语速变慢就更清楚吗：还原程度不只由全局时长决定

英文题目：Speech Reduction and Perceived Clarity: Just a Matter of Rate?

会议身份：conference:speechprosody:2026:conference-paper-id:mixdorff26_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：#主观评测 #韵律 #言语感知 #语音 #语音可懂度评估

评分：5.5/10 | 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 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Hansjörg Mixdorff：机构信息未能从会议 PDF 纯文本可靠映射
• Hartmut Pfitzinger：机构信息未能从会议 PDF 纯文本可靠映射
• Noam Amir：机构信息未能从会议 PDF 纯文本可靠映射
• Angelika Hönemann：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为德语BonnTempo语料中4至5音节朗读语块，输出为听者感知的清晰度评价与配对偏好，难点在于语速加快同时压缩时长、央化元音并缩减辅音与停顿，难以分离全局快慢与底层发音缩减各自的贡献。方法链先从极慢、正常、极快三档自然产出切分语块并用PSOLA生成压至正常与拉至正常两个时长匹配操纵条件，再经WebMAUS强制对齐与Praat共振峰测量量化局部语速与分段缩减并估计元音目标距离，最后由独立被试完成单刺激1至9分评价与80对配对比较并用混合效应模型分析。与单纯时长缩放解释不同，拉伸快语不恢复慢语元音目标而压缩慢语不损伤目标，说明时间缩放保留了底层缩减程度且自然时序分布无法被线性缩放复制。在BonnTempo语料配对比较任务条件下，全部3640次试次中较慢或缩减较少方的选择率指标为76%，高于等时长配对中自然语音的选择率指标约70%。单刺激清晰度差异与配对偏好高度一致，相关系数为0.81，且重音音节与元音目标保持较好者更清晰。该结论适用边界受限于德语朗读体与中等长度语块，对自发对话、多说话人与合成语音优化尚未验证。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，目标是什么：为什么不能只看快慢？

这篇论文的输入是德语朗读语音的短切块，每个切块只有 4 到 5 个音节，取自同一篇朗读文本在不同语速要求下的录音。研究者还用信号处理把极慢切块压缩到正常时长、把极快切块拉长到正常时长，从而得到时长相同但发音底色不同的对照。目标是回答一个看似简单但容易误判的问题：听者觉得清楚还是含糊，到底只是因为说得快慢，还是因为说话人是否做了充分的发音。

必须保留的关键信息是三档自然语速为极慢、正常、极快，2 名说话人为 1 男 1 女，每个切块做成 5 种刺激，听辨任务有两种，声学分析同时看时长与共振峰。输出不是自动识别率，而是人的清晰度评分与二选一偏好，以及用局部语速和音段时长对清晰度的解释。初学者常把语速理解为秒表上的总时长，论文要纠正的正是这一点。 白话先说局部语速这个术语。全局语速好比整段路的平均车速，局部语速好比每个路口附近的车流密度。

听者判断快慢更依赖后者，因为重音、停顿和音节结构会让时间分布不均匀。论文沿用的感知局部语速就是把音素率和音节率综合起来，让客观密度更接近主观快慢。

全局语速 × 局部语速： 全局语速指整段话平均每秒音素或音节数，负责刻画说话快慢的大盘；局部语速指以音素和音节密度在亚秒窗口内计算的时间密度，负责捕捉重音、边界和计划造成的局部伸缩。二者搭配的理由是听者对快慢的判断更贴近局部事件密度而非总时长，组合后可以在归一化掉全局快慢之后留下可解释的残差时间模式，从而把缩减看作韵律组织而非机械压缩。

沿一个样本走一遍有助于建立依赖关系。取男声的切块 004，对应文本大致为 1 次乘车旅行相关的短语，中间包含重读音节。输入是该切块在极慢条件下的波形，表示是切分后的音素序列与时长，组件是语速计算、共振峰测量与听辨实验，目标是得到清晰度分数，输出是该切块在 5 种条件下的分数排序。先有这个样本路径，后面谈压缩、重音与频谱才有落点。

