时长被抹掉之后，三声才像二声：普通话二三声混淆的再检验

英文题目：Mandarin Tone 2/3 confusion revisited

会议身份：conference:speechprosody:2026:conference-paper-id:li26c_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 #语音学与音系 #言语感知 #语音 #语音属性识别

评分：5.8/10 | 创新 1.2/2 | 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 0.8/1.5 | 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

• Zixuan Li：机构信息未能从会议 PDF 纯文本可靠映射
• Zeyu Xie：机构信息未能从会议 PDF 纯文本可靠映射
• Shijing Yu：机构信息未能从会议 PDF 纯文本可靠映射
• Yi Xu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理普通话第二声与第三声在自然产出中是否真易混淆的问题，输入为孤立与列表语境下朗读的单音节最小对立词，输出为三声变体的声学分布与母语听辨混淆矩阵，难点在于引文式全三声与列表中低降变体的分布条件不清，且时长归一化掩盖了自然时长差异。方法链分三步：先以列表朗读与单字朗读对照诱发低降与降升两种三声变体并提取时长与基频最低点相对位置的关联，再以原始时长与时长归一化两套刺激做四选一汉字听辨以分离时长效应，最后以话语语料库中停顿前三声核查实验室发现的外部适用性。与既有范畴感知研究固定时长只操纵基频轮廓的做法不同，该工作把时长作为区分性线索而非需控制的冗余变量，揭示短时长低降变体在自然语流中的主导地位。在原始时长与时长归一化对照的听辨任务下，原始时长刺激的三声识别准确率为89.474%，高于时长归一化刺激的识别准确率80.047%。时长归一化后降升变体与二声混淆明显上升，而低降变体则更多混向一声与四声，说明混淆模式随变体与时长条件而异。语料库核查进一步发现停顿前747个三声中仅4例为降升变体，平均时长差异也与实验室关联一致。结论适用边界仅限北京官话背景的成年母语者朗读孤立单音节词与短篇朗读语料，尚未验证自发对话、儿童与第二语言者及跨方言外推。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，目标是什么，先保留哪些关键信息？

本文解读的输入是论文原文提供的 3 个实证环节和官方原图像素，目标是让刚进入语音音乐音频领域的研究生能够核对条件并复述方法。必须保留的信息包括刺激音节与声调覆盖、孤立与列表两种产出条件、原始时长与归一化时长两种感知条件、语料库中停顿前三声的判定口径，以及识别率与时长相关的关键数字和适用边界。输出是 1 篇按学习依赖展开的技术解读，不做超出证据的效果承诺。

普通话有 4 个声调，用白话说，一声是高平调，二声是升调，三声在教科书中常写成降升调，四声是降调，英文分别记为 Tone 1、Tone 2、Tone 3、Tone 4。后文统一用一声、二声、三声、四声指代。长期流传的一种说法是三声尤其是引用形式容易与二声混淆，本文要检验的正是这个说法在自然时长保留时是否成立。学习时先不要把混淆理解为听者耳朵不好，而要理解为刺激制作方式、变体分布和时长条件共同作用的结果。

论文的研究对象不是合成连续统上的分类边界，而是自然产出的单音节词在保持原长和统一时长两种条件下的可区分性。这一点决定了后文所有比较都必须注明时长条件，否则数字无法解释。资源状态方面，本次未发现来源绑定且完成安全验证的资源，因此不得声称代码模型或数据已公开，只能按原文交代的步骤复述可重放的操作。

二三声易混的说法从哪里来，同类研究走了哪条路线？

最早报告单音节二三声高混淆的是庄和喜奇一九七二年的研究，英文文献记为 Chuang and Hiki。该研究用 2 名男声和 1 名女声录制单音节、双音节和三音节词，请 4 名中文听者判断每个音节的声调，在单音节词中三声和二声之间的混淆最多。此后没有用自然产出孤立单音节词请母语听者重复该高混淆的后续研究，但在第二语言习得者中确有较多高混淆报告。

