声调语言里靠什么赢得演讲：普通话演讲比赛中的共振峰与音高策略

英文题目：Speaking to Win: How Prosodic Features Predict Success in Mandarin Public Speaking Competitions

会议身份：conference:speechprosody:2026:conference-paper-id:lin26_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 #语音 #语音属性识别

评分：5.5/10 | 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 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Dongmei Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Oliver Niebuhr：机构信息未能从会议 PDF 纯文本可靠映射
• Rongjie Shi：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为I’m a Speaker第一季与第二季48位选手演讲音频中靠近开头与结尾的30秒片段，输出为Top6、Top12、Top24、Top36排名名次，难点在于普通话基频兼具声调词汇功能与副语言功能且电视排名混杂内容人气与后期制作干扰。首先从每人演讲首尾附近截取等长30秒片段并避开掌声音乐覆盖区，经LALALA.AI去残留背景音乐后送入声学分析。然后用ProsodyPro、VocalToolkit及De Jong与Wempe音节核脚本提取基频均值与基频范围、第一至第三共振峰均值、停顿个数与平均停顿时长、净音节语速与平均均方根响度九维参数。接着以排名数值为因变量拟合广义线性混合模型，先做全样本模型再按性别与首尾位置分组建模，季节与性别作为随机效应，变换后参数作为固定效应预测排名。与英语德语强调基频均值响度与较快语速不同，本研究关键机制差异在于发现普通话成功标记更依赖共振峰谱特征与性别分化的音高动态及首段印象，具有跨语言普遍性与声调制约并存的实际意义。在I’m a Speaker两季演讲语料条件下，女性组mean f0指标的P-value为0.33，低于起始段mean f0指标的P-value 0.57。该结论适用边界受限于该节目两季电视演讲首段印象与分组建模条件，因果方向尚未验证且尾段无显著预测力，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：要从电视演讲里回答什么问题？

这篇解读的输入是论文研究的真实任务，不是通用语音识别或合成。作者想知道，在普通话公开演讲比赛里，说话人的韵律设置是否与最终名次有关联，如果有关，是哪些参数在起作用，是否男女不同、开场结尾不同。输出不是直接预测冠军，而是在控制赛季和取样位置等分组因素后，报告每个声学参数与名次数字的关联方向和显著性。

必须保留的关键信息是样本来自北京卫视《我是演说家》前两季，每季从前 6、前 12、前 24、前 36 各选 6 人，共 48 人，27 名男性、21 名女性，每人取开场附近和结尾附近各一段 30 秒语音，共 96 段录音。名次数字越小代表成绩越好，例如 6 优于 36，这一点决定了后文所有负相关、正相关的解读方向。初学者容易误以为声音好听就等于内容好，论文恰恰把内容、长相、人气等混杂因素留在背景里，只检验韵律这一条通道，因此结论只能读成关联，不能读成因果。

后续所有方法、统计和讨论都要回到这个任务边界来核对。

已有路线告诉我们什么，普通话为何需要单独检验？

在英语、德语等西方日耳曼语调语言里，高吸引力演讲的声学画像已有较多积累，通常包括较高的平均基频、较大的强度、更宽的基频变化范围、更快的语速、更短更少的静音停顿，以及更少更短的填充停顿。投资者路演研究甚至报告仅凭韵律就能以约七成准确率预测名次。但普通话的基础完全不同，它用基频运动区分词义，整体基础基频更高、语速更慢，声调约束可能改变韵律系统的整体设置。

跨文化工作还显示，同一韵律线索在不同语言社群中解读不同，例如中德礼貌感知中对停顿和发声紧张度的期待相反。因此不能把西方结论直接搬到普通话。本研究要填补的正是普通话成功演讲韵律证据不足的缺口，同时检验哪些参数是跨语言共通，哪些因声调和文化而不同。

首因效应 × 薄片判断： 首因效应指开场印象不成比例地影响整体评价，分工是解释为何取开场 30 秒；薄片判断指仅凭极短行为样本就能形成稳定判断，分工是解释为何 30 秒足以预测印象。二者搭配的理由是都强调早期短时线索的锚定作用，组合意义是为分别检验开场段和结尾段的预测力提供行为基础。

问题如何形式化：名次数字与九个参数的关系是什么？

作者把问题形式化为回归问题。自变量是 9 个韵律参数，包括平均基频、基频变化范围、平均第一、第二、第三共振峰、静音暂停计数、平均暂停时长、语速和平均均方根强度。因变量是名次数字，只取 6、12、24、364 个等级。系数为负意味着参数越大名次数字越小，也就是成绩越好；系数为正则相反。