附录：术语与符号的白话对照

感知局部语速是单位时间内的音素与音节密度，越大表示局部越挤。缩减程度是发音细节丢失的量，包括元音央化、辅音压缩与停顿删减。PSOLA 是基频同步的波形叠加伸缩，只改时长不重新发音。重音是需要多给时长与频谱资源的凸显位置。清晰度是听者觉得透明易懂的程度，不是识别正确率。

符号对照直接按原文使用。F 值后括号内为自由度，p 为显著性，β 为回归斜率，SE 为标准误，t 为检验统计量，R 平方为解释方差比例，r 为相关系数。毫秒每单位中的单位指感知局部语速的一个单位。百分点与相对百分比不同，原文的百分比为选择比例或胜次占比，比较时只在同分母下理解。

相关路线如何从全局计时走到缩减维度？

早期工作把语速当作全局 tempo，比较整句平均时长。随后 Pfitzinger 等人提出局部语速，强调单位时间内的语音事件密度更能预测听感，并用局部语速归一化来暴露去掉语速后仍然系统存在的时长残差。这些残差与韵律位置有关，说明韵律本身会调节时间实现。这条路线把问题从测得准不准，推进到时间结构是否为韵律计划的一部分。 另一条路线把缩减程度列为与时长、语调、强度、音质并列的韵律维度。

意思是操纵其中一个维度必然扰动其他维度，单纯做时间伸缩不能复刻自然快慢的区别。2013 年的感知实验已经显示，即使时长对齐，听者仍能区分自然与时间伸缩语音，说明仅用时间线索解释不了清晰度判断。 近年谱时间调制、率匹配的清晰语音、测量 tempo 与感知 tempo 分歧、PSOLA 伪影等工作，共同支持多维视角：清晰度增益依赖频谱对比增强，而不只是变慢；韵律修改会改变感知 tempo；非均匀时间伸缩可能引入影响自然度的频谱伪影。

本文继承这一判断，设计了可直接检验的对照。

缩减程度 × 清晰度： 缩减程度指发音、声学或感知细节在韵律和交际压力下系统性丢失的量，包括元音央化、辅音压缩与停顿删减，分工是描述说话端做了什么；清晰度指听者对语音透明、可懂倾向的主观判断，分工是描述听者端感受到什么。二者搭配的原因是同一时长变化可以对应不同的频谱实现，组合意义在于检验清晰度是否只跟随语速，还是同时跟随独立的韵律与频谱组织。

对初学者而言，相关工作的学习依赖是先接受快慢有局部结构，再接受缩减是独立维度，最后才看本文用等时长对照来分离二者。如果跳过前两步，就会误把 PSOLA 对照理解为音质对照，而忽略它的真正作用是固定全局时长、保留缩减底色。

附录：易混概念的正误对照

易混一是把停顿长等同于清楚。原文显示停顿在控制音段时长后对清晰度无显著贡献，省停顿不等于保清晰。易混二是把慢等同于充分发音。拉长快语音不能恢复元音目标，说明慢波形不等于慢发音。易混三是把重音保护理解为不受压缩。

原文支持平行压缩，重音基线更高但斜率不减弱。易混四是把总体趋势当作每组都成立。女声下降更陡、男声压缩更狠，说明说话人与切块条件会改变斜率，复述时要带上适用条件。

要检验的具体问题与可证伪假设是什么？

具体问题有 3 层。第一，清晰度是否随全局语速单调下降。第二，在全局时长被 PSOLA 拉齐之后，自然与处理版本是否仍有清晰度差异。第三，重音位置、说话人性别、元音频谱保持与辅音压缩是否贡献独立于语速的方差。论文的假设是全局语速强烈预测清晰度，但局部结构因素贡献独立方差，缩减程度本身是一个韵律维度。

可复述的操作定义很重要。清晰度用一到 9 分的单刺激评分和二选一偏好两种任务测量，语速用感知局部语速度量，缩减用元音总时长、辅音总时长、停顿总时长、重音核元音到慢速目标的频谱距离、自动切分中辅音数量与停顿标记来度量。教学例子是：若清晰度只由语速决定，那么慢转常与自然正常应该得分相同；若二者仍有差距，则支持独立维度。 论文还预先做了声学验证。

