看得见的重音：波斯语焦点越强，头部摆动越大越快

英文题目：Visual prosody in Persian: Tracking 3D head movement patterns with electromagnetic articulography

会议身份：conference:speechprosody:2026:conference-paper-id:muecke26_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 #发声与构音 #韵律 #语音 #语音属性识别

评分：5.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Doris Muecke：机构信息未能从会议 PDF 纯文本可靠映射
• Lena Pagel：机构信息未能从会议 PDF 纯文本可靠映射
• Philip Georgis：机构信息未能从会议 PDF 纯文本可靠映射
• Mortaza Taheri-Ardali：机构信息未能从会议 PDF 纯文本可靠映射
• Simon Roessig：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为问答诱发的背景、宽、窄、纠正焦点波斯语载体句同步音频与三维头部运动，输出为目标词附近位移与速度随显著度等级的变化刻画，难点在于节拍幅度小、方向多变且个体差异大。先以电磁发音仪跟踪双耳与鼻尖传感器并拟合广义加性混合模型生成三维动画，定性确认周期性运动形态，其确认鼻尖最能捕捉头部旋转因而选定鼻尖进入定量分析。再以鼻尖窗内最远两点欧氏距离量化位移并用贝叶斯多层模型检验焦点等级，其位移等级排序结果进入速度时间序列建模。最后对鼻尖速度建模以分离整体快慢与波形形状效应。与既有视频分析相比，该方法以高时空分辨率连续运动学参数替代离散标注，能同时检验位移幅度与双峰速度包络。在问答诱发的背景、宽、窄、纠正焦点语料条件下，纠正焦点的速度指标为5.43，高于窄焦点的速度指标3.36。结论适用边界受限于实验室诱发的伪名载体句与习惯朗读风格，自发对话与大动作手势尚未验证。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

为什么只听声音还不够，要看头在动什么？

这篇论文的输入是波斯语母语者在问答任务中说出的载体句，目标是检验目标词所在位置的语用重要程度是否会系统改变说话时头部的 3 维运动。读者需要先建立一个基本判断：韵律突显不只存在于基频和时长里，也可能存在于看得见的身体运动里。作者把头、手、躯干等与语音同时出现的非指称性动作称为具有韵律性质的共言手势，其中节拍样的头动被认为会落在核重音附近。

学习时必须保留的关键信息是 4 种焦点条件的排序假设，即背景小于宽域小于窄域小于纠正，以及位移更大、速度更快的加强预测。输出不是分类标签，而是在目标词附近时间窗内提炼出的位移标量和速度时间序列，再用统计模型判断等级差异是否可信。

焦点结构 × 韵律突显： 焦点结构负责界定话语中哪一部分是新信息、排斥性更正还是背景信息，韵律突显负责用声音和身体上的加强来标记那个位置，二者搭配的理由是听者需要同时知道哪里重要和重要到什么程度，组合意义在于把离散的语用类别转化为连续可测量的位移和速度增量。

对刚入门的研究生来说，白话理解是：焦点结构回答哪块信息是回答问题的关键，韵律突显回答用多大力气把这块信息说清楚。本文把力气同时定义在声音域和视觉域，视觉域的力气就是头动走得远不远、跑得快不快。原文明确指出，以往多数视觉手势分析依赖视频，时间空间分辨率有限，而本研究沿用德语研究的方法，用电磁发音仪直接追踪 3 维坐标，因此可以做更细粒度的运动学参数化。这种选择决定了后文所有操作都要围绕传感器坐标、时间窗、位移欧氏距离和 1 阶导数速度展开，而不是围绕视频像素或人工打分展开。

已有路线告诉我们什么，波斯语的特殊性在哪里？

相关路线有两条。第一条是头动运动学路线。德语研究用电磁发音仪比较习惯音量和大声音量下的宽域与纠正焦点，发现速度曲线上有突显的痕迹，大声说话时位移随突显系统增大，习惯音量下效应不够稳健。这说明头动确实可能编码突显，但说话方式、个体差异和测量精度都会影响结论。第二条是波斯语焦点语音学路线。

