只留韵律还能分出印地语和印度英语吗：边界线索的听辨与声学对照

英文题目：Comparing acoustic cues to phrase boundary in Hindi and Indian English

会议身份：conference:speechprosody:2026:conference-paper-id:pereira26_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 #韵律 #多语言 #语音 #语言识别

评分：6.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1.0/1.5 | 可复现 0.1/0.5 | 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

• Mildred Pereira：机构信息未能从会议 PDF 纯文本可靠映射
• Preeti Rao：机构信息未能从会议 PDF 纯文本可靠映射
• Hansjoerg Mixdorff：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文以去词汇化语音为输入判别印地语与印度英语并解释边界声学权重的语言差异，难点在于滤除词汇句法后仅剩基频强度时长与停顿等弱韵律线索仍需可判别。第一步构建十二故事双向翻译平行语料由五名模型读者分语言朗读共二百四十段并由三名双语标注者按多数票标出中间短语边界语调短语边界与非边界为后续分析提供对齐标签。第二步将段落切分为每条八秒至十五秒的句子刺激每语言五十条经零至三百赫兹低通滤波去词汇化后交由二十名双语听者在心理物理实验中做三选一语言判别其输出直接验证纯韵律可分性。第三步对强制对齐后词级音节做跨边界基频差相对强度差边界前时长比与归一化停顿时长提取并做多变量方差分析与分语言随机森林十折三分类从而将感知结果回接到可解释声学线索。相对已有单语言边界研究的关键差异在于同一平行朗读语料上并置感知判别与跨语言声学建模，揭示英语重时长而印地语重相对强度的分工，对理解音节节律与动词尾句法下的韵律类型学有实际意义。在去词汇化语言判别任务下，二十名双语听者的识别准确率为63.5%，高于机遇条件的准确率50%。该结论适用边界受限于朗读叙事体与教师筛选的模型读者尚未验证自发语音与其他口音及自动识别的外推。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://tinyurl.com/y2vt7w5b → https://polydactyl-dumpling-7fc.notion.site/Speech_Prosody_2026_supplementary-26cdb788c9e08073b7c2d1b3c06f6fdd — 链接可访问（HTTP 200）
• 数据相关资源：https://tinyurl.com/dm2uzhdh → https://www.andiamo.co.uk/resources/expansion-and-contraction-factors/?utm_source=chatgpt.com — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/timmahrt/LMEDS — 链接可访问（HTTP 200）
• 第三方资源：https://www.bhashini.gov.in — 暂时无法访问 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：要解决的区分问题从哪里来？

这篇论文的输入是印地语和印度英语的朗读话语，目标是回答两个相互衔接的问题。第一，听者只听到韵律而听不清词时，能否分出这是印地语还是英语。第二，如果能分出，那么两种语言在短语边界处的声学实现到底哪里不同。初学者容易把这两个问题看成同一个问题，但它们的证据链不同。前者是感知实验，给出能否区分的准确率。后者是声学测量，给出基频、强度、时长和停顿如何随边界类型变化。

白话先说关键术语。韵律是指说话中音高、响度和时长随时间的变化，它负责切分语块、提示强调和句式。短语边界是指听者感知的分块位置，论文把它分成 3 类。句内较小的分界叫中间短语边界，英文缩写是 intP。句末较大的分界叫语调短语边界，英文缩写是 IP。

其余被判定为不是边界末尾的词记为 nb。去词汇化是指用低通滤波把能听懂词的频段压掉，只保留低频的音高和节奏起伏。语言识别在这里不是自动语音识别，而是人听去词汇化刺激后判断语言的任务。

去词汇化 × 语言识别： 去词汇化负责把可懂的词切除而保留韵律骨架，语言识别负责检验骨架里是否还有可区分语言的信息，二者搭配的理由是只有先压住词汇和句义，听者做出的印地语还是英语判断才能被解释为韵律贡献，组合意义是把一个容易混入词汇猜测的任务变成对节奏、音高和响度模式的直接考查。

论文开场交代的输出包括三部分。第一部分是 20 名双语听者的语言判断准确率和统计检验。第二部分是同一批话语上 3 名标注者给出的边界标记，以及词性分布的文本分析。第三部分是基于音节级聚合特征的多变量检验和随机森林边界分类，报告哪类特征在每种语言里更重要。研究生复述时必须保留这些信息的条件。

朗读者是教英语学校的语言教师，文本是三年级叙事故事及其双向翻译，感知刺激是 8 到 15 秒的句子级片段并经过低通滤波，声学部分用的是未滤波原声。任何脱离这些条件的泛化都属于待验证推测。