举例来说，如果平均第三共振峰的系数为负，就表示共振峰越高越可能进入前 6 而不是停留在 36。研究进一步提出两个调节问题，一是性别分组后预测参数是否不同，二是开场 30 秒与结尾 30 秒的预测力是否不同。取样避开最开头和最结尾，是为了去掉掌声和音乐覆盖，同时对齐首因效应和近因效应最可能影响评价的位置。理解这个形式化，就能明白后文为何要做全样本、按性别分、按位置分 3 套模型。

方法全景：一段 30 秒语音如何变成一行回归数据？

沿着一个样本走完全程会更清楚。假设取某位选手开场附近的一段 30 秒语音，先用视频环录方式从网络视频中截取，再用去音乐工具去除背景音乐，得到干净语音。接着用韵律分析工具测量 9 个参数，得到一行数值，例如平均基频多少赫兹、基频变化范围多少半音、3 个共振峰各多少赫兹、暂停几次、平均每次多少毫秒、语速每秒几个音节、强度多少分贝。然后把这行数值与该选手的名次数字配对，标注性别、赛季和位置信息。96 段语音就得到 96 行数据。

统计阶段先检查正态性，对偏态参数做对数或 Box-Cox 变换，再用广义线性混合模型估计每个参数的固定效应，同时用随机效应吸收分组差异。最后分别在全样本、男女性别子样本、开场结尾子样本上重复建模，比较哪些参数稳定显著。这种安排的理由是现场数据混杂多，先看整体，再看分组，才能区分普遍策略与性别或时间特异策略。

组件一：音高与音色参数各自测量什么？

9 个参数分属 4 类。音高类包括平均基频和基频变化范围，前者是整段的平均音高水平，后者是音高起伏幅度。频谱类包括平均第一、第二、第三共振峰，分别与开口度、舌位前后和谐亮度、微笑程度等发声设置有关，测量时按性别调整共振峰提取设置。时间类包括暂停计数、平均暂停时长和语速，暂停只计超过 200 毫秒的静音，语速是剔除静音后的净音节速率。强度类是平均均方根强度，反映整体响度。

由于每段时长相等都是 30 秒，暂停计数无需再按时长归一化。初学者常把基频等同于音色，实际上基频决定声调骨架，共振峰决定元音音色，二者是声源与滤波器的分工。

基频 × 共振峰： 基频即 f0，反映声带振动快慢，听感上对应音高高低和声调走向；共振峰即 F1、F2、F3，反映声道形状对特定频率的增强，听感上对应元音开口度、舌位前后和音色明亮度。二者搭配的理由是普通话用基频区分声调，不能随意大幅抬高音高，而共振峰不受声调限制，可以通过口型和发声努力调节，因此组合起来能同时观察受限的音高通道和相对自由的音色通道，新增作用是区分男女不同的获胜策略。

基频变化范围 × 语速： 基频变化范围即 f0 range，衡量一段话里音高起伏有多大，分工是刻画动态感和情绪唤醒；语速即每秒净音节数，剔除静音后计算，分工是刻画信息密度和从容程度。二者搭配的理由是它们都属于随时间展开的韵律，都影响听众是否觉得演讲生动而不仓促，组合意义在于检验普通话演讲是靠抑扬顿挫还是靠放慢节奏来赢得好评。

组件二：时间组织与测量工具如何配合？

时间组织的测量需要明确阈值和工具链。作者把静音暂停的最小阈值定为 200 毫秒，依据已有二语流利度研究中对阈值的探讨，短于此的塞音闭合或切分不计入。测量借助 ProsodyPro、发声工具包和音节核检测脚本完成，语速自动检测音节核后除以去暂停时长。强度以均方根分贝表示，但作者提醒电视后期制作可能同等影响所有文件的强度相关测量，因此强度结果要谨慎解读。

工具分工是明确的，韵律批量脚本负责基频和强度轮廓，共振峰模块负责频谱包络，音节检测脚本负责语速，暂停统计则依赖阈值分割。这种组合的理由是单一工具难以同时保证音高、共振峰和节奏的精度，新增作用是让 9 个参数在同一 30 秒窗口内可比。

静音暂停计数 × 平均暂停时长： 静音暂停计数统计超过 200 毫秒的静音次数，分工是反映断句频繁程度；平均暂停时长测量每次静音有多长，分工是反映停顿拖沓程度。二者搭配的理由是只看次数会漏掉长停顿，只看时长会漏掉碎片化停顿，组合起来才能完整描述时间组织，新增作用是检验少而短的停顿是否对应更好的名次。

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，也没有更新任何声学模型权重，不存在梯度路径、参数冻结与解冻或早停问题。真实计算过程是统计建模。先用夏皮罗检验加直方图和分位数图检查每个参数的正态性，发现基频变化范围、平均第三共振峰、平均暂停时长、语速和平均均方根强度偏离正态，于是对平均暂停时长和平均强度做对数变换，对基频变化范围、平均第三共振峰和语速做 Box-Cox 变换。

