问句该升该降：用短篇故事检验合成语音的疑问语调

英文题目：Evaluating Question Prosody in Text-to-Speech Software

会议身份：conference:speechprosody:2026:conference-paper-id:salem26_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 #语音 #文本到语音

评分：4.1/10 | 创新 0.8/2 | 技术严谨 0.8/1.5 | 实验充分 0.5/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Alexandra Salem：机构信息未能从会议 PDF 纯文本可靠映射
• Sarah Ita Levitan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究以短篇故事《The Fir Tree》中疑问句文本为输入，以合成语音疑问韵律自然度的类型化评估为输出，难点在于疑问词问句应降调而是非问句应升调的预期需结合语境判断，且传统MOS整体打分难以定位类型错误而缺乏可扩展客观标准。方法链共分四步：首先从恢复标点的LibriTTS文本定位问句并对应LibriSpeech人类朗读，再经Praat手工重切为真正疑问片段，得到22个疑问词问句与9个是非问句。接着用Kokoro与FastSpeech 2合成内容对齐的平行语料，使同一文本具有人类与两种TTS三个来源。然后基于pYIN提取基频并仅对后半段F0拟合最佳直线以斜率符号二分尾调上升与下降，同时计算每句最大最小F0差的组内平均音域，其输出直接作为自动评测结果。最后以双人ToBI核轮廓标注一致性与母语者自然度打分校验自动标签，使斜率判断可与人工感知对齐。与以往依赖MOS整体质量评价不同，该工作将类型相关的语调预期显式化为可自动检验的尾调方向，从而能区分疑问词与是非问句的系统性误升。在《The Fir Tree》语料任务下，Kokoro的是非问句上升F0比例指标为66.7%，低于人类朗读者的上升F0比例指标77.8%。该结论适用边界受限于主流美式英语短故事朗读场景，难以外推至对话自发语音或其他语言风格，且原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 模型相关资源：https://huggingface.co/hexgrad/Kokoro-82M — 暂时无法访问
• 模型相关资源：https://huggingface.co/ — 暂时无法访问
• 第三方资源：https://praat.org — 链接可访问（HTTP 200）
• 第三方资源：https://zenodo.org/doi/10.5281/zenodo.591533 → https://zenodo.org/records/21891531 — 链接可访问（HTTP 200） 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，这篇解读要保留什么？

这篇解读的输入是论文原文提供的文字证据与两张官方原图像素，目标是让刚进入语音、音乐与音频领域的研究生能够核对关键事实并复述完整方法。必须保留的信息包括研究对象为何限定为问句、比较了哪些语音来源、自动判断升降的具体操作、验证方式、实验条件是否一致，以及支持结论的关键数字与其限制。输出按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲构造与推理过程，接着讲实验条件，最后讲结果、反证与复现要点。

全文只讲论文实际研究的任务，即同一短篇故事中疑问句韵律的对比评估。文中出现的教学例子会明确标为例子，不添加无来源的数值或效果。术语首次出现时会先用白话解释再给英文名，后文简称固定。作者开篇指出，文本转语音也就是把文字变成听起来自然的语音，近年因深度学习进展整体质量提升明显，常用平均意见分来评价。平均意见分指请听众打分再平均的做法。

但作者强调，整体分数高不等于细粒度韵律自然，特别是问句这类结构简单但语调有预期的句子仍可能不自然。选择有声书场景的理由是可及性需求大，听众更偏好真人声音的情感与故事感，因此改善韵律有实际价值。为了限制长上下文影响，作者选择独立短篇童话作为材料。理解这一点很重要，后续所有关于上升比例与音高范围的比较都应放在同一文本、同一批问句的平行比较框架下理解，而不是跨文本的泛化断言。