原文指出，庄和喜奇把高混淆归因于二声与三声音高模式相似，这个原因假设和混淆数字一起，成为后来许多感知研究的前提。此后主流路线是范畴感知范式，用白话说就是把一个声学维度做成等距连续统，其他维度固定，再看听者在哪里切换判断，英文为 categorical perception。对于二声和三声，常见做法是固定时长，只改变基频轮廓。论文批评这种做法忽略了两个事实，一是 4 个声调本来时长差异就大，二是三声自身有多个同位变体。

已有的一项考虑时长的研究合成了从典型二声到典型降升三声的基频轨迹，并设置短长两种时长，发现长时系列引发更多三声判断，说明时长是区分线索。但该研究在两种时长下都使用降升三声原型，短音节配降升轮廓的组合在自然口语中很少出现，因此结果仍难解释。另一条相关路线是声调时长研究，多次发现降升三声比其他声调长，但没有在同一语境下比较降升与低降两种三声变体的时长。本文的切入点正在于补上变体分布与时长条件的联合证据。

要回答的具体问题是什么，为什么必须拆成四个目标？

论文提出 4 个研究目标，每一个都对应一个可核对的操作。第一是如何在分隔良好的单音节词中同时诱发出降升和低降两种三声变体，用白话说就是既要拿到完整先降后升的读法，也要拿到只降不升的读法。第二是这两种变体的分布是否与时长有关，即长音节是否更可能出现降升。第三是二三声的感知混淆程度如何，以及时间归一化是否改变混淆。第四是通过语料分析重新检验降升变体是停顿前默认形式的假设。

这 4 个目标必须拆开，因为变体拿不到就无法谈分布，没有分布就无法构造公平的感知刺激，没有语料对照就无法判断实验室刺激是否偏离自然经验。论文特别强调三声至少有 3 种形态，降升、 低降和轻声化上声变体中的升调，其中升调变体即三声连读变调只出现在另一个三声之前。降升变体也称完整或引用三声，是被要求单念一个三声字时的形式。低降变体出现在后接非三声音节时，也可能出现在停顿前，但确切条件不清。

本文把前两个变体的区分交给前 2 位作者基于基频轮廓和听辨判断，并在感知部分分别统计。理解这套问题拆分后，才能明白后文为什么产出用两种呈现条件，感知用两种时长条件，语料只看停顿前位置。

三组实验如何分工，先走通一个样本的完整路径？

方法全景可以沿一个三声音节走一遍。先以音节帕或妈为例，产出实验让北京出生长大的母语者按正常语速朗读屏幕上的汉字，条件甲把 5 个字随机组成带逗号的列表，条件乙把每个字单独呈现，每个音节重复 5 次且顺序按被试打乱。录音经切分得到 2000 个声音文件，计算方式是 8 个音节乘 5 次重复乘两种条件乘 25 名发音人。

随后用 ProsodyPro 工具标注音节边界，基于波形频谱图和听辨手工确定，再用 Praat 自动脉冲标记并手工纠错后提取时长和最低基频位置比例等测量。接着从这些录音中随机抽取 302 条作为感知刺激，同时制作把所有音节时长统一为 350 毫秒的另一套刺激，并把峰值幅度归一化。55 名来自北京高校和中学的北方母语听者在线听音，从 4 个汉字选项中选择听到的字。

最后从中文话语语音库中找出所有句号或逗号前的三声音节，测量时长并判断属于降升还是低降。沿这条路径可以看到，产出负责提供变体与时长，感知负责检验混淆是否依赖时长，语料负责检验实验室默认形态在自然停顿前的真实比例。三者缺一不可，如果只看感知而不看产出分布，就无法知道归一化制造了何种罕见组合。

变体如何诱发与测量，时长条件起什么作用？

产出组件的关键是呈现方式。研究者发现直接让发音人单念三声字时几乎只能拿到降升引用形式，预实验中多数发音人完全没有低降变体。解决办法是先录列表条件再录孤立条件，列表中字与字之间用逗号分隔并存在静音停顿，这种设置容易诱发出低降变体，而单独呈现则更容易得到降升变体。中间有短暂休息，录音通过网络会议软件以音乐人原始声音模式在安静小房间完成。