把自然快语音与其拉长版比较，把自然慢语音与其压缩版比较，只用干净元音的中点共振峰度量到慢速目标的距离。若拉长快语音不能恢复元音目标、压缩慢语音不损伤目标，则说明时间伸缩保留了原有的缩减程度，对照有效。这个验证是理解后文结果的前提。

方法全景：语料、切块与五种刺激如何构成？

语料来自 BonnTempo 语速语料库的德语子集，朗读文本为同一篇小说节选，原始语料有极慢、慢、正常、快、极快五档。本文只用极慢、正常、极快三档，因为伴随声学研究发现元音缩减在这三档之间差异显著。说话人从 15 人中选出 1 男 1 女，要求音色与时间模式典型，其中女声的极快最快，男声的极慢最慢，这为后文的说话人交互埋下条件。 每个说话人取 16 个短切块，每块 4 到 5 个音节，中间包含重读或非重读音节，避免词汇在试次间明显重复。

切块从首音节中间开始、到尾音节中间结束，让边缘音节对判断的影响最小。所有切块采样率为 44.1 千赫、十六比特，做均方根幅度均衡，并加 50 毫秒线性淡入淡出。文本与规范 SAMPA 转写在原文表一中列出。 每一切块生成 5 种刺激：自然极慢、极慢压缩到正常、自然正常、极快拉长到正常、自然极快。其中 3 种是自然语速变化，两种是全局时长与正常对齐的时间伸缩操作。

这样同一文本内容就有了时长相同但缩减程度不同的配对，这是全文方法钥匙。

PSOLA 时间伸缩 × 自然语速变化： PSOLA 时间伸缩负责在不重新发音的情况下按比例压缩或拉长波形时长，分工是只改变全局时长而保持原有的缩减底色；自然语速变化负责由说话人重新计划发音实现，分工是同时改变时长、元音目标、辅音保持与停顿分布。二者搭配的理由是把时长与缩减解耦，组合后若等时长但清晰度仍不同，就能证明缩减不是语速的副产品。

下面先看论文给出的切块示例图，它把同一内容在 5 种条件下的波形、切分、语图与基频画在一起，是理解时间伸缩保留缩减底色的直观入口。

看图路径： 1. 从上到下数出五组波形加音素切分加语图加基频的重复面板，确认对应极慢、慢转常、正常、快转常、极快五种条件；2. 对比第一组极慢面板中拉长的清擦音与停顿空隙，再看下面四组对应位置如何被压缩或消失；3. 沿每组下方的蓝色基频曲线观察浊音段才有连续曲线、清音与停顿处中断的规律；4. 核对同一文本内容在五组中音素标签序列基本一致，但各段宽度与能量分布明显不同

论文图 1。原论文 Figure 1：“Example of chunk 004 produced by male subject. From the top to the bottom: very slow (first second displayed),”。

该图按从上到下排列 5 种条件，每组都包含波形、音素切分条、零到 8000 赫的语图和五十到三百赫的基频曲线。可见内容是同一短语的重复实现，但极慢版本里擦音段被拉得很宽并伴随明显的停顿空隙，而正常与极快版本里对应段迅速收窄。蓝色基频曲线只在浊音段连续，在清音与停顿处中断，说明基频信息不能单独解释清晰度。音素标签序列大体对应，但各段宽度不同，这正是自然缩减改变了时间分布，而 PSOLA 只做线性映射的视觉证据。

组件与计算：切分、语速、共振峰与基频各做什么？

切分组件用 WebMAUS Basic 做自动音素切分。音素率用切块内音素数除以总时长，音节率用规范音节数除以总时长，其中边缘音节只算一半时长。感知局部语速基于音素率与音节率综合得到。初学者可以把这一步理解为先数事件再除以时间，得到密度，而不是直接用秒表。 声学组件包括 3 路。

第一路提取每个元音的共振峰，作为元音缩减的反映；第二路统计自动切分中的辅音音素数与停顿标记，作为辅音压缩与停顿删减的度量；第 3 路用 Praat 以 10 毫秒步长在 ERB 尺度提取基频轮廓，用于事后检查显著的基频起伏是否影响判断。原文没有给出可复算的公式细节，本节只讲计算目标与输入输出，不猜公式形式。 关键验证组件比较自然快与其拉长版、自然慢与其压缩版的元音频谱距离。