变换后仍有轻微偏离，因此选用能容纳非正态预测变量和随机效应结构的广义线性混合模型。实现上调用统计建模包的混合线性模型函数，以名次数字为因变量，9 个参数为固定效应，全样本模型把赛季、性别和位置作为随机效应，性别分组模型把赛季和位置作为随机效应，位置分组模型把赛季和性别作为随机效应。

广义线性混合模型 × 随机效应： 广义线性混合模型即 GLMM，分工是在因变量为名次数字时同时估计 9 个韵律参数的固定效应；随机效应分工是吸收赛季、性别和取样位置带来的成组差异。二者搭配的理由是 48 名选手分属两季、男女和开场结尾，直接回归会把组间差异误当成韵律作用，组合意义是让固定效应只反映韵律与名次的关联，组别差异由随机截距承担。

实验条件：数据划分、指标方向与公平性如何保证？

数据划分完全按研究问题组织。全样本 96 段用于检验整体效应，男性子样本与女性子样本分别检验性别差异，开场子样本与结尾子样本分别检验时间差异。每套模型内部条件一致，固定效应都是同一批 9 个参数，随机效应按分组调整，避免把赛季差异误读为韵律差异。指标方向必须牢记，名次数字越小越好，因此负系数对应更好成绩。显著性按常规阈值判断，接近 0.07 视为趋势而非显著。

公平性方面，男女比例虽不完全平衡但在取样时已考虑，时长统一为 30 秒使暂停计数可比，共振峰按性别调参，强度受后期影响的局限被明确指出。复现时需要保留的关键超参数是 200 毫秒暂停阈值、对数与 Box-Cox 的变换分工，以及随机效应的 3 种设置，缺其中任何一项都会改变系数估计。 下面两张整理表把样本构成与参数定义固定下来，便于后文核对数字时回查条件。

比较问题是样本是否覆盖 4 个名次等级且男女与录音数量明确，公平条件是每季每等级各 6 人、每人两段等长语音。

该表说明取样不是随意抓取，而是按名次分层、按性别兼顾、按位置配对，后文按性别和位置分组才有足够样本支撑。未胜出的边界是性别无法完全平衡，这是现场数据的固有限制。 比较问题是 9 个参数的单位与变换是否交代清楚，公平条件是同一窗口、同一工具链下测量。

该表把单位与变换绑定，提醒读者后文回归系数是在变换尺度上估计的，不能直接按原始赫兹或毫秒做线性外推。未报告的是后期压缩对强度的具体影响量，只能定性保留谨慎结论。

主结果：哪个参数整体显著，效应方向是什么？

全样本模型只发现平均第三共振峰显著，系数为负，显著性为 0.001 水平，意味着第三共振峰越高，名次数字越小，成绩越好。平均第一共振峰与语速呈现趋势，显著性均为 0.07，未达到常规显著。第一共振峰趋势为负，即更高可能更好；语速趋势为正，即更慢可能更好，顶尖选手语速集中在每秒 5.0 音节附近且明显低于 5.5。其他参数包括平均基频、基频变化范围、平均第二共振峰、暂停计数、平均暂停时长和平均强度均不显著。

作者用箱线图展示了平均第三共振峰随名次等级的分布，提供了超越系数的直观对照。 下面先看全样本固定效应的关键行，比较问题是在同一模型中谁显著谁只是趋势，指标方向是系数为负对应更好名次。

该表显示只有平均第三共振峰达到显著，第一共振峰与语速停留在趋势，其余参数不显著，代价是效应整体偏弱，不能单凭韵律准确预测名次。未胜出项很多，包括平均基频和强度，这与西方研究中基频束最稳健的印象形成对照。 为理解显著参数的分布形态，需要查看平均第三共振峰在 4 个名次组中的箱线图，重点是中线是否随名次变差而下移。

看图路径： 1. 先看横轴四个名次组 6、12、24、36 的排列方向，确认数字越小名次越好；2. 再看纵轴平均第三共振峰数值的箱体中线如何随名次变差而下移；3. 比较最左与最右箱体的中线高度差和箱体重叠程度；4. 注意纵轴约为 1900 到 2400 赫兹的分布范围，不要读成单个说话人的精确值

论文图 1。原论文 Figure 1：“Mean F3 values across ranking groups.”。

从像素可见，横轴从左到右为 6、12、24、36，纵轴为平均第三共振峰数值，4 个箱体的橙色中线总体呈下降趋势，最左侧前 6 组中线最高，最右侧 36 组中线最低，但箱体重叠较大，说明趋势存在而区分度有限。这与回归中显著但系数绝对值很小的报告一致，支持有关联但预测力弱的判断，仍待更大样本验证。