已有路线做了什么，本文与它们如何对照？

在相关工作层面，论文把已有尝试按输入、目标、监督与运行阶段做了区分。一条路线是对韵律做全局控制，例如控制时长或频谱倾斜，这类工作与本文同属合成语音的韵律改进，但目标更偏向可控性而非问句尾调是否符合语言学预期。另一条路线是自动预测音高与短语重音，或把韵律标注后的文本用于训练，这与本文在监督来源上最接近，因为都试图把抽象韵律信息引入系统。

但论文指出，那项工作使用的系统已显陈旧，而据作者所知，还没有近期研究评估现代端到端合成系统输出的细粒度韵律。本文的对照策略不是在同一数据集上重跑所有旧系统比拼分数，而是用同一故事文本生成平行语音，再用同一自动流程测量真人与合成的差异。这种对照的公平性来自文本一致与测量一致，差异可归因于语音来源本身。需要区分的是，本文没有训练新合成模型，也没有提出新的韵律控制算法，它的主要贡献是评估流程与实证发现。

把类别差异当成同条件胜负是常见误解，例如不能因为某系统整体平均意见分高就断定其问句韵律一定更好，本文恰恰用问句这一窄任务揭示整体质量与细粒度恰当性可能分离。对于初学者，记住同输入、同目标、同测量这 3 个对照要素，比记住具体模型名字更重要。

要回答的三个问题是什么？

论文提出 3 个研究问题。第一，能否用自动方法把句尾音高判为上升或下降，并且与人工标注者一致。第二，用该自动方法看，真人朗读者的问句模式是否与文献报道一致。第三，合成语音在朗读同一文本时是否复制了同样的模式。这里的问题组织方式值得学习，每个问题对应一个验证环节。

第一个问题管方法可信度，第二个问题管真人基准是否成立，第 3 个问题才是对系统的评价。如果跳过前两步，直接报告合成系统的上升比例，读者无法判断数字偏离是方法误差还是系统缺陷。论文还明确了语言范围是主流美国英语。主流美国英语指论文所依据的英语变体，其问句语调预期相对明确。Wh 问句通常被描述为陈述语调，句尾下降，最常见的轮廓被记为高降调。

ToBI 指记录语调事件的标注体系，包括音高重音、短语重音与边界调。是非问句通常被描述为疑问轮廓，句尾上升，最常见的轮廓被记为低升调。论文引用前人语料发现作为参照，Wh 问句多数下降，是非问句多数上升，但并非全部如此，真人本身也有变异。这个变异意识贯穿全文，作者在讨论中明确避免使用准确率或正确性等说法，因为真人也不总是产生预期模式，自动指标本身也不完美。

举例来说，例子：同样是问路，真人有时因角色扮演或强调而改变尾调，这不代表语法错误。因此后文所有比较都应理解为分布差异，而非逐句对错。

方法全景：从故事文本到升降判断走完哪几步？

沿一个样本走完全流程有助于建立整体图像。输入是短篇童话文本中被问号识别出的问句。表示阶段把每个问句切成独立音频片段，并标为 Wh 类或是非类。组件阶段对每段音频提取基频轮廓，只取后半段拟合一条直线，用斜率正负近似句尾升降，同时计算全句最大值减最小值得到音高范围。目标阶段把同一批问句分别来自真人、Kokoro 与 Fastspeech 2 的版本放在同一测量下比较。

输出是按来源与问句类型聚合的上升比例、平均范围，以及小样本人工验证与小规模自然度问卷。选择只看后半段的安排理由在原文有明确说明，因为问句前部可能出现额外高低调，只看后半段更可能抓住最后的核轮廓。去掉无声帧的理由是清浊音交替会导致基频无定义，不应让无定义帧左右斜率。先建立这个主路径，再看两张图的角色。

第一张图是语言学预期的示意图，第二张图是真实基频与拟合直线的实例，二者分别承担定义预期与展示近似是否合理的作用。

下面这段先说明第一张示意图要解决什么困惑，再给出原图，最后解释如何用它建立预期，初学者可按焦点步骤观察。

看图路径： 1. 先看上面板 Wh 问句从高位平台经虚线下降到低位平台的走向；2. 再看下面板是非问句从低位平台经两段虚线上升到高位平台的走向；3. 对照纵轴近似基频轮廓与横轴时间，确认只看形状不读具体赫兹数值；4. 记住 H 星号与 L 百分号等符号在两类问句中的首尾位置差异