学习依赖上，本节先建立任务直觉。后面的相关工作节说明去词汇化听辨不是新做法，方法全景节说明数据如何从段落录音走到句子刺激和边界标注，组件节说明 4 个声学特征家族如何计算，实验条件节说明听者、设备和流程，结果节再回到数字和反证。读者如果跳过边界三分法直接读分类重要性，会把强度重要误解为整体响度大，把时长重要误解为语速慢，因此必须先接受边界类型是后续一切分组比较的钥匙。

附录：术语速查与易混点一次讲清

基频是声带振动快慢的声学对应，听感接近音高。强度是信号能量的度量，听感接近响度，但不等同于响度，因为响度还与频率和听觉有关。相对强度是减去整句平均后的值，用于比较一句内的起伏而不被整体录音电平带偏。音分是以参考频率为基准的对数音高单位，用于减少说话人基频高低的影响。强制对齐是把文本与音频按时间对齐，得到词、音素和音节边界。置换重要性是打乱某一列特征后看模型性能下降多少，用于排序特征贡献。

易混点有三处。第一，intP 与 IP 不是标点，而是人听感知的边界，标点只是事后对照。第二，去词汇化不是静音或加噪，而是低通滤波，目标是保留韵律而去掉可懂性。第三，准确率高不等于听者自信或反应快，论文没有测量后两者。复述时把这三处讲清，可以避免把感知边界当成标点、把滤波当成加密、把准确率当成全能指标。

本节作为背景补充，不引入新数字结论。所有数字证据以结果、消融和复现三节的表格为准，表格数字的单位与精度保留原文写法。百分点与相对百分比不同，不同指标的差值不放在同一模型列下比较，自动声学指标不被当成人评，这些核对原则在阅读其他韵律论文时同样适用。

同输入同目标的前人做法提供了什么对照？

论文回顾的路线都是输入为语音、目标为感知边界或语言身份、监督为人听判断或标注边界。第一条路线是滤波后评分与未滤波评分的相关性研究。原文提到训练有素的评分者在 500 赫兹截止的滤波和未滤波条件下评分高度相关，普通话和英语的韵律即使由初级第二语言学习者产出也能被区分。这条路线的作用是证明低频保留的韵律足以支撑语言层面的判断，为本文把截止频率进一步压到 300 赫兹提供先例。

第二条路线是瑞典语自然话语的边界强度预测。原文提到从自发瑞典语中取出边界前 2 秒和单字刺激并在 400 赫兹滤波，呈现给不懂瑞典语的台湾和英语听者，母语和非母语听者都能在滤波和未滤波条件下预测即将到来的边界强度，语速、基频和谐噪比是滤波语音中语言识别的主要线索。这条路线与本文同输入但目标略有不同，它预测的是边界强弱而非语言身份，提示读者不要把能感知边界等同于能识别语言。

第三条路线是日语和美式英语在音段信息减少条件下的语言识别。原文指出人在音段信息减少时仍能识别语言，但结果随语言类型和被试语言知识而变。这直接对应本文的双语听者设计。听者都学过印地语且教学语言为英语，这种语言背景可能影响对句末特征的敏感度。论文没有把听者按母语单双语分层，因此读者不能从总体 63.5% 推出任意人群都有同样能力。

声学一侧的前人工作也在引言中点出。英语已有较多边界处声学变化的研究，印地语相对较少，两种语言边界线索的直接比较缺失。德语朗读中边界前音节时长随边界类型的变化，以及印地语短句中末音节比倒数第二音节拉长更多的博士研究，被用来引出本文要检验的边界前 lengthening。初学者要注意，引用德语和印地语小句研究不等于本文会复刻其结论，它们只是说明时长线索值得测量，而本文的文本是长叙事段落，句法和韵律实现条件并不相同。

附录：与同类研究的公平对照清单

公平对照需要固定输入、目标、监督和运行阶段。输入是否同为朗读或自发，目标是语言识别还是边界预测，监督是人听判断还是标注边界，运行阶段是在滤波语音还是原声上评估。把本文与瑞典语边界预测对照时，输入都是语音而目标不同，不能说本文准确率高低胜过对方。与日语和美式英语语言识别对照时，目标相同而语言对不同，不能把 63.5% 直接跨语言对比较。与 500 赫兹滤波评分相关性研究对照时，截止频率不同，本文 300 赫兹更激进，代价是音质更闷但词汇泄漏更少。

同运行阶段的对照还包括声学侧。英语边界研究多在原声上测量基频、时长和停顿，本文同样在原声上测量，因此特征趋势可比。德语边界前时长研究用的是朗读散文，本文用的是儿童叙事朗读，文本难度和句长不同，intP 拉长最大的方向一致不等于量级一致。印地语小句研究用的是短句和多说话人，本文用的是长段落和少说话人，末音节拉长的结论需要按句末词类分层后才能细比。

