白语透镜下的普通话声调：早期双语儿童为何先会升调

英文题目：The Bai Lens: Examining Mandarin Tone Development in Bilingual Preschoolers

会议身份：conference:speechprosody:2026:conference-paper-id:liu26c_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 #语言习得 #语音学与音系 #语音 #语音属性识别

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 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 0.3/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Zenghui Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Shufen Liang：机构信息未能从会议 PDF 纯文本可靠映射
• Ao Chen：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理白语为母语的学前儿童如何产出普通话单字调引用形式的问题，输入为图片命名诱发的自发单音节录音，输出为各年龄组基频轮廓与声学参数是否达到成人母语基线的判定，难点在于入园前后普通话暴露剧变与白语多声调向普通话声调非对称映射相互混杂。图片命名采集为第一环，经田野预试保证概念可识可产且仅保留自发产出以隔离音系能力，其合格录音进入第二环。第二环用标注与半音归一化，以韵核为单元提取多时间点基频序列与时长和音高极值，其参数序列进入第三环增长曲线分析与线性混合效应建模，分别检验轮廓截距斜率曲率与离散参数的组间差异。与普通话母语儿童先高平后降再升最后低曲折的路径不同，白语儿童呈现先升调后高平再曲折与降调的顺序，关键机制差异在于早期二语范畴形成仍受母语声调空间同化主导而非单纯按声学复杂度习得。原文未提供可核对的关键定量结果。该结论的适用边界限于云南特定白语社区的早期白语普通话二语者单字调产出，语流变调与感知能力等外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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：要解决的声调习得问题是什么？

本解读的输入是会议论文正文与本次收到的官方原图像素，目标是让刚进入语音与音乐音频领域的研究生能够核对关键做法并复述方法流程，必须保留的信息包括被试构成、诱发任务、标注与归一化方式、两种统计模型的比较逻辑以及各年龄组相对成人基线的偏离模式，输出是按学习依赖展开的中文技术解读。论文研究的任务是白语为母语的学前儿童如何习得普通话 4 个声调。

普通话声调先用白话说清楚：同一个音节把音高走成不同形状就会改变词义，例如高平调 T55 保持在高处不升不降，中升调 T35 从中部向上升起，低凹调 T214 先降后升形成凹形，高降调 T51 从高处快速落下。白语是研究者选定的观察透镜，南部白语有 8 个声调，按轮廓可分为平调 T55 与 T44 与 T33、升调 T35、降调 T42 与 T31 与 T32 与 T21，其中 T44 与 T42 与 T21 还与紧喉等发声状态共现。

已有普通话母语儿童的报告顺序是 T55 最早，T51 次之，然后是 T35，最后是复杂的 T214，而第二语言习得中母语是否为声调语言会改变同化路径，论文要回答的正是白语儿童学普通话是否走同一条路。理解这一步才能进入后续的被试与录音安排，否则容易把声调形状差异误读为单纯发音不准。

已有路线如何解释声调迁移：对照哪些人群？

论文把相关工作组织为两条线。第一条是母语声调发展线，多项研究显示声调在两三岁左右较早出现，且同一声调语言内部的习得顺序相对稳定，普通话母语儿童的顺序被概括为 T55 大于 T51 大于 T35 大于 T214，平调稳定易学而凹调复杂晚学。

第二条是第二语言声调习得线，普通话学粤语、粤语学普通话、福州话背景儿童、泰国成人学普通话、哈尼族儿童学普通话等人群显示出不一致的顺序，作者引用对比分析、知觉同化模型及其扩展、言语学习模型及其修订版来解释这种多样性，核心思想是母语范畴会把目标语音同化、归并或新建范畴。论文的增量在于把观察窗口前移到四至七岁的早期第二语言阶段，并选定母语本身有多平调多降调而只有一个升调的白语儿童，从而形成与母语儿童的直接对照。

需要区分的是论文直接报告的是产出轮廓与声学参数的组间差异，对理论模型的引用属于解释框架而非本研究新验证的模型参数，因此不能把引用过的模型名称当作本研究拟合过的结论。