论文图 1。原论文 Figure 1：“Schematics of F0 contours for two question types”。

这张图分为上下两板，上板对应 Wh 问句的高降轮廓，从左侧高位平台经虚线斜坡降到右侧低位平台，标注从高音重音到低短语重音再到低边界调。下板对应是非问句的低升轮廓，从左侧低位平台经两段虚线爬升到右侧高位平台，标注从低音重音到高短语重音再到高边界调。纵轴是近似基频轮廓，横轴是时间，图中没有具体赫兹数值，只能读形状方向。它的教学价值是把抽象符号变成可预期的斜率方向，Wh 问句预期后半段总体向下，是非问句预期后半段总体向上。

后文自动方法正是用后半段拟合直线的正负来对应这一预期。需要提醒的是，示意图不是实测数据，不能用来推断真实语速、停顿位置或音高绝对值。

两类问句如何切分与标注？

数据构造的第一步是得到可比较的问句集合。作者选用安徒生童话改编文本与对应有声书，朗读者为美式英语使用者。选择理由有两个，一是该故事出现在测试集中，更可能未被合成模型训练见过，二是独立短篇可避免长篇上下文对朗读者韵律的影响。文本来源是恢复了标点符号的版本，因此可用问号自动找出问句。音频切分先按句子级自动给出起止时间，但自动切分有错，第一作者用语音分析软件逐个重新切到真正的问句级别。

语音分析软件指论文使用的 Praat 工具。举例来说，例子：原文中问句后还跟着说了谁在问，只有引号内的部分被保留为待测片段。最终故事中共有 33 个问句，其中两句不属于两类，剩下 31 句进入分析，包括 22 个 Wh 问句与 9 个是非问句。这个数量决定了后文百分比的分母很小，特别是非问句只有 9 句，任何一两句的变化都会大幅改变比例。理解分母大小对解读结果波动至关重要。

Wh 问句 × 是非问句： Wh 问句指以 who、what、when、where、how 等疑问词开头、寻求具体信息的问句，分工是提供可预期的降调锚点；是非问句指只期待 yes 或 no 回答的问句，分工是提供可预期的升调锚点；二者搭配的理由是它们在主流美国英语中有方向相反的句尾模式，组合意义是让同一故事文本同时检验合成系统能否区分两种句法类型并给出不同语调，而不是只测整体是否自然。

切分完成后进入类型标注，Wh 问句与是非问句的区分依据句法形式，前者以疑问词开头，后者期待肯定或否定回答。标注后所有测量都按类型分别聚合，避免把两类预期相反的句子混在一起平均。若混在一起，上升与下降会相互抵消，无法看出系统是否区分了句法类型。

基频提取与升降判断具体怎么算？

对每个问句音频，作者先用概率阈值分布基频估计算法得到基频轮廓，该算法在论文中通过音频分析工具包实现。基频指每帧声带振动频率的估计值。语调指听者感知的整体起伏。由于无声辅音与停顿处基频无定义，拟合时先移除这些帧。然后只取问句后半段做最小二乘多项式拟合，得到最佳拟合直线。

最佳拟合直线指最能代表后半段整体走向的直线。原文描述的判定规则存在文字上的笔误倾向，但结合图表与结果可还原的实际操作是斜率为正判为上升，否则判为下降，后文实例也显示下行拟合对应降调标注、上行拟合对应升调标注。初学者应记住操作顺序是提取全句轮廓、截后半、去无定义帧、拟合、看斜率符号。平均音高范围的计算更直接，对每句取最大基频减最小基频，再按来源与类型平均。这个量不判断方向，只反映动态是否展开。

