8 个辅音元音组合与两个声调条件下。每句读问句与陈述各 1 次，理论总量是目标词数乘语调数乘人数。感知刺激从中随机抽取约三分之二并排除嘎裂声，每位说话者平均约 58 条。试次以提示音加静音开头，听完句子后 2 秒内按键，正确定义为按键与录制时屏幕指令意图一致。每会话结束还有声音相似度滑块评分，从一到一百。

比较公平性与指标方向要讲清。听自己与听别人的比较在同一批听者、同一任务、同一反应窗口下进行，区别只在刺激来源。听别人内部再分同性与异性，指标都是辨认正确率，越高越好，相似度评分越高表示越像自己。声调与语调的比较保持说话者集合相同，区别只在试次子集。下面用 3 张五列表格固定关键数字，避免把不同指标或不同聚合对象混在一起读。

下表提出第一个比较问题：在相同载体与声调设计下，录音总量与感知子集的规模是否如原文所述，单位与聚合对象是什么。公平条件是同一批录音、同一筛选标准，指标方向是数量核对而非好坏判断。

上表的主要信息是总量与子集的对应关系，代价是感知实验无法用全量，随机抽取与去嘎裂声可能改变刺激难度分布。未胜出项在这里体现为被排除的嘎裂声录音没有进入辨认比较，其难度未知，不能推断去掉它们使任务变难还是变易。复现时应保留相同的筛选逻辑，否则刺激可分性会偏移。

下表提出第二个比较问题：听自己、听其他女性、听男性时，相似度评分与辨认正确率是否同步变化。公平条件是同一批女性听者与同一按键任务，指标方向是数值越高表示越像自己或辨认越准。

上表显示自我优势与同性优势同时存在，但不能把同性优势直接读成女性听者能力更强，因为女性刺激本身的区分度更高。反例是听别人时听者自身区分度与正确率总体无显著相关，说明个人说得清不等于听别人就准。未评测边界是男性作为听者的表现，因为感知阶段没有男性被试。

下表提出第 3 个比较问题：在听别人的试次里，刺激区分度、听者区分度、语调与声调的模型效应量级与不确定性如何。公平条件是同一最优混合模型与同一随机截距结构，指标方向是系数为正表示该侧区分度越高越准。

上表的主要收益是刺激侧效应大且确定，听者侧主效应小且不确定。代价是这种总体写法会掩盖交互，后面必须看问句与陈述、不同声调下斜率是否不同。负结果是听者与刺激区分度之间没有交互，说明刺激好处不依赖听者自身是否分得开。

听自己为什么更准，听别人时什么真正起作用？

听自己部分的结果很干净。相似度评分上自己远高于同性他人与异性他人，辨认正确率上自己高于其他女性再高于男性。更关键的是，听自己时的正确率与自己生产区分度高度相关，相关系数很高。这很可能是双重好处叠加：分得开的人刺激本身更好认，同时对自己声音的表征更匹配。但论文也提醒样本只有 8 人，相关估计不稳定，只能作为支持共享表征的初步证据，不能读成因果。

自我优势 × 同性优势： 自我优势指听自己录音比听别人录音辨认更准且声音相似度评分更高，分工是说明共享表征或熟悉度的好处；同性优势指听其他女性比听男性更准，分工是说明刺激总体可分性随性别分布而变化；搭配理由是两者都涉及听者与说话者匹配，但前者是个人级匹配，后者是群体级刺激差异，组合后才能避免把女性刺激更好认误读为女性听者能力更强。

听别人时格局发生变化。模型显示刺激区分度是清晰的正效应，刺激分得越开，听者越容易判断正确。听者自身区分度的主效应则高度不确定，总体上不能说自己说得清的人听别人就更准。同性更好认可以用女性刺激区分度更高来解释，这与总体区分度女性高于男性的结果一致。统计上同性与异性差异显著，听者自身区分度与听别人正确率无显著相关，这些都是判断时必须保留的限制。

不对称是结果的核心。陈述整体比问句好认，四声结尾比二声结尾好认，陈述优势在四声中更大。刺激区分度的好处在问句中大于陈述，很可能是陈述已接近天花板，提升空间小。声调与刺激区分度的交互显示，低区分度刺激的正确率徘徊在随机水平附近，声调差异看不出来，高区分度刺激才拉开四声与二声差距。听者区分度与语调也有交互，分得开的听者对问句与陈述的反应差异更大，表现为陈述更易判对而问句更易判错，但效应量远小于刺激侧交互。