距离定义为中点第一、第二共振峰到说话人慢速目标在平面上的欧氏距离，只用无跟踪异常的干净元音。混合效应回归显示压缩慢语音与自然慢语音无谱差异，快语音显著偏离慢速目标而其拉长版仍接近快语音，支持时间伸缩保留缩减程度。

重音 prominence × 元音央化： 重音负责在词或短语层面分配更多时长与更充分的频谱实现，分工是提供局部保护与感知锚点；元音央化负责在快速或弱读条件下共振峰目标向中央靠拢、分不清元音，分工是刻画频谱缩减的量。二者搭配的原因是时长保持不等于频谱保持，组合意义在于同时用时长模型与重音核元音到慢速目标的欧氏距离来解释清晰度，区分时间压缩与目标损伤两条路径。

重音组件的定义是切块中央音节是否为重读音节。它不改变全局时长对齐方式，但改变基线时长与频谱实现。原文报告重音提高元音与辅音基线时长，尤其对元音明显，但与局部语速无显著交互，支持平行压缩而非范畴保护。这个细节后文还会用来解释清晰度模型中的重音正效应。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络声学模型，也没有训练语音合成或识别系统，不存在梯度路径、参数冻结与更新、优化器与早停等训练要素。把无训练等同于确定性求解是误解，听辨分数本身仍有被试与切块随机性，需要用混合效应模型处理重复测量。 实际计算过程有 4 类。第一类是语料构造与信号处理：按文本选取切块、做幅度均衡与淡入淡出、用 PSOLA 做压缩与拉长并把全局时长对齐到正常条件。

第二类是自动标注与测量：WebMAUS 切分、音素率音节率与感知局部语速计算、共振峰与基频提取、辅音与停顿计数。第 3 类是感知数据采集：用 PsyToolkit 呈现刺激并记录评分、偏好与反应时。第 4 类是统计建模：线性混合效应模型分析评分、二项逻辑斯蒂混合模型分析二选一、普通最小二乘回归分析平均清晰度与时长及频谱预测量的关系。 缺项必须明说。

原文未报告 PSOLA 的具体帧长、窗函数与基频处理参数，未报告 WebMAUS 的语言模型版本与切分纠错流程，未报告共振峰跟踪的窗长与异常剔除阈值。这些缺项不影响理解结论方向，但按原文条件逐样本复现信号处理链条时需要补做记录。

实验条件：被试、任务、呈现与分析口径是什么？

被试为柏林技术应用大学二年级学生，分两组独立完成两种任务。二选一任务 31 人，24 名男性 7 名女性，二十到二十八岁，德语流利者中 17 名母语、6 名土耳其语、4 名阿拉伯语背景等。评分任务 33 人，21 名男性 10 名女性 2 名多元性别，二十到三十一岁，23 名德语母语等。均无听力障碍报告，每节约 25 分钟，以课程学分补偿。初学者要注意被试以年轻学生为主，母语背景不全是德语母语，这是推广时的边界。

任务一为清晰度评分，每人 160 个单刺激试次，每说话人 80 个，随机呈现，一到 9 分从很不清楚到很清楚，另有 10 个易区分的热身试次。任务二为二选一比较，共 80 对关键组合，例如快与慢转常的对比，被试指出哪一个更清楚。刺激经高质量耳机双耳呈现于安静房间，指导语要求关注清晰度而非音色或内容。 分析口径为混合效应模型。评分模型固定因子为语速三水平、处理类型自然与时间伸缩、说话人性别、重音有无，随机截距为被试与切块。

二选一模型用二项逻辑斯蒂混合模型，预测量相同。另有平均清晰度与局部语速、音段时长的相关与回归，以及用时长变异指数排查 PSOLA 伪影。显著性取双尾 0.05，报告估计边际均值与 95% 置信区间。