已有研究显示纠正焦点比宽域焦点有更大的音高起伏和更长的目标词时长，更细的三元比较显示时长按宽域小于窄域小于纠正递增，音高跨度则是宽域小于窄域等于纠正，主要影响重音音节和重音前音节。本文正好把这两条线接起来：语音上已经确认 3 级区分，视觉上是否也有对应的连续加强。

视觉韵律 × 非指称性共言手势： 视觉韵律指头、手、躯干等身体运动中与语音韵律平行的加强与定时模式，非指称性共言手势指不指具体事物、只起节拍和强调作用的小而快动作，前者分工是提供跨模态的突显通道，后者分工是提供具体的动作载体，二者搭配是因为节拍类头动正好落在核重音附近，组合后可以用运动学参数直接检验突显等级。

需要提醒初学者的是，节拍手势不一定是周期性振动，而常常是 1 次性的小而快的上下或内外摆动。原文强调这类动作标记的是结构上重要的位置，例如与核音高重音共现的位置。波斯语方面还有一个理论细节：波斯语是否有词重音仍有争议，本文目标词预期的音高重音落在第二个音节，因此作者采用理论中立的说法，只称第一、第二、第三音节，背景条件下目标词是焦点后去重音、不带音高重音。这个交代很重要，否则后文把速度峰与第二音节顶点联系起来时会产生误解。

本文要回答的具体问题是什么？

本文的问题可以拆成 3 个可检验的子问题。第一，在目标词附近的时间窗内，3 维空间位移是否随背景到宽域到窄域到纠正而增大。第二，3 维速度的整体高度和时间形状是否随突显等级而抬升和改变，是否出现可重复的双峰节拍形态。第三，上述群体趋势在多大程度上被个体差异削弱，也就是是否每个人都用同样的方式动头。作者的预期是位移和速度都随突显增加而增大变快，但也预期变异性相当高。

教学上要把例子明确标为例子：比如问谁把球给迪玛，回答把迪玛放在焦点位置，这就是窄域焦点的一个例子；问是不是给玛丽亚姆，回答纠正为迪玛，这就是纠正焦点的例子；问玛丽亚姆是否把球给迪玛，回答主语是希琳，目标词迪玛就落在背景中。这些例子帮助理解载体句设计，但真正的证据必须回到传感器数据和模型结果。

从人进实验室到得到数字，全流程是怎样的？

先沿一个样本走完全程。假设 1 名被试坐在电磁发音仪前，双耳后和鼻梁上各贴一个头动传感器，嘴唇和舌部贴有口部传感器以备他处分析口部动作。他面对屏幕，屏幕显示波斯语正字法的回答文本和简短动画，耳机或音箱播放由波斯语母语者预录的问题，他与一个虚拟化身互动，想象在球场看球并回答朋友关于比赛的提问。当他说出希琳把球给迪玛这句话时，声学信号与运动学信号被时间同步记录，运动学原始采样率为 1250 赫兹，随后下采样到 250 赫兹。

事后研究者手工标注目标词和音节边界，截取包含双音节目标词加后续音节再前后各扩展 100 毫秒的时间窗，在该窗内取出鼻尖传感器的 3 维坐标序列。位移是对该窗内相距最远的两个鼻尖位置求欧氏距离，得到每个试次一个标量；速度是对鼻尖 3 维轨迹求 1 阶导数，得到每条试次的时间序列。最后位移用贝叶斯线性混合模型按焦点建模，速度用广义加性混合模型按焦点建模整体高度与曲线形状，并用动画拟合观察三传感器三角形的旋转模式。

整个流程没有训练神经网络，没有学习权重，只有测量、标注、截窗、求距离与导数、统计建模 5 步。理解这一点可以避免把混合模型误当成需要划分训练测试集的预测模型。模型的随机部分用来吸收被试间差异，固定部分用来估计焦点效应，这正是后文既报告群体均值又强调个体变异的原因。