分组对照：性别与位置如何改变显著参数？

把样本按性别拆开后，模式明显分化。男性子样本中平均第三共振峰依然显著，显著性为 0.03 水平，方向仍为负，即越高越好，同时平均暂停时长呈现 0.09 的趋势且为正，即更短的暂停对应更好名次。女性子样本中平均第三共振峰不再显著，取而代之的是基频变化范围显著，显著性为 0.004 水平且为负，即起伏越大名次越好。按位置拆开后，开场段平均第三共振峰显著，显著性为 0.003 水平，第一共振峰与语速的趋势也在开场重现。

结尾段没有任何参数显著，只有暂停计数呈现 0.10 的趋势且为正，即暂停更少可能更好。这种开场强、结尾弱的格局与薄片判断和首因效应一致。 下面看女性子样本的关键行，比较问题是基频变化范围是否在女性中独自显著，条件是同一九参数模型、随机效应只保留赛季和位置。

该表显示女性组只有基频变化范围显著，平均第三共振峰不显著，代价是男性显著的参数在女性中失效，说明不能用同一策略指导所有说话人。未胜出项包括平均基频本身，表明起作用的是变化幅度而非平均高低。 为直观核对女性组基频变化范围的分布，需要查看限定女性说话人的箱线图，注意离群点与箱体位置。

看图路径： 1. 先确认标题限定为女性说话人，再看横轴同样是 6、12、24、36 四个名次组；2. 观察每组箱体内黄色中线代表的基频变化范围中心位置；3. 比较排名靠前组与排名 36 组的中线高低和箱体离散程度；4. 注意 24 组下方有一个孤立黑点为离群值，不要将其当作箱体下边缘

论文图 2。原论文 Figure 2：“F0 range values across ranking groups.”。

从像素可见，横轴同样为 6、12、24、36，箱体内黄色横线为中线，12 组中线最高，36 组中线最低，24 组下方有一个孤立黑点为离群值。整体上靠前名次的中线高于靠后名次，但 6 组中线略低于 12 组，说明不是严格单调，支持 greater variability linked to better rankings 的总体判断，但也提示样本量有限时个别组会波动，不能推广为每 1 名次必升。

限制在哪里：弱效应与混杂因素如何理解？

作者明确报告，与西方投资者路演中韵律预测约七成准确率相比，本研究只发现很少且统计上较弱的关联。一种解释是声调语言中基频承担词义功能，削弱了其作为魅力信号的预测力，但情绪研究显示普通话基频同样强烈塑造情绪且识别率不差，因此作者更倾向于归因于现场数据的性质。电视比赛名次受内容、外貌、人气和后期制作等多因素决定，韵律只是其中之一，后期处理还可能同等影响所有文件的强度测量。

此外，语速结果表面上与西方越快越好的结论相反，实则一致，普通话本身语速较慢，每秒 5.5 音节已接近可接受上限，排名靠后者是过快而非过慢，顶尖者稳定在 5.0 附近。相关性不是因果，未测量误判率、延迟或成本，也未在受控实验中验证，缺失这些证据不是技术错误，但意味着不能承诺调整韵律必然提升名次。

复现先做什么：按原文重走需要哪些具体动作？

复现应先重建语料与测量，而非先调模型。第一步按每季前 6、前 12、前 24、前 36 各 6 人的分层取每人开场附近与结尾附近各 30 秒，避开掌声与音乐覆盖，去除背景音乐后统一时长。第二步用相同工具链测量 9 个参数，共振峰按性别调参，暂停阈值固定 200 毫秒，语速剔除静音后计算。第三步先做正态性检查，对平均暂停时长和平均强度做对数变换，对基频变化范围、平均第三共振峰和语速做 Box-Cox 变换，再用相同随机效应结构拟合全样本、性别分组和位置分组 3 套混合模型。

资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，复现只能按论文文字重写流程。还需补的验证是在更受控的演讲场景中重测，以排除人气与后期混杂，并扩大样本以检验第一共振峰与语速的趋势是否转为显著。

何时值得尝试：给新生的可操作结论是什么？

当任务是普通话公开演讲的开场设计时，这篇论文值得参考。可操作的启示是区分性别策略，男性优先检查共振峰相关的音色设置，例如更开放、更明亮且带微笑感的发声，女性优先检查基频变化范围是否过于平淡，同时两性都避免过长过多停顿和超过每秒 5.5 音节的过快语速。但适用条件很窄，结论来自电视比赛的 96 段现场录音，效应弱且主要集中在开场 30 秒，不能推广到全程或课堂演讲。

常见误解是把平均音高高当成动态强，论文显示起作用的是女性组的变化范围而非平均基频；另一个误解是把慢速绝对化，论文的慢是相对于过快者而言的回落到 5.0 附近，而非越慢越好。下一步验证应是受控录音下的因果检验，再谈训练与部署成本。

📐 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