拿掉哪一路信息后结论会改变，哪些交互不能省略？

论文没有做神经网络消融，但模型比较承担了类似职责。最优公式保留了听者区分度与语调、刺激区分度与语调、听者区分度与声调、刺激区分度与声调以及声调与语调的交互，随机部分只保留听者与说话者截距，去掉了原来设想的听者内声调与语调随机斜率以实现收敛。如果拿掉刺激区分度与语调的交互，就会丢失问句更依赖刺激可分性的关键结论；如果拿掉声调与语调的交互，就会丢失陈述优势在四声更大的不对称。若只看主效应，会误以为听者区分度无关紧要，而实际上它通过与语调的交互改变了问句与陈述的偏移。

另一个对照是听自己与听别人的分开处理。如果把两类试次混在一起估计总体相关，会把自我熟悉的好处误算成一般感知能力。分开后才看到总体相关只在听自己时强，听别人时弱。失败条件也要记住：低区分度刺激下声调效应消失，正确率接近随机，这意味着在信号本身不可分时，任何关于声调难易的讨论都没有支撑。复现时应按原文子集重复交互图的方向判断，而不是只看显著与否。

哪些结论有边界，什么还没有被测量？

第一个边界是样本。感知被试只有 8 名女性，年龄跨度小，地域集中在北方，录音者虽有男女但听者没有男性。因此同性优势的解释依赖刺激侧差异，不能推广为女性听者普遍更强，也不能推广到男性听者或南方口音。听自己时的高相关基于 8 个点，自由度很小，需更大样本验证。第二个边界是材料。

载体固定、目标词有限、只用二声与四声结尾，去掉了嘎裂声，结论只适用于这种朗读句，不能直接推广到自然对话中的疑问标记。第 3 个边界是测量。正确只按录制意图定义，没有分析反应时，没有报告误判率随时间的漂移，也没有测量延迟与成本，因此不能承诺该方法改善实时交互或降低标注成本。

推断语气要分层。报告显示的是刺激区分度正效应、陈述与四声优势、问句中刺激效应更大；支持的是分布可分性帮助辨认难的类别；可能待验证的是听者用语言知识默认偏向陈述的解释，因为频率与多重问句标记的作用没有在本实验中直接操纵。相关不是因果，自己说得清与听自己准的关联可能是刺激质量与熟悉度共同导致，不能读成训练产出就能提高感知。

要重跑这项研究，先做什么，需要哪些具体设置？

第一步重建材料。按他说加单音节目标词构造句子，目标词覆盖若干辅音元音组合并均分二声与四声，每个句子按问句与陈述各录 1 次，屏幕用问号与句号提示，顺序随机。录音后统一平均强度到 65 分贝，筛选时去掉嘎裂声并随机保留约三分之二，记录每位说话者保留条数与离散度。第二步计算指数。

只取句末音节的时长、平均基频与基频范围，分别估计问句与陈述分布的重叠系数，再算到完全重叠点的欧氏距离，得到分说话者分声调的分数，检查二声与四声在说话者内的相关后再决定是否平均为总体分。第三步跑感知。远程呈现固定为提示音加静音再放音，2 秒内二选一按键，会话按说话者性别分块，每块唯一说话者，全随机化，结束时采集声音相似度评分。

第四步拟合模型。以试次对错为因变量，固定效应包含听者区分度、刺激区分度、声调、语调及其指定交互，随机截距为听者与说话者，先尝试更复杂的随机斜率，若不收敛再按原文简化并记录选择过程。报告中位数、可信区间与后验概率，而不是只报是否显著。信息条件上，代码与权重没有可运行系统可下载，统计工具链是公开的编程语言与建模包，论文给出引用但未给出完整脚本，因此重跑贝叶斯部分需要自己补先验与采样代码并做收敛检查。

何时值得借鉴这套做法，还需补哪项验证？

当你的任务也是在声调语言里靠韵律区分问句与陈述，且怀疑难度集中在特定声调或特定类别时，这套做法值得借鉴。它把容易混在一起的两件事拆开：一是输入信号本身有多可分，二是听者自己习惯有多分明，并用交互定位好处出现在哪里。对初学者而言，最可迁移的不是某个系数值，而是先分听自己与听别人、再分问句与陈述、再分声调的 3 层对照逻辑。

还需补的验证很具体。用更大、性别平衡、口音更多样的样本重测自我优势与同性优势；加入反应时与置信度，看刺激区分度是减少犹豫还是只提高正确率；在自然对话与不同载体下检验指数是否仍能预测难度；直接操纵听者对陈述默认偏向的预期，例如改变问句比例或提供上下文，看听者区分度与语调的交互是否移动。只有补了这些，才能判断感知产出联系是稳定的机制还是特定朗读任务下的分布效应。

📐 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 28 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