传感器三角形与时间窗是如何把头动装进数字的？

组件层面要讲清 3 个头传感器的分工。左耳传感器记为左耳点，右耳传感器记为右耳点，鼻梁传感器记为鼻尖点，三点构成一个刚体三角形。当头部旋转时，鼻尖点位移最敏感，因此后文定量分析只用鼻尖传感器，而三点动画用来定性观察旋转。时间窗的选择同样关键：包含双音节目标词加后续一个音节，再前后各加 100 毫秒，既保证覆盖目标词的进入与离开，又避免把整句的呼吸起伏全部混入。位移的计算只看窗内最远两点距离，因此对方向不敏感，只回答动了多远；速度保留时间维度，因此可以回答何时快、何时慢。

3 维位移 × 3 维速度： 3 维位移负责度量在目标词时间窗内鼻尖传感器走过的空间范围大小，3 维速度负责度量同一时间窗内运动有多快以及快慢如何随时间起伏，前者回答幅度是否被放大，后者回答发力与定时是否被重塑，二者搭配才能区分只是动得远还是动得既远又快，组合意义是共同刻画视觉上的发力加强。

下面这张图是理解个体差异的第一手材料。导读时不要只看静态三角形，要意识到原文动画才是随时间展开的旋转，而静态中点图只是把动态压扁后的一个切片。重点是比较同一个人 4 种颜色三角形的分离程度，以及不同人之间的分离风格差异。

看图路径： 1. 先找到每幅小图标题 S03、S05、S10、S12 与底部图例四种焦点颜色；2. 再对比同一人三角形鼻尖点 N 在四种颜色下的分散程度；3. 最后比较 S12 的大分散与 S05 的几乎重合，确认个体策略差异

论文图 2。原论文 Figure 2：“Static midpoint image of head sensor animation”。

从像素可见，四幅小图分别标注为 S03、S05、S10、S12，每幅内有左耳、右耳、鼻尖标记和底部图例区分背景、宽域、窄域、纠正 4 种焦点颜色。S03 和 S12 在不同焦点下三角形位置和朝向分离较大，尤其是鼻尖点 N 的位置随焦点明显移动，提示存在较大的旋转区分；S05 和 S10 的四色三角形几乎重合，只有细微偏移。S12 右下角的鼻尖点分散最开，S05 右上角则几乎完全重叠。这直接支持正文的定性判断：被试间变异性相当高，有人用大幅旋转标记焦点，有人几乎不动。

后文所有群体均值的可信区间很宽，根源就在这里。初学者要记住，静态图不能读出运动方向和快慢，只能读出位置分散，方向与快慢要交给位移和速度参数。

位移与速度的计算细节和建模分工是什么？

位移分量很单纯：对每个试次，在已截好的时间窗内搜索鼻尖传感器 3 维坐标之间欧氏距离最大的那 1 对点，距离值就是该试次的 3 维位移，单位为毫米。这个定义的好处是不依赖起点选择，对窗内任何方向的摆动都给出一个总量度量，代价是丢失方向和路径信息。速度分量则保留过程：对鼻尖 3 维位置求 1 阶导数得到 3 维速度时间序列，再按归一化时间画出速度包络。

原文报告速度曲线整体随突显抬升，且形状上有两个速度峰，一个在第一音节附近，一个在第三音节附近，中间在第二音节附近减速，暗示向顶点靠近再离开的两段运动。建模上位移用贝叶斯线性混合模型估计各焦点条件均值和两两差值的后验分布，给出后验概率；速度用广义加性混合模型同时估计曲线整体高度的参数项和曲线形状的平滑项，并用因子平滑吸收个体基线与焦点调制差异。