研究问题是什么：拿什么算学会？

论文提出两个可检验的问题。第一个问题是白语儿童学普通话的声调习得顺序是什么，第二个问题是该顺序是否与普通话母语儿童相同。学会的操作定义不是听辨正确率，而是产出是否与成人母语基线无显著差异。具体做法是把每个目标音节的基频轮廓放在 10 个归一化时间点上比较截距与斜率与弯曲，再把时长与最大音高与最小音高与音域跨度与平均音高作为标量比较。

若某年龄组在某个声调上轮廓三参数与关键声学参数均与成人无显著差异，则判为该阶段已接近成人化，若截距或斜率或 2 次项显著偏离，或音高跨度系统性偏宽或偏窄，则判为尚未掌握。

沿一个样本走一遍有助于建立直觉：例如儿童看到图片说出对应普通话单音节词，录音被切出声母与韵母中的韵核段，提取该段内基频最高点与最低点并做半音归一化，然后把十点轮廓送入生长曲线分析，把时长与音高标量送入线性混合模型，最终看该儿童所在年龄组在该声调上是否还显著偏离成人。这个定义决定了后文所有表格的阅读方式，数值相同不代表同一指标，轮廓相似也不等于时长正常。

方法全景：从图片到组间比较经过哪些步骤？

整个流程可以分为 5 步。第一步是选人与分组，18 名四至七岁白语儿童按幼儿园普通话浸入年限分为四至五岁、五至六岁、六至七岁 3 组，另招 12 名北方成人作为母语基线，成人均通过 2 级甲等以上普通话水平测试。第二步是诱发，图片命名任务呈现 196 个单音节普通话词，覆盖 4 个声调的引用调形式，材料先在田野点预试以保证概念可识别可产出。

第三步是录音与筛选，设备包括笔记本电脑与调音台与领夹话筒，采样率为 44.1 千赫兹与 16 比特精度，全部录像备查，只有无提示自发产出进入分析，提示跟读与残缺与噪声遮蔽被剔除后剩余约 70% 共 4083 个有效音节。第四步是标注与归一化，用软件标出韵核起止点并提取基频最大值与最小值，再以每位发音人自身平均音高为基准做半音转换。

第 5 步是统计比较，用生长曲线分析比较轮廓形状，用线性混合模型比较时长与音高标量，模型经前向逐步选择与似然比检验，显著交互后做估计边际均值的事后比较并做邦费罗尼校正。把握这张全景图后，才能理解为何时长偏长需要单独讨论语速混淆，而轮廓偏离需要回到映射关系解释。

组件如何分工：轮廓模型与参数模型各算什么？

本节先沿一个有效音节走完输入到输出。输入是该音节韵核段的波形与基频轨迹，表示是 10 个等距时间点上的半音值加上时长与最大最小与均值等标量，组件是两套模型，目标是判断该年龄组在该声调上是否偏离成人，输出是截距斜率弯曲的显著性与各声学参数的估计差值。

生长曲线分析把时间建模为正交多项式，固定效应包括时间、年龄组与声调及其全部交互，随机效应容纳被试与词条差异，重点看年龄与声调与时间的 3 阶交互是否显著，若显著则进一步比较截距代表整体高低、1 次项代表整体升降斜率、2 次项代表凹凸弯曲。线性混合效应模型把每个标量作为因变量，固定效应为年龄组与声调，同样控制随机效应，重点看某年龄组在某声调上的时长或音高是否显著长于或高于成人。

两套模型的前向选择都以似然比检验为准，显著阈值为 0.05。

声调轮廓 × 声学参数： 声调轮廓指基频随归一化时间走出的高低升降形状，用截距表整体高低、1 次项表斜率、2 次项表弯曲来刻画，声学参数指时长、最大音高、最小音高、音域跨度和平均音高等可直接测量的标量，二者搭配的原因是轮廓判断形状是否成人化而参数定位偏离在高低端还是跨度上，组合后才能说清例如降调是整体偏高还是下落斜率不够。

生长曲线分析 × 线性混合效应模型： 生长曲线分析负责把 10 个时间点上的半音曲线建模为时间多项式与年龄组和声调类别的交互，回答轮廓形状是否偏离，线性混合效应模型负责把每个音节的时长和音高标量建模为年龄与声调的固定效应加被试与词条随机效应，回答某 1 维度的量值是否偏离，二者搭配是因为同一批录音既有曲线形态问题也有时长偏长问题，需要两种模型分工覆盖。