清单的意义是防止类别差异被当成同条件胜负。研究生在组会上被问到为什么不用深度模型端到端分类语言，可以回答本文目标不是刷最高识别率，而是检验韵律是否足够以及哪类线索更重要。可运行策略是人听加随机森林，深度模型是另一条路线，二者输入和可解释性不同，不在同一赛道上比数字。

论文把大问题切成了哪两个可操作问题？

论文明确写出两个研究问题。第一，听者仅凭韵律线索能否区分印地语和印度英语的话语。第二，每种语言中哪些边界声学线索具有区分性。第一个问题用感知实验回答，第二个问题用声学特征分析和分类回答。切分的意义在于，即使感知准确率只是中等偏上，只要声学侧能找到语言相关的权重差异，就可以为感知结果提供机制候选，而不是停留在能或不能的二值判断。

操作化时，第一个问题被变成三选一听辨。刺激是低通滤波后的句子，每次只放一遍，听者标英语、印地语或无法判断。无法判断的刺激会重放 1 次。任何被任一听者正确听出词的刺激都会从分析中剔除。这个剔除动作很关键，它把词汇残留的泄漏尽量排除，让准确率更干净地归因于韵律。

教学例子可以这样想，假如某条刺激里低频仍漏出一个重音模式让听者猜出词，那么保留它会虚增准确率，剔除它才是保守做法。例子只是帮助理解流程，不改变原文报告的试次数。

第二个问题被变成按边界类型分组的特征比较。同一批话语先由 3 名流利使用英语和印地语的标注者在去掉标点和大小写的文本上标 intP、IP 和 nb，再用强制对齐得到词、音素和音节时长，用每 10 毫秒提取的基频和强度在音节级聚合，最后计算跨边界和边界前差值、时长比和停顿特征。复述时要强调标注用的是感知边界，不是标点。原文报告所有朗读者都实现了句号处的 IP，intP 常与逗号、连词、有意义短语结尾或用于突出末词的倒数第二词对齐，但这只是事后对照，不是标注依据。

从段落录音到数字证据的全景如何走通？

先沿一个样本走完全程。假设取 1 名女性教师朗读的一个英语段落，时长覆盖 4 到 5 个句子。第一步是切分。段落录音被切成句子级刺激，每条 8 到 15 秒，用于听辨实验。原声保留用于声学分析。

第二步是去词汇化。刺激经过 0 到 300 赫兹低通加 100 赫兹过渡带滤波，目的是让人听不清词但保留音高和节奏。原文说明选 300 赫兹是因为非正式测试发现 450 赫兹不足以充分去词汇化某些印地语男声。这个细节是可复述的方法条件，不是随意参数。

第三步是标注。3 名标注者在语言标记与实验设计软件界面上对每个词标 intP、IP 或 nb，文本去掉标点和大小写以免提示。多数票决定最终标签。第四步是对齐与聚合。全部话语做强制对齐得到词和音素时长，再结合人工生成的音节词典得到音节时长。

基频和强度每 10 毫秒提取 1 次，再在音节级用均值、中位数、最大值和最小值聚合。第五步是特征构造与建模。对每个词的最后一个音节计算跨边界和边界前差值，时长侧计算末音节与倒数第二音节的差与比以及后边界与末音节之比，停顿侧计算停顿时长和归一化停顿时长，最后做多变量方差分析和分语言随机森林分类。

中间短语边界 × 语调短语边界： 中间短语边界负责标记句内较小的韵律分块，语调短语边界负责标记句末这类更大的韵律收束，二者搭配的理由是同一句话里既有逗号和连词附近的弱分界也有句号处的强分界，组合意义是让后续声学特征可以按边界强度分层比较，而不是把所有停顿和拉长混在一起平均。

全景中文本控制也值得单独说明。印地语和英语文本来自三年级叙事故事，每种语言 6 个故事各 2 段，每段 55 到 75 词。为保证语义可比，每个故事都用自动翻译工具生成对侧语言版本。原文报告英语原文翻成印地语词数增加 11.01%，印地语原文翻成英语词数减少 6.97%。双向翻译保证语义大体匹配，但句法无法匹配，因为印地语是主宾谓结构而英语是主谓宾结构。复述时不能说两种语言文本句法相同，只能说语义内容匹配而词序天然不同。

朗读者设计同样是方法全景的一部分。每种语言 24 段，5 名模型读者每人读 24 段，共 240 条段落话语，总词数 15339，其中英语 7295 词、印地语 8044 词。模型读者被定义为在英语授课学校教印地语或英语的有经验教师，录音前只准通读一遍文本并用即时通信语音记录，背景噪声不合格重录。这个只读一遍的要求是为了让朗读自然而不加排练，初学者复述时要保留，否则会误把实验室朗读当成播音级表演。