软件层面运动学处理用开放软件处理，位移建模用贝叶斯多层模型工具，速度建模用广义加性模型工具，具体版本号与先验设置原文未展开，这是复现时需要补核的缺项。

本研究有没有训练阶段，真实计算是什么？

本研究没有训练神经网络的阶段，也就没有训练集损失下降、验证集早停、学习率调度或参数冻结与解冻的安排。必须明确说明未训练的内容：没有学习声学到头动的映射权重，没有优化手势分类器，也没有微调预训练模型。真实计算是 3 类。第一类是信号处理计算：1250 赫兹采样下采样到 250 赫兹，求欧氏距离和 1 阶导数，这些是确定性公式计算，不是学习。

第二类是统计拟合计算：贝叶斯线性混合模型通过采样估计后验分布，广义加性混合模型通过惩罚平滑估计非线性时间趋势与焦点交互，这些是统计推断，需要报告可信区间、有效自由度、F 值和 P 值，但不等同于深度学习训练。第 3 类是可视化拟合：对三传感器的 3 维轨迹拟合广义加性混合模型以生成随时间变化的三角形动画，用于定性检查。

贝叶斯线性混合模型 × 广义加性混合模型： 贝叶斯线性混合模型负责对每个试次提炼出的单一标量位移值建模焦点效应并给出后验分布与可信区间，广义加性混合模型负责对整段归一化时间上的连续速度曲线建模整体高度与形状差异，前者分工是回答幅度排序是否可信，后者分工是回答快慢轮廓在哪里分叉，二者搭配是因为一个看总量一个看过程，组合后同时得到等级排序和双峰节拍形态的证据。

由于没有预测任务，原文也不报告准确率或泛化误差，梯度路径、监督来源和重置时机等概念在此不适用。缺项要如实指出：贝叶斯模型的先验、链数、迭代数、收敛诊断，广义加性模型的光滑基函数、惩罚选择、随机效应结构，原文均未给出完整规格。这意味着初学者不能仅凭方法段落一键重跑出完全相同的后验概率，只能按描述重建分析框架，再用自己的数据检验趋势是否稳健。

被试、材料和记录条件是否一致可比？

实验按问题组织：测的是同一批人在同一载体句、同一目标词位置、不同焦点语用条件下头动是否系统变化，比较对象是 4 个焦点条件自身，而不是与其他语言或与其他身体部位比。公平条件的关键在于除问题引发的焦点位置不同外，目标词的音段序列、载体句结构、屏幕文本和互动流程保持一致。8 个波斯语风格假名作为目标词，分为两组音段序列以控制口部动作分析的辅音元音环境，嵌入在 X 把球给目标词的载体句中，X 为 4 个填充人名。

问答设计 elicits 4 种焦点：宽域是整句为新信息，窄域是目标词回答谁的问题，纠正是拒绝玛丽亚姆而肯定迪玛，背景是目标词在焦点后去重音。被试为在科隆的伊朗社区招募的 12 名波斯语母语者，7 女 5 男，年龄 25 到 43 岁，平均在当地居住 3.8 年。记录与虚拟化身互动约 45 分钟，共 1152 个目标句，剔除 2 句。运动学与声学同步记录，口部传感器贴在上下唇和舌部，头动传感器贴在双耳后和鼻梁。

下表把最需要核对的规模与采样条件放在一起，比较问题是样本量是否足以支撑群体建模，公平条件是所有被试经历相同的材料与记录流程，指标方向不涉及好坏，只涉及可重放性。

表后需要解释代价与边界。主要收益是同一批人、同一载体句内的重复测量使焦点效应不受词和句式混淆，主要代价是 12 人样本下个体差异极易淹没群体效应，后文可信区间宽、多数比较仅为趋势即源于此。未胜出项在这里体现为背景条件本身：它不是无运动基线，而是去重音但仍有呼吸和发音器官联动带来的生物力学成分，因此不能把背景的位移解读为零。未评测边界包括大声与习惯音量的对比在本文未做，德语中发现的大声增强效应不能直接搬运到波斯语结论中。