范围大可能更富有表现力，但也可能来自假声或角色扮演，因此不能单独作为好坏标准，必须与方向比例一起看。

基频 × 语调： 基频指声带振动频率的物理测量值，是本文用算法提取的客观信号，分工是给出每帧可计算的数值曲线；语调指听者感知的音高起伏模式，分工是决定问句听起来是升还是降；二者搭配的原因是基频是语调的近似可观测代理，组合意义是用后半句基频最佳拟合直线的斜率正负来近似判断句尾是升调核还是降调核，但作者也承认二者并不完全等同。

用斜率代替感知升降是一种近似，作者明确承认基频不等于音高主观感受，且整体上升但末端回落的情况会被误判。因此后文专门用人工标注验证这种近似在多大程度上可用，而不是默认它完全正确。

本研究训练了什么，没有训练什么？

本研究没有训练任何新的语音合成模型，也没有微调声码器或更新韵律预测器参数，因此不存在梯度路径、冻结与更新、监督损失或重置时机的报告。缺项需要明确指出，原文未给出两个系统的训练超参数、优化器细节与训练步数，本文的复现也不需要这些，因为任务是调用已有模型做推理评估。实际计算过程是把同一故事文本送入两个开源系统生成梅尔谱，再经各自声码器转成波形。

Kokoro 是轻量开放权重系统，采用端到端结构，包含文本编码器、韵律预测器与音高提取器等模块，经逆短时傅里叶变换网络把梅尔谱转成音频，训练只用非版权真人音频，但具体数据集未公开。Fastspeech 2 是前馈 Transformer 结构，带预测音高、时长与能量的方差适配器，本次实现用高保真生成对抗网络声码器，训练语料为单人朗读的非虚构数据集。

两个系统都可高效生成且可在模型托管平台获取，但本次核查中模型链接暂时不可达，不能写成当前可用，只有语音分析工具与音频工具包链接经核查可用。把无训练等同于确定性求解是误解，即使参数冻结，推理仍可能因采样、文本切分与音频拼接而有变异，本文未报告多次运行的稳定性，这是未验证的边界。

Kokoro × Fastspeech 2： Kokoro 指采用 StyleTTS 2 结构并经 iSTFTNet 声码器输出波形的轻量开源端到端系统，分工是代表带有韵律预测器和音高提取器的新一代模型；Fastspeech 2 指带方差适配器预测音高、时长和能量并经 HiFi-GAN 输出波形的前馈 Transformer 系统，分工是代表结构更固定、训练语料为单人非虚构朗读的对照路线；搭配理由是二者都可高效生成梅尔谱并公开获取，组合意义是在同一文本输入下比较不同韵律建模思路对问句尾调的实际影响。

理解无训练评估的关键是区分系统构建与系统使用，本文只做后者，所有关于韵律缺陷的结论都指向已有系统的输出行为，而不是某种训练方法的优劣。

评估协议如何保证文本一致与测量一致？

实验按问题组织。测什么，测句尾升降方向与音高范围。与谁比，与同一文本的真人朗读比，也在两个合成系统之间比。条件是否一致，一致在于三者朗读的是同一批从故事中切出的问句，测量流程完全相同。指标方向是上升比例越高表示越偏向升调，范围越大表示动态越展开，但好坏要按类型分别判断，Wh 问句预期下降多，是非问句预期上升多。

聚合对象是按来源乘以问句类型分组平均，不是按说话人或按故事章节平均。统计方法方面，验证环节用一致率与科恩卡帕系数，卡帕系数指校正偶然一致后的标注一致性度量。自然度问卷用五点量表从非常不同意到非常同意，再编码为数字。硬件预算与推理耗时原文未报告，这是缺项。验证集是 20 句真人问句的人工 ToBI 核轮廓，由 2 名训练有素的标注者完成，其中被标为上升的包括特定低起高边界组合，被标为下降的包括特定高起低边界组合。