刺激是帕和妈两个音节覆盖 4 个声调的最小对立组，选字标准是每个声调都有对应词汇且都是常用高频词，例如八拔把爸和妈麻马骂。测量方面，时长就是标注区间的持续时间，最低基频位置比例是最低基频拐点相对整个区间的位置比例，数值越小表示谷底越靠前，越接近一表示谷底落在音节末尾。作者用散点图展示该比例随音节时长的变化，并用斯皮尔曼等级相关检验相关性。

降升变体 × 低降变体： 降升变体指先降后升的完整三声形态，承担在孤立长音节中展示完整拐点轨迹的分工，低降变体指只降不升或尾部不再上升的形态，承担在较短音节或连续语流中压缩时长仍可实现的分工，二者搭配的理由是同一声调范畴在不同时长条件下需要不同的基频实现方式，组合意义在于把三声从单一模板还原为时长相关的两个可操作变体，后续才能分别检验各自与二声的混淆。

下面这张图展示了两种变体的基频形态差异，是理解后文时长关联的基础，读图时先看整体走向再看谷底与回升。

看图路径： 1. 先看左右两组曲线的整体走向，左侧是否一路下降而右侧是否先降后升；2. 再看横轴归一化时长刻度，确认两组曲线都覆盖相同相对时间范围；3. 比较纵轴平均基频高度，观察右侧谷底后是否有明显回升段；4. 注意左侧短时长组尾部是否缺少回升，右侧长时组谷底位置是否更靠中

论文图 3。原论文 Figure 3：“Illustration of the low-fall and fall-rise”。

从像素可见，左组多条曲线随归一化时间单调下降，尾部没有上扬，对应短时长低降样本，右组多条曲线先降后升，在中后段出现明显谷底和回升，对应长时长降升样本。两组纵轴都是平均基频赫兹数，横轴都是归一化时长，因此形状差异不能用绝对时长刻度差异解释，而是归一化后仍保留的轮廓差异。这直接支持把三声拆分为两个变体分别统计的做法，也为感知实验按变体分组提供了依据。

时长归一化 × 范畴感知： 时长归一化指把所有刺激音节拉长或压缩到同一时长的做法，承担控制变量、只留基频轮廓差异的分工，范畴感知指把连续声学变化切分为离散声调判断的研究范式，承担解释听者如何分类的分工，二者搭配的理由是范畴感知实验常需固定时长以构造基频连续统，组合意义在于揭示这种固定可能制造自然口语中很少出现的短降升组合，从而高估二三声的混淆。

时长条件的作用在于决定哪种变体更容易被完整实现，短时长难以容纳先降后升的完整动作，长时长则为回升留出时间，这正是后文负相关的物理基础。

本研究有没有训练模型，真实计算过程是什么？

本研究没有训练神经网络模型，因此不存在参数冻结更新、梯度路径或优化器选择的报告，该节的任务是如实说明无训练，并讲清实际发生的计算与标注过程。真实计算分为 3 类，一是声学测量计算，用 ProsodyPro 从已标注区间自动提取时长和最低基频位置比例，基频来自 Praat 自动声门脉冲标记并经人工纠正明显错误，音节边界依据波形频谱图和听觉判断手工标定。

二是刺激构造计算，用 Praat 脚本把感知用的 302 条语音统一到 350 毫秒，并把幅度按峰值缩放到 0.99，原始时长版本则保持切分后的自然时长。三是统计计算，对全部产出数据做斯皮尔曼等级相关分析，检验最低基频位置比例与音节时长的单调关系，并对感知识别率做单因素重复测量方差分析，比较原始与归一化两种时长条件的总体差异。

变体标签由前 2 位作者结合基频轮廓和听辨判定为低降或完整降升，没有报告一致性系数，这是复现时需要补记的缺项。语料分析的计算是先定位停顿前三声音节，再测量时长并判断轮廓类型。由于没有模型训练，不能把无训练等同于确定性求解，听者判断仍有变异，录音切分与谷底检测也依赖人工纠正，这些都是复现时必须保留的人工环节。

数据划分采样指标如何规定，比较条件是否公平？

产出实验的被试是 25 名在北京高中和大学招募的母语者，14 女 11 男，均出生长大于北京，自报无言语听力障碍。感知实验的听者是 55 名出生于中国北方、说普通话的母语者，同样来自北京高中和大学。感知刺激从产出录音中随机抽取，302 条中一声 75 条、二声 75 条、三声 77 条、四声 75 条，帕和妈两个音节数量接近均衡。三声进一步分为低降组和完整降升组，两组数量接近。