位移是否随突显等级单调增大？

位移结果的比较问题是：在保持截窗和计算一致的条件下，条件均值是否按背景小于宽域小于窄域小于纠正排列，指标方向是位移毫米数越大表示视觉加强越强。原文报告群体层面确实呈现该排序，纠正焦点位移最大，背景最小，宽域与窄域居中。但证据强度并不均匀：模型对纠正大于背景和纠正大于宽域给出有说服力的证据，对纠正大于窄域为趋势，其他比较虽方向符合预期但缺乏强证据。这意味着总体趋势成立不等于每对比较都成立，初学者不能把单调均值图直接读成两两显著。

下表把位移建模的输出形式整理出来，比较对象是各焦点两两差值，公平条件是同一鼻尖位移定义与同一时间窗，指标方向是差值对数估计大于零且后验概率接近 1 表示支持增大。

看图路径： 1. 先看左上条件均值点与 95% 可信区间随背景到纠正是否上移；2. 再读右上与左下每条后验分布右侧标注的后验概率数值；3. 最后确认分布主体在零线右侧还是横跨零线以判断证据强度

论文图 3。原论文 Figure 3：“Group-level model results: conditional means of 3D”。

图前导读已经说明要看均值与后验分布，这里补充像素细节以形成闭环。左上条件均值面板纵轴为位移毫米，横轴为 4 个焦点，四色圆点随焦点右移而上移，但每点的垂直误差棒都很长且高度重叠，说明均值排序存在但不确定性大。右上、左下、右下 3 个面板横轴为差异对数估计，纵轴列出纠正对背景、窄域对背景等比较，每条后验山形分布旁标注后验概率大于零的数值，例如纠正对背景约 0.96、纠正对宽域约 0.97、纠正对窄域约 0.93，而窄域对宽域、宽域对背景仅约 0.76 到 0.78。

分布主体在零虚线右侧越多，支持增大的证据越强；横跨零线越多，证据越弱。这正好对应正文措辞：纠正与背景、宽域的区分有说服力，其余多为趋势。解释段必须强调代价：后验概率不是 P 值显著性，不能理解为错误率已测量，宽可信区间提示若换一批被试或改动时间窗，排序可能波动。

笔触 × 回缩： 笔触指手势中最用力、朝向目标的那一段冲刺，回缩指离开目标回到放松位置的那一段，前者在本文数据中对应第一个速度峰向第二音节顶点靠近的过程，后者对应第二个速度峰离开顶点的过程，二者搭配才能把双峰解释为 1 次完整的朝向韵律目标再离开的阻尼周期，组合意义是把纯运动学双峰连接到韵律手势的结构解释。

对双峰的初步观察也应放在这里：速度曲线形状在各焦点下相似，都有两个速度峰夹着第二音节，第一个峰略高于第二个，提示向顶点冲刺比离开更用力。但方向信息无法从 3 维速度大小曲线读出，只能说存在两段运动，不能说一定是上下或前后，这为讨论部分的笔触与回缩解释留下谨慎空间。

速度整体抬升与曲线形状改变了什么？

速度结果分两层。第一层是整体高度：广义加性混合模型的参数项显示随突显增加速度整体抬升，宽域、窄域、纠正的系数依次为 1.88、3.36、5.43，方向符合预期。然而事后多重比较经校正后任意两两之间均不显著，P 值均大于 0.73。这是一个典型的未胜出项，必须如实报告：均值抬升存在，但统计上不能宣称任意 2 级都可区分。第二层是形状：时间平滑项高度非线性，有效自由度约 10.41，F 约 22.02，P 小于 0.001，说明双峰起伏本身非常稳健。

焦点对形状的调制仅在纠正对背景上显著，有效自由度约 9.02，F 约 10.35，P 小于 0.001，宽域与窄域对形状的影响 P 分别为 0.060 和 0.083，未达显著。同时因子平滑显示个体基线与焦点调制差异均高度显著，说明每个人快慢轮廓不同，且受焦点影响的程度也不同。