问卷是从故事中随机选 11 个问句，招募 3 名母语但非韵律专家听众，每来源每问句由 2 人评分，评分前告知关注韵律自然度并给出自然与不自然示例。这种设计使自动指标、语言学标注与普通听感三方可以相互印证。

ToBI 标注 × 最佳拟合直线： ToBI 标注指用音高重音、短语重音和边界调符号记录核轮廓的人工标注，分工是提供语言学上认可的升降真值；最佳拟合直线指对后半句基频做最小二乘多项式拟合得到的直线，分工是提供可自动批量运行的升降代理；搭配理由是 ToBI 费时且在合成语音上是否可靠未知，组合意义是用小样本人工 ToBI 与自动斜率的一致性来验证自动方法是否足以支撑后续大规模比较。

协议的公平性依赖于切分到问句级与后半段拟合，若把整句拟合或把陈述句混入，方向统计会被前部重音污染。初学者复现时应先重放切分与后半截取，再谈模型优劣。

自动拟合的直线能否代表人耳听到的升降？

在看主结果前，先确认自动方法是否可信。图 2 给出两个真人实例，上板是 Wh 问句，下板是非问句，红色为实测基频，蓝色为后半段拟合直线。

下面这段先说明该实例图要验证什么，再给出原图，最后解释拟合与人工标注如何对应，观察时注意断裂与刻度差异。

看图路径： 1. 先看上面板红色基频折线在后半段的整体下行与蓝色拟合直线的下行是否一致；2. 再看下面板红色基频折线虽有断裂和抖动但蓝色拟合直线整体上行；3. 注意横轴单词切分虚线与纵轴赫兹刻度在两图差异很大，不可跨图比较绝对音高；4. 观察无声段造成的曲线断裂，理解为何拟合前要去掉无基频帧

论文图 2。原论文 Figure 2：“Actual F0 contours and corresponding Lines-of-Best- Fit (LoBF) of two example questions from the human orator”。

上板实例的拟合直线明显下行，对应人工标注的高降核轮廓，下板实例的拟合直线明显上行，对应人工标注的低升核轮廓。两板都显示红色基频存在断裂与局部抖动，上板后部音高走低，下板前部平稳后部波动但整体抬升。纵轴刻度差异极大，上板约在数十到一百多赫兹，下板可达数百赫兹，这与故事中角色扮演与假声有关，不能跨图比较绝对值。横轴标出单词边界虚线，说明拟合只看后半段时间。像素不能精确读出的斜率数值不应硬写，关键是方向一致。这个可视对应支撑了后文用斜率符号做批量判断的做法。

上升比例 × 平均基频范围： 上升比例指被判为句尾上升的问句占该类问句的百分比，分工是回答方向是否正确；平均基频范围指每句最大值减最小值后再按类别平均，分工是回答表达是否充分展开；搭配原因是只看方向会忽略平淡单调的问题，组合意义是同时检查类型区分度和表现力，Fastspeech 2 方向不区分且范围最小的结论正是靠这两个维度共同支撑。

定量验证显示，2 名人工标注者一致的 16 句中，自动判断与人工在 13 句上一致，一致率为较高水平，卡帕值为中等一致。分类型看，Wh 问句 11 句中对 9 句，是非问句 5 句中对 4 句。样本很小，特别是非问句只有 5 句可用于验证，因此不能把该一致率推广为通用精度。作者据此认为拟合斜率足以支撑本研究的比较目的，但仍在讨论中强调该指标不完美，这是有限解释而非完美证明。

三种声音的升降比例与音高范围差在哪里？

主结果按来源与类型分组。比较问题是合成语音是否像真人那样对两类问句给出相反方向。公平条件是同一批问句与同一自动流程。指标方向是 Wh 问句上升比例越低越符合预期，是非问句上升比例越高越符合预期，范围作为表现力参考。真人基准显示 Wh 问句上升比例约 30%，是非问句上升比例约近 80%，与文献报道的多数下降与多数上升一致。