附录：从一句话样本看标注与特征如何落地

用一个虚构的教学例子走完标注到特征，例子不代表原文数据。假设印地语句末有两个词，倒数第二词的末音节记为前一音节，末词的末音节记为末音节，句号后下一句首词的首音节记为后边界音节。标注者在去掉标点的文本上判断末词是否为 IP，若 3 人中有 2 人判 IP 则该词为 IP。声学侧取出 3 个音节的基频均值和相对强度均值，计算末音节减前一音节得到边界前差，计算后边界音节减末音节得到跨边界差。时长侧取出末音节与倒数第二音节的归一化时长，计算差与比。停顿侧测量末词后静音段，若超过 100 毫秒则保留并除以句内平均停顿得到归一化值。

这个例子覆盖了原文公式的思想，但原文只用文字说明跨边界为后减前、边界前为末减前一，没有在结构化证据中给出可绑定的原始公式，因此本解读不虚构展示公式。复述时若要写公式，必须说明它是按原文文字转写的理解性表达，而不是原文印刷的公式。特征家族的完整清单以原文表格为准，包括基频八项、相对强度八项、时长三项和停顿两项。初学者先记住每个家族回答什么问题，再记具体聚合是均值还是最小值，否则容易在重要性排序中迷失。

四个声学组件各自算什么、看什么变化？

基频组件先把频率转成以整句平均基频为参考的音分，以减少说话人音高差异。特征包括跨边界基频差的均值、中位数、最小值和最大值，以及边界前基频差的同样 4 个聚合。计算目标是捕捉边界前后的音高跳变。原文的人工观察报告英语中基频在 intP 前上升而在 IP 前下降，印地语同样是 intP 前上升、IP 前下降。跨边界均值差在 intP 处两种语言接近，在 IP 处略有分离，在 nb 处都不大。这个描述是定性趋势加一张均值折线图的支撑，不能读成每条话语都如此。

跨边界特征 × 边界前特征： 跨边界特征负责度量边界两侧音节的跳变，边界前特征负责度量边界前最后一个音节相对前一个音节的内部变化，二者搭配的理由是音高重置既可能表现为边界前上扬也可能表现为过边界后的跌落，组合意义是把渐进的边界前延长和突变的跨边界复位分开，避免只看一侧而误判线索位置。

相对强度组件先把每 10 毫秒的绝对强度减去整句平均强度转成相对值，再在音节级聚合。特征同样是跨边界和边界前相对强度差的均值、中位数、最小值和最大值。计算目标是捕捉边界处发声努力的下降。人工观察发现印地语在边界前末音节强度明显跌落，IP 比 intP 更明显，英语句末跌落不如印地语突出。原文的解释与词序有关。

印地语句末多为助动词，常发得较轻，而英语是主谓宾结构，句末多为名词。初学者要把这个解释记为有限解释，不是因果证明，因为论文没有操纵词类来检验强度跌落是否消失。

下面这段导读专门服务跨边界均值差的折线图。读者应先确认横轴是 IP、intP 和 nb 3 种边界类型，纵轴是均值差，两条折线分别代表英语和印地语，再看从左到右是否单调下降，最后比较 IP 处两线开口与 intP 处两线交叉的含义。

看图路径： 1. 先看左面板跨边界基频差随 IP 到 intP 再到 nb 的下降趋势；2. 再看右面板跨边界相对强度差在 IP 处两语言的开口大小；3. 最后核对图例空心圆为英语、实心圆为印地语再读点位

论文图 2。原论文 Figure 2：“Cross boundary mean feature difference at Intona- tional (IP), Intermediate (intP), and no boundaries (nb) for En- glish and Hindi”。

上图左面板显示基频跨边界均值差从 IP 的高正值跌到 intP 附近的小正值再到 nb 的零下区域，说明强边界伴随更大的跨边界音高复位。右面板显示相对强度跨边界均值差同样随边界强度递减，但在 IP 处印地语实心点明显高于英语空心点，误差棒不重叠，支持强度跌落在印地语句末更大的判断。intP 处两语言差距缩小，nb 处都接近零。复述时不要硬读像素坐标的具体数值，原文正文没有给出这些点的精确数字，只能讲相对位置和分离程度。图注信息必须归因于原文文字，像素只能用来确认趋势和开口，不能编造均值差等于多少音分或分贝。

相对强度 × 基频： 相对强度负责反映一句内发声努力和能量分布的变化，基频负责反映声带振动快慢带来的音高轮廓，二者搭配的理由是印地语句末助动词可能同时变轻和变低，只看其一会互相混淆，组合意义是让分类器和人工观察可以判断哪种语言更靠变轻、哪种语言更靠音高起伏来标记边界类型。