主结果：清晰度随语速下降，但等时长仍分高下吗？

评分任务显示平均清晰度随语速系统下降。线性混合模型中语速、说话人、处理类型与重音 4 个主效应均高度显著，还有语速与说话人的显著交互。女声随语速提高下降更陡。含中央重读音节的切块得分更高，说明局部凸显在全局 tempo 不变时仍提高感知透明度。PSOLA 处理版本比自然版本略不清楚，提示时间伸缩带来轻微但可感知的损伤。

要回答等时长是否仍分高下，关键看两组对照。慢转常与自然正常时长对齐，快转常与自然正常时长对齐，但听者仍偏好自然版本。二选一中共 3640 次比较，听者在 76% 的试次中选择更慢或缩减更少的一方；时长对齐后自然版本仍在约 70% 试次中被选为更清楚。自然正常条件赢得约 80% 的胜次，拉长与压缩版本只占 6% 与 9%。

这组数字是缩减独立于时长的最直接证据。

感知局部语速 × 音段保持时长： 感知局部语速负责把音素率和音节率综合为与听感更贴近的时间密度指标，分工是给出快慢惩罚项；音段保持时长指元音总时长与辅音总时长实际保留了多少毫秒，分工是给出可懂线索是否被保留。搭配理由是语速快必然压短时长，但保留分布不同，组合后模型可以同时估计加速的独立惩罚与保留元音辅音时间的正向贡献，而不是把一切都归于快慢。

下表把评分模型的关键效应放在一起比较，比较问题是在被试与切块随机性受控后，哪个因子真正移动了清晰度，公平条件是同一混合模型内的固定效应，指标方向是分数越高越清楚。

表后解释需要同时看到收益与代价。

语速效应的量级最大，是预测清晰度的主轴，但说话人交互说明总体趋势不等于每位说话人斜率相同。处理类型效应证明等时长仍有差距，支持频谱与协同发音的作用，但代价是 PSOLA 本身的轻微损伤不能完全排除，需要结合频谱保持的回归来佐证。未胜出项是未重读切块，它在同等语速下系统处于劣势，说明只调全局时长而不管重音分配的策略不可取。

反证与分解：时长、频谱与跨任务一致性各说什么？

音段时长分解显示 3 类成分都随感知局部语速缩短，但斜率不同。元音总时长每单位下降 350 毫秒，辅音总时长下降约 475 毫秒，停顿下降约 215 毫秒，拟合优度分别为 0.66、0.714、0.52。男声在元音、辅音与停顿上的压缩都更激进。重音提高基线时长但不减弱语速斜率，支持平行压缩。教学例子是把同一文本加速，好比重音与非重音一起等比压扁，而不是只压非重音。

以时长预测清晰度的模型解释了约 80% 一的方差，元音时长与辅音时长为显著正预测量，感知局部语速为独立负预测量，停顿在控制音段时长后不显著。意思是听者奖励元音与辅音时间的保留，而不是停顿的保留，即使转写串中音段仍在。这对合成启示很具体：省停顿省不出清晰度，保住元辅音时间才重要。

下表把 3 类时长的压缩斜率与二选一总体偏好放在一起，比较问题是加速时谁被压得最多、听者总体偏向哪一边，公平条件是同一批切块与同一局部语速口径，指标方向是斜率绝对值越大压缩越狠、选择比例越高越清楚。

表后解释要补频谱与跨任务证据。重音核元音到慢速目标越近，评分越高，回归系数为 +0.235；语速仍有额外负效应，系数为 -0.311，模型解释 80% 1.5 的方差。

收缩操作夸大辅音压缩，拉伸操作夸大停顿，说明线性伸缩声学有效但分布不自然。跨任务验证显示李克特均值高的一方在 6% 十八的配对中也被二选一选中，差值与偏好的相关为 0.81，男声一致性略高于女声，支持两种任务测到同一清晰度维度。未评测边界是只有干净元音进入频谱回归，有跟踪异常的样本被排除，结论外推到全部弱读元音时需谨慎。