举例说明分工的必要性：四至五岁组的高平调截距偏高且最大与平均音高偏高，说明轮廓整体抬高而非斜率出错，而同组降调的截距斜率 2 次项全偏离，说明形状本身未建成，若只看均值会漏掉形状信息，若只看轮廓会漏掉时长系统性偏长。

有无模型训练：本研究实际计算了什么？

本研究没有训练神经网络，也没有更新声学模型权重，因此不存在优化器选择、学习率、冻结层、梯度路径或早停等训练要素，需要明确指出这一缺项，避免从统计模型名称误推为深度学习训练。实际计算是 3 类统计与信号处理。第一类是信号标注与提取，用人工结合波形与语图确定韵核边界，用基频跟踪找到最高与最低点，再用脚本批量提取时间与基频并做以个人均值为基准的半音归一化，以消除个人基频高低带来的量级差异。

第二类是生长曲线拟合，在软件中拟合时间多项式与组别声调交互，用卡方检验判断主效应与交互是否显著，再对估计边际均值做事后两两比较。第 3 类是线性混合模型拟合，对时长与 4 个音高量分别建模，同样做前向选择与多重比较校正。所有分析在统计软件中完成，所用程序包包括混合模型与事后比较工具。复现时不需要准备显卡预算，需要准备的是标注一致性检查、归一化基准记录、随机效应结构与校正方法的完整保留，否则组间显著性无法对齐。

实验条件：被试、材料与录音如何保证可比？

被试条件按原文交代。儿童均出生并成长于云南大理喜洲附近的两个白语村落，家庭与社区以白语为主，三至四岁进入以普通话为主的幼儿园，入园前普通话使用比例低于 20%，问卷显示入园后清醒时间使用比例约五成六，幼儿园内普通话使用超过九成五，测试时四至五岁组入园不足一年，五至六岁组约一年，六至七岁组约两年，平均年龄分别为 4.68 岁、5.58 岁与 6.63 岁，成人平均 24.25 岁。

材料条件是 196 个单音节词，最初选自针对普通话儿童的研究词表，再经田野预试调整以保证白语儿童认识概念并能说出，避免把词汇不懂误判为声调不会。程序条件是儿童坐在电脑前看图命名，说不出时先给语义或情境提示，仍失败才允许跟读，但跟读样本不进入最终分析，实验者保持中立不做评判。录音条件统一，设备与采样率全组一致，标注依据波形语图与听感，剔除诱发跟读与残缺与噪声遮蔽后有效率为 70%。

自发产出 × 提示产出： 自发产出指儿童看到图片后无语义提示和无跟读直接说出目标词的录音，提示产出指经语义引导仍说不出而跟读实验者后得到的录音，自发产出保留语义识别与语音计划全链条而提示产出混入模仿，二者区分的原因是只有剔除提示和模仿才能把声调偏离归于音系能力而非词汇不懂，组合意义是保证后续轮廓比较的公平性。

公平性依赖三点：材料可产出性已预试，录音设备与采样一致，只有自发产出参与建模，缺失的是各声调词数是否均衡与男女比例对音高的控制细节，复现时应补记词表分布与随机效应是否包含性别。

主结果：各年龄组的轮廓何时接近成人？

最佳生长曲线模型显示时间与声调主效应显著，年龄与声调、1 次项与声调、2 次项与声调的双向交互显著，更关键的是时间年龄声调 3 阶交互显著，说明不同年龄组在不同声调上的截距斜率弯曲变化不同，需要分年龄事后比较。四至五岁组 4 个声调均未达成人轮廓，高平调整体偏高，升调整体偏低，凹调斜率偏离，降调截距斜率弯曲均偏离。五至六岁组升调与凹调在截距斜率弯曲上均与成人无显著差异，高平调仍整体偏高，降调三参数仍偏离。

六至七岁组升调与高平调与成人无显著差异，凹调斜率重新偏离，降调三参数仍偏离。综合轮廓与声学参数，作者概括的习得顺序为升调最早，高平调次之，凹调与降调最晚。以下导读针对官方原图中的生长曲线，横轴为归一化时间点，纵轴为半音值，不同颜色代表不同声调，不同线型代表不同年龄组，阅读时先确认图例再比较形状而非单点高低。