时长组件考察边界前 lengthening。论文把边界前最后一个音节叫末音节，前一个叫倒数第二音节，后一个叫后边界音节，特征是说话人归一化后末音节与倒数第二音节的差与比，以及后边界与末音节之比。计算目标是看边界前是否拉长。原文报告 nb 词的时长比接近 1，说明非边界处相邻音节时长大致相等。intP 处音节拉长最大，与德语研究一致。印地语 IP 处时长比偏低，原文推测是因为末音节多为发得较快而不拉长的助动词。

边界前 lengthening × 停顿： 边界前 lengthening 负责用边界前音节拉长来预告分界将至，停顿负责用无声间隔把分界直接切开，二者搭配的理由是朗读中拉长和停顿常常同现但分工不同，一个是连续时间的伸缩，一个是离散静音的插入，组合意义是可以检验英语是否更靠停顿时长区分句子边界，而印地语是否在句末助动词处拉长较弱。

停顿组件只算超过 100 毫秒的停顿，低于阈值的忽略。特征是停顿时长和除以句内平均停顿时长的归一化值。nb 因为没有可测停顿而不纳入停顿比较。计算目标是看停顿是否帮助区分边界类型。原文报告 intP 处两种语言停顿值接近，IP 处英语明显更高，说明英语朗读者更靠停顿区分句子边界和句内边界。初学者不要把停顿长直接等同于边界强，因为停顿还受换气和朗读风格影响，论文的结论限定在所用朗读者的叙事朗读条件下。

本研究有没有训练神经网络？实际计算是什么？

本研究没有训练神经网络，也没有报告梯度、优化器、学习率或参数冻结。training 一节在此必须明确说明无训练阶段，再讲实际发生的非梯度计算。实际计算分为 4 类。第一类是信号处理。句子刺激做低通滤波，声学侧每 10 毫秒提取基频和强度。

第二类是对齐与聚合。强制对齐给出词和音素时长，人工音节词典映射到音节时长，基频和强度在音节级聚合。第 3 类是特征代数。按跨边界和边界前公式做差值，按末音节和倒数第二音节做差与比，按句内平均停顿做归一化。第 4 类是统计与分类。

多变量方差分析检验边界类型和语言的主效应与交互，随机森林在每种语言内部分别做 10 折交叉验证预测 3 类边界，并用置换重要性排序特征。

需要指出的缺项是论文没有给出随机森林的树数、深度、随机种子和分层细节，也没有给出强制对齐所用自动语音识别模型的具体版本和词错率。复述时不能从随机森林名称推定它一定用了基尼系数或特定采样，也不能把 10 折交叉验证说成留一说话人验证。原文只说分语言训练和 10 折交叉验证，读者只能复述到这个粒度。

另一个容易误解的点是无训练不等于确定性求解。随机森林本身有随机性，标注多数票也有主观性，滤波截止和停顿阈值的选择也会改变结果。论文用相关系数和多数票来约束标注噪声，用固定阈值来约束停顿定义，但没有报告重复随机种子下的方差。因此分类准确率的小数点后差异应谨慎解读，重点看特征家族层面的排序是否稳定，而不是纠缠单特征重要性小数点后第三位。

听辨和标注实验的条件如何保证可比？

听辨实验的被试是 20 名双语听者，男女各 10 名，口头和书面都使用英语和印地语，教学语言为英语且在校学过印地语。刺激共 100 条，每种语言 50 条，男女声数量均衡。实验用心理物理实验软件搭建，佩戴耳机并检查音量。实验开始先给印地语和英语样例，再告知刺激为英语或印地语，每条只放一遍，标英语、印地语或无法判断。无法判断的可重放 1 次。

听后还要求写下可能听出的词，凡被任一听者正确听出词的刺激都从分析中剔除，并给予少量报酬。剔除后的有效试次在结果节以 876 和 703 的形式出现，说明原始试次经过清洗，不是简单的 20 乘 100。

标注实验的被试是 3 名流利使用英语和印地语的标注者，界面是语言标记与实验设计软件，文本去掉标点和大小写。标注一致性用相关系数报告。英语 intP 和 IP 分别为 0.81 和 0.96，印地语分别为 0.81 和 0.95。多数票后英语和印地语分别有 745 和 754 个 IP 边界、1252 和 1078 个 intP、5298 和 6212 个 nb。这个数量级说明 nb 占绝对多数，分类时若只看总体准确率会被多数类主导，因此论文同时报告 F1 和曲线下面积是必要的。

文本分析用斯坦福自然语言处理工具包生成通用词性标记。英语 intP 前最多的是名词、动词和副词，印地语是介词类中的后置词、名词和动词。IP 处英语多在名词后，印地语多在助动词后。这个分布与两种语言的基本词序一致，但它描述的是文本与韵律的对齐倾向，不是声学因果。复述时要保留工具名称和标记体系为通用词性标记，因为不同标记体系对助动词和后置词的切分会影响结论的可比性。