归一化版本把所有音节时长统一为 350 毫秒，幅度统一处理，听者在其常用教学网站上完成作业式测试，每段音频可多次重放，无限时，每人题目顺序随机，共得到一万六千六百零三减 7 个缺题的反应，计算式在原文中有明确交代。指标是混淆矩阵中的识别率与误判率，方向是识别率越高越好，误判到其他声调的比例越低越好。

公平条件的关键在于除时长外，同一批原始录音同时用于两种时长条件，选项汉字在帕组和妈组内分别固定，因此原始与归一化的差异可归因于时长处理。语料实验使用中文话语语音库，由 10 名母语者朗读 18 篇短文，已有语音和韵律标注，分析对象是句号或逗号前的三声音节。需要指出的边界是，语料中停顿前三声音节多为双音节或三音节词组的一部分，与产出实验的单音节词不等价，比较时不能混为同条件胜负。

下面这张表整理感知实验的样本与处理条件，读表前先确认问题是样本量是否均衡且处理是否只动时长，公平条件是同一批录音派生两套刺激，指标方向是识别率越高混淆越低。

表后需要说明，主要收益是同一批录音的配对比较使时长效应可解释，代价是归一化把自然时长分布压缩为单点，可能制造罕见组合。

未胜出项是原文未报告帕与妈两个音节各自的混淆差异，也未报告男女发音人与听者的交互，这些边界在复述时应保留为未评测。

原长下二三声真的更易混吗，归一化改变了什么？

产出结果首先显示列表条件成功诱发出大量低降三声，孤立条件则多为降升三声，短时长样本的轮廓多为低降，长时长样本多为降升。散点图把最低基频位置比例对音节时长展开，可见时长越长谷底相对位置越靠前，即越可能是降升。原文报告了显著负相关，包含全部数据和去掉天花板效应两种口径。读图前先明确问题是时长与轮廓形状是否单调关联，条件是同一批单音节产出，指标方向是位置比例越小越靠前即越偏降升。

看图路径： 1. 先确认横轴为音节时长毫秒数，纵轴为最低基频位置比例；2. 再看蓝色散点随横轴增大是否整体下移，并找到绿色回归线的走向；3. 注意纵轴等于 1 附近的顶部聚集点，理解为谷底落在音节末尾的低降样本；4. 对比左下角等于 0 附近的少数点，确认其数量很少不主导趋势

论文图 1。原论文 Figure 1：“Scatter plot of location of low f0 turning point relative to syllable onset as a function of syllable”。

从像素可见，横轴为音节时长毫秒数从零到一千，纵轴为最低基频位置比例从零到一，蓝色散点在短时左侧分布较散且顶部在纵轴等于一处有明显聚集，对应谷底落在末尾的低降样本，绿色回归线自左上向右下倾斜，说明时长增加时谷底前移。右端长时样本数量较少但多集中在中低位置比例区间，与降升形态一致。底部等于零处的点很少，不主导趋势。这支持降升更可能出现在长音节的判断，但相关不等于因果，仍需感知与语料佐证。

下面这张原表给出等级相关的数值结果，表前已提出比较问题是相关方向与显著性，公平条件是同一测量流程，指标方向是负相关系数支持长时配降升。

表后解释是 2 次分析都得到显著负相关，去掉谷底在末尾的聚集后相关依然存在，说明结果不是单纯由天花板聚集驱动。代价是相关系数绝对值并不大，散点离散程度高，表明时长之外仍有其他变异来源，不能用时长单独预测变体。

最低基频位置比例 × 音节时长： 最低基频位置比例指最低基频拐点在整个音节区间中的相对位置，承担量化轮廓是偏降升还是偏低降的分工，音节时长指从切分起点到终点的毫秒时长，承担提供实现完整拐点所需时间资源的分工，二者搭配的理由是相对位置消除了绝对时长差异后仍能反映形状变化，组合意义在于可以用相关分析直接检验时长越长拐点越靠前即越可能是降升这一假设。