下表把速度建模的关键数字放在同一框架下，比较问题是整体抬升与形状改变是否同时成立，公平条件是同一归一化时间轴与同一鼻尖速度定义，指标方向是系数越大表示越快，有效自由度与 F 越大表示非线性越强，P 越小表示越不支持无差异。

表后解释必须同时给出收益与反例。收益是双峰形态与整体抬升方向一致，支持视觉加强的解释，且纠正焦点的形状差异最稳健；代价是群体层面差异细微，事后比较全不显著，宽域窄域的形状调制只是边缘趋势。反例在个体图中更明显：4 个示例被试的原始速度曲线与平均轮廓显示，纠正下普遍更快且双峰更清晰，背景下较慢且节拍感较弱，但宽域窄域在不同人身上调制方式各异，有人区分明显，有人几乎不区分。因此不能把群体系数单调递增推广为每个人每步都递增。

如果只看个体，群体趋势还成立吗？

这一节承担反证与边界检验的教学任务，相当于用个体分面来消融群体平均的掩盖效应。比较问题是：群体均值的单调排序在每个人身上是否复现，条件是否一致，指标方向仍是位移越大、速度越快表示加强。原文用 4 个示例被试的原始均值与标准误展示位移，用原始逐句曲线与平均轮廓展示速度。结果是 3 人跟随群体趋势，1 人不跟随，这本身就是对总体趋势适用范围的限定。

导读时先明确要找的是反例而非平均：若所有人都单调递增，则群体结论很稳；若有人持平或波动，则结论需加上个体策略的前提。重点观察每条折线的斜率、误差棒是否重叠，以及 S05 是否与其他 3 人走向不同。

看图路径： 1. 先按 S03、S05、S10、S12 四个分面分别沿背景到纠正看折线走向；2. 再对比纵轴三维位移毫米数与误差棒长度；3. 最后找出不跟随单调递增的 S05 并与 S12 的大跨度对比

论文图 4。原论文 Figure 4：“3D head displacements for four example speakers,”。

从像素可见，该图为两行两列共 4 个分面，标题分别为 S03、S05、S10、S12，纵轴为 3 维位移毫米，横轴为焦点，图例四色与前图一致。S03 从背景约 8 毫米经宽域约 10 毫米、窄域约 12 毫米到纠正约 14 毫米稳步上升；S10 从背景约 10 毫米跳到宽域约 16 毫米再到窄域约 19 毫米、纠正约 20 毫米；S12 跨度最大，从背景约 5 毫米跳到宽域约 17 毫米再到窄域约 20 毫米、纠正约 23 毫米，但误差棒也最长；唯独 S05 四点几乎水平，背景约 10 毫米、宽域约 10 毫米、窄域约 9 毫米、纠正约 10 毫米，误差棒重叠严重。

这说明位移参数对 S03、S10、S12 有效，对 S05 无效。速度个体图虽未在此展示像素，但正文描述一致：纠正下双峰最清晰，背景下最模糊，宽域窄域因人而异。解释段的结论是：视觉韵律的加强是真实但可选的策略，不是所有说话人都会用的强制规则，复现时必须预留个体随机斜率，否则会高估效应的普遍性。

哪些结论还不能下，缺了哪项验证？

首先区分 3 类表述。论文直接报告的是：位移条件均值按背景到纠正递增，纠正大于背景和宽域有较强后验支持；速度整体系数单调抬升但事后两两不显著；速度曲线呈双峰且时间非线性稳健，仅纠正对背景的形状调制显著；个体差异大。

有限解释的是：双峰可理解为向顶点的一段与离开顶点的一段，顶点落在第二音节附近，与笔触加回缩或任务动力学中朝向韵律目标再离开的阻尼周期相容。未验证推测的是：这种节拍成分在视觉上显著、能帮助听者感知突显，以及跨语言生物力学比较的前景，这些在本文没有知觉实验或跨语言数据支撑，只能用可能或待验证来表达。