资源可达状态需要单独交代。论文脚注给出数据集细节链接和文本伸缩参考链接，参考文献给出语言标记与实验设计软件仓库和翻译任务网站。根据本次收到的资源状态，2 个数据集链接当前可用，语言标记与实验设计软件仓库当前可用，翻译任务网站本次未能确认可达。研究生若要复现，应优先从可用的数据集链接核对故事数量、段落词数和说话人构成，不要把本次未能确认可达的翻译网站当成长期可用依据。

听者到底能分多准？声学分类又支持什么？

听辨主结果是总体准确率超过机会水平。论文报告总体为 63.5%，个人最高为 79.0%，单样本 t 检验显示显著高于 50%，t 值为 7.304，p 小于 0.001，均值 63.5% 且标准差 8.24%。语言间比较显示印地语均值 66.22、标准差 10.96，英语均值 61.34、标准差 13.59，配对 t 检验 p 为 0.271，无显著差异。也就是说，虽然数值上印地语更高，但不能断言印地语刺激本身更容易被识别。听者评论提到印地语句末特征和整体语流以及语调是区分线索，这与声学侧印地语句末强度跌落更大的观察方向一致，但论文把这种衔接表述为推测，而不是因果证明。

下面这段导读专门服务听者准确率的箱线图。读者应先确认纵轴是准确率百分比，横轴是英语和印地语两箱，再看每箱中线、箱体和须线的含义，最后比较两箱中线高低与离散程度的差异。

看图路径： 1. 先看横轴两个语言箱体对应的纵轴准确率刻度；2. 再比较蓝色英语箱与橙色印地语箱的中线高度；3. 最后比较箱体高度和须线长度判断哪侧听者差异更大

论文图 1。原论文 Figure 1：“Language recognition accuracy across 20 listeners”。

上图蓝色英语箱的中线略低于橙色印地语箱的中线，印地语中位数更高，但英语箱体和须线更长，说明英语听者间差异更大。纵轴从 20 到 100，两个箱体主体落在 40 到 82 之间。原文还指出无法判断的比例在英语中更高，可能是印地语某些声学或音系线索更抗滤波。这个无法判断的差异是描述性观察，没有配显著性检验，复述时只能用可能来连接，不能写成已证明印地语线索更鲁棒。像素能确认的是分布形态，不能精确读出每个听者的准确率数值。

为避免只记百分比而丢失试次基数，先提出比较问题。在剔除词汇泄漏刺激后，两种语言的有效试次是否相同，正确数和均值标准差如何对应，指标方向是否都是越高越好。下表把原文分散在摘要和正文中的听辨数字收拢到同一口径，公平条件是同一批双语听者、同一滤波流程和同一剔除规则，指标方向为准确率越高表示仅凭韵律越可区分。

上表的主要收益是把总体 63.5% 还原到语言分项。印地语正确率按 470 除以 703 约为三分之二，英语按 536 除以 876 约为六成出头，二者差距不大，与 p 为 0.271 无显著差异的结论一致。具体代价是有效试次不对称，英语 876 而印地语 703，说明剔除对两种语言的影响不同，直接比较原始正确数会误导。未胜出项在这里就是英语，它没有在统计上输掉，但数值上低于印地语，且无法判断更多。未评测边界包括反应时、置信度和逐句语境效应，论文都没有测量。

声学侧的分类结果进一步支持语言相关的线索权重。随机森林分语言 10 折交叉验证显示印地语准确率 0.887、F1 为 0.877、曲线下面积为 0.938，英语准确率 0.819、F1 为 0.803、曲线下面积为 0.900。印地语略好，但更重要的是特征排序。英语前列是时长差、跨边界相对强度最小值、时长比和基频相关特征，印地语前五中有 3 个相对强度特征居前。原文据此总结强度特征是印地语不同边界类型的重要指示，而时长线索主导英语边界分类。

这个判断有多变量方差分析支撑。边界类型主效应显著，语言主效应显著，边界类型与语言交互显著，说明边界实现确实随语言而变。

下面这段导读专门服务时长比与归一化停顿的折线图。读者应先确认左面板纵轴是末音节与倒数第二音节时长比，右面板纵轴是归一化停顿时长，横轴都是边界类型，再看 intP 峰值与 IP 开口，最后看右面板两线在 IP 到 intP 之间的相对位置。

看图路径： 1. 先看左面板末音节与倒数第二音节时长比在 intP 处的峰值；2. 再看左面板 IP 处英语点位明显高于印地语点位的开口；3. 最后看右面板归一化停顿时长在 IP 与 intP 之间的交叉形态