感知主结果显示，保持原始时长时三声总体识别率低于其他声调，但三声最易误判为一声而非二声，与四声的混淆也接近与二声的混淆，二声本身识别率很高，难以称为易与三声混淆。时长归一化后三声识别率下降幅度最大，一声略有下降，重复测量方差分析显示时长条件对识别率有显著影响。更细的分组显示，原始时长下低降三声识别率远低于降升三声，是拉低三声整体的主要来源，归一化后降升三声识别率大幅下降且主要误判为二声，而低降三声增加的混淆主要指向一声和四声而非二声。这说明归一化制造的混淆具有变体特异性，不能笼统说成二三声整体更易混。

去掉极端点后趋势还在吗，哪种变体真正贡献混淆？

本节按消融逻辑组织，检验极端聚集是否主导结论，并拆分变体贡献。产出方面，原文担心最低基频位置比例等于一的聚集会牵引回归线，因为这些点是谷底恰好检测在音节末尾的样本，可能高估负相关。为此作者去掉该聚集后重画散点并重算相关，结果仍为显著负相关，说明趋势稳健。读图前先确认问题是去掉天花板点后时长与谷底位置的关系是否保持，条件是同一批产出数据仅剔除等于一的点，指标方向仍是回归线向下为支持原假设。

看图路径： 1. 先确认本图已去掉谷底在末尾的样本，观察顶部聚集是否消失；2. 再看剩余散点随音节时长增长是否仍呈下降趋势；3. 比较绿色回归线斜率与上一张图的异同，判断天花板效应的影响；4. 注意右侧长时区域样本变稀但位置比例仍偏低，支持降升与长时关联

论文图 2。原论文 Figure 2：“Scatter plot of low f0 turning point location”。

从像素可见，本图顶部等于一的密集横线已消失，剩余散点仍从左侧较高位置比例向右侧较低位置比例过渡，绿色回归线依然向右下方倾斜，右侧长时样本稀疏但位置不高。这表明即使不计末尾谷底样本，长音节的谷底仍更靠前，降升与长时的关联不是伪影。需要注意像素无法精确读出每个点的毫秒数与比例值，不应硬写单点数值，只能报告趋势方向与原文的相关系数。

感知方面的拆分相当于对变体的消融，若把三声整体拆开，会发现原始时长下低降识别率明显低于降升，归一化后降升的损失最大且转向二声。 下面这张表整理语料与感知的关键数字对照，读表前先确认问题是实验室默认形态在自然停顿前是否罕见且时长是否一致，公平条件是轮廓判定都基于基频形状，指标方向是出现率越低越不支持默认假设，时长越长越支持长时配降升。

表后解释是，语料结果与产出结果在时长方向上一致，低降短而降升长，实验室引用形态在停顿前极为罕见。

代价是语料多为多音节词成分，与单音节实验不等价，不能直接套用为同条件胜负。未胜出项是降升在长停顿前是否可能保留，原文仅有 4 个样本，无法做可靠推断，这正是需要补验证的边界。

哪些条件限制了结论的推广？

首先是说话人与听者覆盖，发音人 25 名、听者 55 名，均来自北京及北方高校中学，代表的是标准普通话北方口音，不能推广到台湾口音或南方口音，也不能代表儿童与第二语言学习者。原文明确指出儿童和第二语言学习者确实可能更难区分二声与三声，本研究的无高混淆结论只适用于成熟母语听者听自然时长刺激的情形。

其次是录音与测试环境，产出经网络会议软件在安静小房间完成，感知在线完成且可多次重放无限时，这与实验室隔音室单次播放的范式不同，重放可能提高识别率，复现时应记录重放次数。第三是标注与判定，变体标签由前 2 位作者基于轮廓和听辨划分，没有报告者间一致性，谷底检测依赖手工纠错，语料轮廓判定也未给出自动化阈值，这些都限制了完全自动化复现。

第四是刺激范围，仅用帕和妈两个音节的高频词，声母与韵母覆盖有限，归一化只做到 350 毫秒单点，没有测试其他归一化时长下的剂量反应。最后是语料口径，停顿前定义为句号或逗号前，多为多音节词成分，与单音节孤立词不等价，且降升仅 4 个样本，其平均时长 365.3 毫秒的估计很不稳定。