缺失证据不是技术错误，但必须列出。第一，未测量误判率、延迟、推理开销与输出帧率，因此不能承诺该方法改善实时检测或识别性能。第二，呼吸、躯干联动、发音器官运动带来的生物力学成分始终存在，本文时间窗无法完全剥离，背景条件仍有运动基线，不能把背景读成静止。第三，统计细节缺项包括贝叶斯先验与收敛诊断、广义加性模型的基函数与随机效应完整规格、动画拟合的存储库链接在本次输入中不可达，因此本次不能声称代码或数据已公开。

第四，语料为实验室载体句与虚拟化身互动，泛化到自发对话、不同语速音量和不同句法位置仍需补验证。相关性不等于因果：焦点与头动共变支持关联，但不能断言头动必然由焦点驱动，也可能是整体发力同时推高声音与身体。

要复现这套分析，先做什么、保留什么？

复现的第一步是重建数据采集而非直接跑模型。需要招募波斯语母语者，用同样的问答脚本 elicits 4 种焦点，保持 8 个假名目标词与载体句结构不变，屏幕同时呈现动画与波斯语正字法文本，问题由母语者预录。在双耳后与鼻梁贴 3 维传感器，同步录音，原始采样 1250 赫兹并下采样到 250 赫兹，手工标注目标词与音节边界。第二步是重建时间窗：截取双音节目标词加后续音节，前后各扩展 100 毫秒，对鼻尖传感器求窗内最远两点欧氏距离得位移，对 3 维坐标求 1 阶导数得速度序列。

第三步是重建统计：位移用贝叶斯线性混合模型以焦点为固定效应、被试为随机效应估计条件均值与两两差值后验；速度用广义加性混合模型估计整体高度参数项与时间平滑形状项，并加入个体因子平滑。必须保留的关键超参数与信息条件是采样率、下采样率、100 毫秒扩展、鼻尖单传感器定量、三传感器定性动画、归一化时间轴，这些是结果可比的前提。

下表把复现核对点集中呈现，比较问题是哪些步骤最易跑偏，公平条件是与原文相同的定义与单位，指标方向不涉及优劣，只涉及是否一致。

表后要说明代价与核对动作。收益是按此流程可以得到可比的位移排序与双峰速度轮廓；代价是手工标注耗时且贝叶斯采样与平滑选择对结果有影响，若改动任一环节，纠正对窄域等边缘趋势可能消失或反转。复现时应先画个体分面图确认 S05 类被试是否存在，再看群体均值，避免被平均掩盖。还需补的验证包括报告先验与收敛、公开截窗代码与标注一致性、补充音量与语速控制，以及在自发语料中检验双峰是否依然落在第二音节附近。

何时值得尝试头动视觉韵律，带走什么结论？

综合全部证据，可以给出有条件的行动指南。当研究目标是理解突显的多模态实现、比较不同焦点等级的发力差异，或为具身语音合成与虚拟化身寻找可解释的头部驱动信号时，值得尝试本文的位移加速度框架，因为它用连续运动学替代了粗糙的有无手势 2 分，并给出可重放的截窗与建模分工。

当目标是实时检测焦点或提升识别准确率时，暂不值得直接部署，因为本文未测量延迟、成本与误判率，且群体效应细微、个体差异大，单靠头动难以稳定区分宽域与窄域。常见误解需要澄清：位移大不等于手势大而夸张，它只是在目标词附近多走了几毫米；速度双峰不等于头部上下 2 次，它只是 3 维速度大小的 2 次抬升，方向需看动画；后验概率 0.96 不等于显著性已过关，它只是给定模型下差值大于零的后验支持度，仍需结合可信区间宽度与个体复现情况来判断。

最终带走的结论是：波斯语中随焦点突显增加，伴随言语的头动通过更大更快的运动得到加强，纠正焦点最强、背景最弱、宽域窄域居中，但加强是可变策略而非强制规则，动力学视角为跨语言比较视觉突显的生物力学提供了可操作的起点。

📐 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 7 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