论文图 3。原论文 Figure 3：“Duration and pause related features at different boundary types for English and Hindi”。

上图左面板显示 intP 处时长比最高，nb 处接近 1.1 附近，IP 处英语点位高于印地语点位，支持英语句末拉长更明显而印地语句末助动词拉长较弱的解释。右面板显示 IP 处英语归一化停顿高于印地语，intP 处两者接近且出现交叉，支持英语更靠停顿区分边界类型的判断。像素同样只能确认相对高低和交叉形态，不能读出精确到小数点后 2 位的时长比或秒数，精确数字以正文报告的分类指标为准。

若换掉关键特征家族，结论还站得住吗？

论文没有做严格意义上的消融，即逐个去掉特征家族再看分类下降多少，但置换重要性排序起到了类似作用。英语侧时长差重要性为 0.111，时长比为 0.077，跨边界相对强度最小值为 0.078，跨边界基频中位数为 0.077，跨边界基频最小值为 0.066。印地语侧跨边界相对强度最大值的重要性高达 0.170，其余包括跨边界基频最小值、跨边界相对强度最小值、时长差和跨边界相对强度中位数。初学者要理解置换重要性的含义。它把某一列特征随机打乱后看性能下降多少，下降越多说明模型越依赖它。它不是单特征准确率，也不能跨语言直接比大小，因为两种语言的数据分布和基线性能不同。

为把分类证据与听辨证据放在同一视野，先提出比较问题。在分语言训练、10 折交叉验证、输入为基频加强度加时长特征的公平条件下，哪种语言的边界分类更好，好多少，重要特征家族有何不同。下表收拢原文报告的可运行策略数字，指标方向都是越高越好，搜索最优或事后最优另行标明在此不适用。

上表的主要收益是印地语三项指标全面高于英语约 6 到 7 个百分点，但代价是停顿特征未进入该分类输入的明确说明。原文在多变量分析后写明停顿因 nb 无值而被省略，分类输入写的是基频、强度和时长特征，因此不能把停顿的区分作用与分类准确率直接挂钩。未胜出项是英语的强度和基频特征，它们并非无用，只是在排序上让位于时长。未评测边界包括跨语言混合训练能否泛化，以及只用单一家族特征会掉多少点，论文没有报告，读者不能脑补拿掉强度后印地语必然崩盘。

反证思维还要求检查另一种可能。听辨准确率中等偏上是否可能来自残留词汇而非韵律。论文用剔除任何被听出词的刺激来回应，但低通后仍可能残留音节数和重音模板。原文没有报告音节数是否在两种语言间系统不同，也没有控制语速。因此声学侧的语言差异支持韵律解释，但不能排除节奏模板本身携带的语言信息。

把节奏模板算不算韵律，取决于定义。若把节奏算入韵律，则解释成立。若把韵律只限定为音高和强度，则还需要更干净的控制。复述时应保留这个定义边界，而不是一句话断言韵律决定一切。

哪些条件变了，结论就可能不再成立？

第一个限制是朗读体和朗读者。文本是三年级叙事，朗读者是有经验的教师，录音前只读一遍。这种材料句式简单、情感起伏小，朗读风格偏清晰。与自发对话、新闻播报或电话语音相比，边界实现可能更规整。5 名朗读者分担 24 段，性别组成为 2 男 3 女，样本不足以估计说话人方差。复述时不能把印度英语整体的边界策略等同于这 5 人的策略。

第二个限制是翻译与句法不可比。双向翻译保证语义匹配，但印地语主宾谓与英语主谓宾的差异意味着边界前的词类天然不同。印地语句末多助动词，英语句末多名词。强度跌落和时长拉长的语言差异可能部分来自词类差异，而不完全是韵律参数本身的差异。论文用词性分布对照提示了这一点，但没有做词类匹配后的声学比较，因此因果归因要降级为支持而非证明。

第 3 个限制是感知与声学的链接是推测。原文讨论部分明确用推测一词，认为语言相关的边界线索至少部分支撑了去词汇化听辨的超机会表现，并从音节节律和重音节律的类型学角度给出一致性解释。这是一种有限解释，不是中介分析。论文没有检验听者单试判断与该试声学特征的相关，也没有操纵强度或时长来观察听辨是否跟随变化。研究生应学会这种措辞分级。报告用显示，机制衔接用支持，跨到因果用可能或待验证。

第 4 个限制是测量粒度。基频和强度每 10 毫秒提取并在音节级聚合，丢失了音节内的轮廓形状。停顿低于 100 毫秒忽略，可能去掉短促的句内切分。标注相关系数高并不等于边界位置完全一致，intP 的相关为 0.81 低于 IP 的 0.95 以上，说明弱边界本身更难统一。分类时 nb 占多数，总体准确率高可能部分来自多数类优势，好在 F1 和曲线下面积同时报告，缓解了单一准确率的误导。