看图路径： 1. 先按图例颜色区分四个普通话声调，再按线型区分成人与三个儿童年龄组；2. 沿横轴 1 到 10 个时间点比较绿色降调线的起点高低与下落斜率；3. 比较蓝色升调线后段的上扬幅度与红色凹调线中段的下凹深度；4. 观察紫色平调线在各组间是否保持水平且分离

论文图 1。原论文 Figure 1：“Mandarin tone pitch contours produced by”。

从像素可见，紫色平调各线保持相对水平且组间分离较小，蓝色升调在后段明显上扬且儿童虚线与成人实线在后段趋于靠拢，红色凹调呈中段下凹形态但儿童线凹陷更深或位置偏移，绿色降调从高起点快速下落但儿童线起点更高或斜率更陡，整体支持升调与平调先靠拢而降调持续偏离的判断，但像素分辨率不足以读出具体半音数值，精确差值仍以正文报告的估计系数为准，不能把某一段的视觉接近推广为全程已习得。

声学参数：时长与音高偏离的具体数字是什么？

比较问题是各年龄组在时长与音高量上是否与成人一致，公平条件是同一声调内比较、同一归一化基准、同一事后校正，指标方向是时长越接近成人越好，音高差值越小越好，音域过宽或过窄都算偏离。四至五岁组的稳健模式是 4 个声调时长均显著长于成人，同时高平调最大与平均音高偏高，升调最小与平均偏低而跨度偏宽，凹调最小偏低而跨度偏宽，降调最小偏低而跨度偏宽，其余参数与成人无显著差异。

五至六岁组时长仍四调偏长，但音高偏离大幅收窄，仅降调平均音高偏高，其余三调音高参数与成人无显著差异。六至七岁组时长在高平调升调降调仍偏长而凹调已与成人无显著差异，音高上仅凹调最大偏低且跨度偏窄，其余三调音高与成人无显著差异。

表后解释是主要收益为升调与平调的音高量先收敛，具体代价是时长在 3 组中几乎系统性偏长，论文明确提醒时长可能混淆语速因素，儿童整体语速慢于成人，因此不能把时长偏长直接等同于声调范畴未建立，反例是六至七岁凹调时长已正常但轮廓斜率与音高跨度仍偏离，说明时长正常不保证形状正常。未胜出项是降调在 3 组中轮廓始终偏离，构成持续负结果。

表后补充说明：该表数字来自四至五岁组时长比较的连续原句，儿童在四调上均长于成人约一至 1.6 倍，显著性均达到阈值，支持时长系统性偏长的判断，但按原文提醒需考虑语速混淆，限制是不能单独用时长排序习得先后，必须结合轮廓三参数一起看。

表后补充说明：该表数字来自五至六岁组时长比较的连续原句，时长偏长模式延续，但该组升调与凹调轮廓已与成人无差异且音高参数基本收敛，说明轮廓先行而时长滞后，代价是若只看时长会误判该组毫无进步，反例恰是该组降调平均音高仍偏高而轮廓仍偏离，表明降调是真正的困难项。

表后补充说明：该表前三行数字来自六至七岁组时长比较的连续原句，末行数字来自同组凹调音高比较的连续原句，显示三调时长仍偏长而凹调时长已正常，但凹调最大音高偏低且跨度偏窄，支持作者所说的凹调出现反复的判断，限制是样本量较小且为横断设计，不能确定该反复是发展性倒退还是抽样波动。

反证与消融：去掉哪块证据结论会动摇？

论文没有做去掉某模块的消融实验，因此本节按证据展开论文特有的失败条件与边界。第一个反证是凹调的非单调变化，五至六岁组轮廓与声学参数已与成人无差异，六至七岁组斜率与最大音高跨度又显著偏离，若只看五至六岁会得出凹调已习得的结论，加入六至七岁后结论变为尚未稳定，这支持声调习得是非线性过程的判断，也提醒不能用末组结果推广全程。

第二个反证是降调的持续困难，3 个年龄组在截距斜率弯曲上均显著偏离成人，且音高跨度在年幼组偏宽，说明多对一映射与新范畴建立困难不是某一年的偶然偏离。第 3 个边界是时长混淆，作者明确指出儿童语速慢于成人，因此时长显著性不能作为习得排序的主要依据，若去掉该提醒而把时长最短等同于最先习得，会误排顺序。第 4 个边界是有效样本仅占 70%，提示跟读与噪声剔除比例较高，若把提示产出纳入分析，轮廓差异可能被模仿效应稀释。