限制：哪些推论还只是支持而非证明？

第一，PSOLA 损伤与缩减差异的分离只是支持而非干净证明。处理版本被判更不清楚，可能既因为保留了原有缩减，也因为算法引入轻微伪影。论文用频谱距离回归与时长分布异常来佐证，但没有做伪影的直接听辨分离实验，因此把全部差距归于缩减仍是待验证的。 第二，说话人只有 1 男 1 女，且女声极快最快、男声极慢最慢，性别效应与个人语速策略混在一起。女声下降更陡、男声压缩更激进，可能反映个体而非性别，推广到多说话人时需重新估计。

被试多为双语背景学生，也限制了向更广泛听众的推广。 第三，原文在部分统计口径上存在需要标注的冲突。评分主效应一处写处理类型自由度为一，另一处写为二；二选一胜次分布把极慢与慢速标签与三档设计混写；反应时只报告均值而无变异与检验。

这些冲突不推翻主要趋势，但在复现时应以三水平语速、5 种刺激、两种任务的原始设计为准，并明确标注口径分歧，不自行编造聚合方式来圆成一致。 第四，资源状态必须如实说明。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。语料库本身是公开语料，但本研究的切块划分、处理参数与听辨程序不在本次证据中给出可达链接，复现需要按方法节重建。

复现先做什么：切块、处理与分析的最小闭环是什么？

先重建语料切块。从 BonnTempo 德语朗读中取同一文本的 1 男 1 女三档录音，按原文十六切块的文本与规范转写定位，每块取 4 到 5 个音节，从首音节中间切到尾音节中间，统一到四万四千一百赫十六比特，做均方根均衡与 50 毫秒淡入淡出。教学例子是先只做切块零零四的 1 男 1 女 5 个条件，跑通全链再扩展到十六块。 再做时间伸缩对照。用 PSOLA 或等效基频同步叠加方法，把极慢压缩到同一切块正常时长，把极快拉长到正常时长，核对全局时长对齐误差。

随后用 WebMAUS 或同等强制对齐得到音素切分，计算音素率、音节率与感知局部语速，提取元音中点共振峰与基频，统计辅音与停顿。必须先复现验证性结果：压缩慢语音不损伤元音目标，拉长快语音不恢复目标，否则对照无效。 听辨环节按原文条件呈现。评分任务每说话人八十试次加 10 个热身，一到 9 分；二选一任务 80 对关键组合，记录选择与反应时。

分析用线性混合效应与二项逻辑斯蒂混合模型，固定因子为语速、处理类型、说话人与重音，随机截距为被试与切块。 下表把复现必须核对的数字锚点放在一起，比较问题是自己的链条是否回到原文量级，公平条件是同一指标同一聚合对象，指标方向按原文正负号理解。

表后解释要说明代价与未胜出项。若复现中 PSOLA 参数不同，处理类型效应量会漂移，但自然正常仍应占优；若对齐工具不同，辅音压缩最狠、停顿次之、元音相对稳定的排序应保持。

反应时女声更快只提示确定性差异，不做显著性承诺。还需补的验证是伪影分离实验与更多说话人，这是原文未覆盖的边界。

收束：何时值得尝试这种分离思路？

当你的问题是变慢是否等于变清楚，这篇论文给出可直接搬用的分离模板：固定全局时长、保留缩减底色，再看听感是否仍有差。若等时长仍分高下，就不要只调语速，而要去保重音核元音的频谱目标与元辅音的时间分配。中间正常 tempo 得分最高、两端受罚的形态，也提示不要把极慢当作清晰度的万能解。 对语音合成与清晰语音改造的启示是具体而有条件的。

值得尝试的是在韵律规划中给重读音节更多基线时长与更充分的共振峰实现，压缩时优先压缩停顿而非辅音，保持元音时长以支撑可懂性。不值得做的是对整句做均匀线性拉伸，因为它会夸大辅音压缩或停顿，得到声学有效但不自然的分布。 对研究生的学习建议是把局部语速、缩减程度、PSOLA 对照、重音核频谱距离这 4 个量当作一套组合动作来记。先算密度，再看保留，最后用等时长对照做反证。

若将来补实验，优先补伪影分离、多说话人与噪声下可懂度的客观指标，因为原文只测了安静条件下的主观清晰度，未测量误判率、延迟与成本，不能承诺这些量得到改善。

📐 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 33 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