要复现这条证据链，先做什么、用什么核对？

复现应按学习依赖倒排，先拿到数据再跑标注，最后做声学。第一步是从可用的数据集链接核对故事数量、段落词数、朗读者构成和总词数。原文给出每种语言 24 段、5 名朗读者、共 240 条段落话语、总词数 15339 的口径。核对时要区分段落级话语和句子级刺激，听辨用的 100 条句子刺激是从段落切出的 8 到 15 秒片段，不能拿段落总数直接当听辨试次。第二步是核对翻译带来的词数变化。英语到印地语增加 11.01%，印地语到英语减少 6.97%，用于确认语义匹配而非句法匹配。

第三步是复刻去词汇化。按 0 到 300 赫兹低通加 100 赫兹过渡带处理，特别检查男性印地语是否仍有可懂残留。原文因 450 赫兹不够而降到 300 赫兹，复现时应保留这个检查动作，并记录被剔除的刺激编号和剔除后有效试次。第四步是复刻标注。用去掉标点和大小写的文本标 intP、IP 和 nb，至少 2 名以上标注者并报告一致性，多数票决定。

标注界面可用原文引用的语言标记与实验设计软件仓库，当前可用。文本词性分析可用斯坦福自然语言处理工具包的通用词性标记，保持与原文同一体系。

第五步是复刻声学。强制对齐得到词和音素时长，结合音节词典得到音节时长。每 10 毫秒提取基频和强度，基频转成相对整句平均的音分，强度转成相对整句平均的相对值，再在音节级聚合。跨边界和边界前差值按末音节、前后音节计算，时长按末音节与倒数第二音节的差与比计算，停顿只保留 100 毫秒以上并做句内归一化。统计侧先做分特征家族的多变量方差分析，再分语言做随机森林 10 折交叉验证并报告准确率、F1 和曲线下面积以及置换重要性。缺少树数和种子时，应固定自己选择的超参数并报告，避免把默认参数当成原文参数。

为核对标注规模与一致性，先提出比较问题。在三标注者、多数票、文本去标点的公平条件下，两种语言的边界计数和一致性如何分布。下表把原文报告的计数收拢，指标方向不是越高越好，而是用于判断数据是否偏斜和标注是否可靠。

上表的主要收益是确认 IP 数量跨语言接近而 intP 和 nb 略有差异，标注一致性在强边界更高。具体代价是 nb 占比过大，分类评估必须看 F1 和曲线下面积。未胜出项是 intP 一致性 0.81，它低于 IP 但仍可接受，说明弱边界是后续误差的主要来源。未评测边界包括标注者内一致性和跨朗读者的边界实现差异，论文没有报告，复现时可补测以评估稳定性。

何时值得借用这套做法，还缺哪项验证？

当研究问题是比较两种语言的边界实现，且担心词汇和句义干扰判断时，这套先去词汇化听辨再做边界分层声学的做法值得借用。它的优点是感知与声学用同一批话语，文本语义大体匹配，边界类型先分层再比较，避免把强弱边界混在一起。印度英语与印地语的对比还提供了一个教学价值很高的例子。相同的语义内容因为词序不同，边界前的词类不同，进而强度和时长的表现不同。这提醒初学者，韵律差异有时是句法差异的回声，分析时要同时看文本。

何时不值得直接套用。如果目标是自发对话或带口音的第二语言英语，朗读叙事的结论不能直接搬运。如果目标是实时系统，论文没有测量延迟、计算开销和帧率，不能承诺这些量得到改善。如果目标是证明听者靠某个具体特征识别语言，还缺关键验证。需要补做的验证包括逐试关联听者判断与声学特征，操纵重合成刺激中强度跌落或停顿时长再看听辨是否跟随变化，以及在词类匹配的子集上重做语言比较，以分离词类效应和韵律参数效应。

对刚入门的研究生，建议用一句话收束复述。听者仅凭低频韵律能以 63.5% 分出印地语和印度英语，声学上印地语更靠相对强度标记边界类型而英语更靠时长，但这是在朗读叙事、小样本教师朗读者和感知边界多数票条件下的结果，跨场景、跨人群和因果链条仍待验证。记住这个条件状语，比记住 63.5% 本身更重要。

最后核对输出承诺。输入、目标、必须保留的朗读者、文本、滤波、标注、特征和统计条件都已在前文展开，教学例子已标为例子而没有添加无源数值，推测一律用可能或待验证表达。资源状态按本次收到的证据如实说明，2 个数据集链接当前可用，语言标记与实验设计软件仓库当前可用，翻译任务网站本次未能确认可达，不作长期可用承诺。

📐 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

另有 10 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