引用调形 × 语流变体分布： 引用调形指被试被要求单念一个三声字时最易发出的降升形态，承担实验室中默认三声代表的分工，语流变体分布指在停顿前和连续话语中低降与降升各自出现的比例，承担反映自然使用中真实暴露频率的分工，二者搭配的理由是实验室默认形态不等于自然高频形态，组合意义在于只有同时报告引用条件和语料分布，才能判断感知实验所用刺激是否偏离听者日常经验。

这些限制不是技术错误，而是证据边界，相关性不等于因果，未测量延迟成本与误判代价时不应承诺应用收益。

要复现需要准备什么，先做什么再做什么？

复现先做产出诱发，准备帕妈两组各 4 个声调的高频字卡，用脚本实现两种呈现，一是五字带逗号列表随机重复 5 次，二是单字单独随机呈现，列表先录孤立后录，中间休息，要求正常语速安静房间，用原始声音模式录音。切分时按波形频谱图和听辨手工标定音节边界，用 Praat 提取基频并手工纠正脉冲错误，再用 ProsodyPro 或等价脚本计算时长和最低基频位置比例，画出位置比例对时长的散点并计算斯皮尔曼相关，注意同时报告含全部点和去掉等于一聚集点的两种结果。

接着做感知复现，从产出中随机抽取约 300 条并保持声调与音节均衡，由 2 人独立标注低降与降升并记录一致性，派生统一为 350 毫秒且峰值幅度归一化的版本，听者选择汉字而非声调名，每题可重放但需记录重放次数与用时，统计原始与归一化两种条件下的混淆矩阵，并用重复测量方差分析检验时长条件效应。最后做语料核对，在已标注话语库中定位停顿前三声，测量时长并按同一轮廓标准判定变体，报告降升出现率与两类平均时长。

关键超参数与信息条件是归一化时长 350 毫秒、幅度峰值 0.99、列表与孤立的顺序与重复次数，这些必须与原文一致才能比较。原文未提供公开代码与数据链接，本次也未能确认可达，因此只能按文字步骤重写脚本，不应声称已有官方实现可用。 下面这张原表是复现时必须对齐的变体级混淆口径，表前问题是原始与归一化下两种三声变体各自误判到哪里，公平条件是同一批刺激配对比较，指标方向是识别率越高越好。

表后解释是，原始低降的识别率低于原始降升，归一化后降升转向二声而低降转向一声和四声，复现时若得到不同转向，应先检查变体标注标准与归一化算法是否一致，再检查听者是否允许重放。未评测边界是其他归一化时长与更多音节的扩展，这是后续补验证的方向。

何时值得借鉴这个结论，还需要补哪项验证？

当你的任务涉及自然口语声调感知、语音合成时长建模或范畴感知刺激设计时，本文值得借鉴。核心可带走的判断是，保留自然时长时母语者对二声与三声的区分并不比其他声调对更差，过去的高混淆很大程度上来自固定时长的实验做法，这种做法把短时长与降升轮廓捆绑成罕见刺激。

教学例子可以这样理解，想象把一句话整体加速但要求每个字仍发出完整降升动作，短字就很难做到，只能发出低降，若实验强行把短字拉成降升再让听者判断，听者自然容易按升调部分判为二声，但这不代表日常听音也如此困难。复现与应用时应保留时长分布与变体标签，不要只报告总体识别率。

还需要补的验证包括在更多音节与声母韵母组合上重复产出与感知，在多个归一化时长上刻画混淆如何随统一时长变化，在隔音室单次播放条件下检验重放的影响，以及用自动化可重复的轮廓分类阈值替代人工判定并报告一致性。语料方面应在单音节停顿前样本充足的库中重新估计降升比例，避免用 4 个样本的均值做强推断。

最终要记住，本文报告的是成熟北方母语者在特定条件下的行为，不是对所有人群和所有语境的承诺，引用时必须同时注明时长条件与变体分布。

📐 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

区域 3 · 查看论文原页

区域 4 · 查看论文原页

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