综合看核心顺序依赖轮廓三参数与音高参数的联合证据，单看任一指标都会动摇排序。

限制是什么：哪些量没有测、哪些推论待验证？

需要区分 3 层表述。论文直接报告的是各年龄组相对成人基线的轮廓与参数差异，支持的是习得顺序为升调大于高平调大于凹调与降调，且与母语儿童顺序不同。有限解释是母语映射关系可以解释该顺序，1 对一映射易学而多对一映射与缺失凹调难学，这一解释与数据一致但属于事后关联而非操纵母语的因果证据，应表述为支持而非证明。

待验证的是因果链条与推广性，样本为 18 名儿童分 3 组每组仅 6 人，且为横断而非追踪同一批儿童，村落与幼儿园高度同质，是否适用于更广泛的白语儿童或其他多调母语儿童尚未验证。未测量的量包括听辨误判率、语速归一化后的时长、自然语流中的变调与轻声、纵向个体轨迹、性别与词汇量控制、推理延迟与部署成本等，因此不能承诺发音训练或教学干预的效果与效率。

原文表头与算术未发现直接冲突，但需注意单位写法，时长以毫秒为单位，音高以半音为单位，组间差值以估计系数报告，百分点与相对百分比在此不适用，不同指标的差值不能混入同一列比较。

复现先做什么：按原文重走一遍需要哪些记录？

复现的第一步是重建被试与材料条件，记录村落来源、入园年龄、普通话使用比例问卷、年龄分组与入园年限、成人籍贯与普通话等级，以及 196 词表的声调分布与预试调整记录，确保概念可识别性一致。第二步是重建录音与标注，统一话筒与采样率，保存视频备查，用相同规则标出韵核起止并提取最高最低基频，记录以个人均值为基准的半音转换公式与参考值，保留被剔除的提示跟读与噪声样本比例以核对有效率。

第三步是重建统计模型，生长曲线取 10 个时间点，固定效应包含时间多项式与年龄组与声调的全部交互，线性混合模型对时长与 4 个音高量分别拟合，记录随机效应结构、前向选择路径、似然比卡方值、估计边际均值的事后比较与邦费罗尼校正版本。第四步是核对关键数字，先核对 3 阶交互与各组截距斜率弯曲显著性，再核对各调时长均值与标准差与成人基线，最后核对音高偏离是否集中在年幼组跨度偏宽而年长组凹调跨度偏窄。

资源状态方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码模型或数据已公开，复现应按缺项处理并补记缺失的词表均衡性与性别控制。

何时值得借鉴：白语透镜带来什么可迁移判断？

当研究对象是母语有多平调多降调而目标语只有单平调单降调的儿童时，本文的映射思路值得尝试，做法是先列出母语与目标语按轮廓形状的 1 对一与多对 1 对应，再预测 1 对一的升调可能先接近成人，而多对一的平调降调与母语缺失的凹调可能滞后，最后用轮廓三参数加音高标量的联合证据检验预测，而不是只看平均音高。

母语迁移 × 声调映射： 母语迁移指白语已有的声调范畴影响普通话新范畴的形成方向，声调映射指把白语的 8 个调按轮廓形状对应到普通话 4 个调的具体对应关系，白语只有一个升调 T35 对应普通话 T35 属于 1 对一映射而 3 个平调和 4 个降调分别挤向普通话 T55 和 T51 属于多对一映射，搭配后才能解释为何升调最早接近成人而平调降调与凹调较晚。

论文特有的误解需要澄清：升调先习得不等于升调发音最标准，因为年幼组升调跨度仍偏宽而时长仍偏长，接近成人指的是轮廓三参数无显著差异而非所有维度完美；降调持续偏离不等于儿童完全发不出下降，而是起点斜率弯曲的组合形状未达成人分布；凹调在六至七岁重现偏离不等于学得越多越差，在小样本横断设计下更稳妥的表述是尚未稳定且待追踪验证。总体趋势不等于每名儿童每一步都如此，个体轨迹与词汇量差异仍需补测。是否采纳该透镜取决于能否获得可比的成人基线与自发产出样本，否则映射解释容易停留在推测层面。

📐 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 85 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