Kokoro 在是非问句上多数上升，接近真人但略低，在 Wh 问句上却多数上升，与真人明显背离。Fastspeech 2 在两类问句上上升比例都不到一半且彼此接近，基本没有区分问句类型。范围上真人最高，特别是在是非问句上显著展开，Kokoro 居中，Fastspeech 2 最低，提示后者较为平淡。重提这些数字时需要增加机制视角，Kokoro 能部分产生升调但过度泛化到 Wh 问句，Fastspeech 2 则像是学到了平均轮廓而非条件轮廓。

表后解释需要同时给出主要收益与具体代价。Kokoro 的收益是是非问句多数上升，保留了疑问轮廓的大方向，代价是 Wh 问句误升近 60%，且范围只有真人约七成到 30%，表现力打折。Fastspeech 2 的反例更典型，两类上升比例几乎相同，范围最小，说明数据驱动虽能发出可懂语音，但未学到按句法类型切换尾调的细粒度规则。未胜出项是 Fastspeech 2 在两类上都未胜出，未评测边界是商业系统与为虚构朗读专门优化的开源系统未纳入，不能把结论推广到所有合成语音。

验证一致性与听感打分是否支持同一判断？

这一节把论文特有的两类细节放在一起，一是人工与自动的一致性分解，二是普通听众的自然度打分，二者共同构成对主结果的反证与补充。先看一致性分解，验证集共标注 20 句，其中 2 名标注者一致的 16 句进入计算，Wh 问句占多数，是非问句很少。这种不平衡意味着总体一致率主要反映 Wh 问句的表现。分歧案例包括人工判下降但自动判上升，以及人工判上升但自动判下降，说明斜率法在边界抖动与末端回落时都会犯错。

若把验证集扩大到合成语音或更多是非问句，一致率可能变化，这是未测边界。再看听感，真人平均分最高，Kokoro 居中，Fastspeech 2 最低且方差较大。听感方向与自动指标方向一致，真人既区分类型又展开范围，得分最高，Fastspeech 2 既不区分又范围最小，得分最低。但听感不能当成方向准确率，它回答的是是否自然，而不是升降判对了多少。

续看听感打分，问题是普通听众是否觉得合成问句自然。条件是随机 11 问句，每问句每来源 2 人评分，五点量表。方向是分数越高越自然。结果是真人最高，Kokoro 中等，Fastspeech 2 最低。这种排序支持自动指标揭示的差距不是纯算法假象。但代价是样本仅 11 问句与 3 名听众，且听众被提前告知关注韵律并看过示例，可能放大对不自然尾调的敏感度。

表后需要点明未胜出项与负结果。Fastspeech 2 在听感上未胜出，且其范围最小与方向不区分相互印证。Kokoro 虽听感中等，但 Wh 误升问题未被听感分数掩盖，说明中等分数不等于细粒度正确。未评测边界包括未测量误判率、延迟与成本，因此不能承诺这些量得到改善。

哪些结论不能下，缺了哪些证据？

区分直接报告、有限解释与未验证推测很重要。直接报告的是在该故事、该切分、该自动流程下，3 种声音的上升比例、范围与小规模听感排序。有限解释是 Kokoro 学到了部分疑问韵律但未稳定复制两类模式，Fastspeech 2 基本未区分类型，这一解释得到方向与范围双维度支持，但仍受小样本限制。未验证推测包括商业系统会更好、为虚构朗读优化的系统会更好、引入显式韵律建模一定能修复问题，这些在原文只是未来工作设想，没有数据支撑，应使用可能或待验证的表述。

缺失证据不是技术错误，但必须列出具体缺项。第一，是非问句仅 9 句，验证用是非问句仅 5 句，听感仅 11 句，统计不确定性大。第二，故事有角色扮演与假声等特异风格，朗读者虽总体为美式英语，但非典型片段会影响基频提取与标注难度，换故事结果可能变化。第三，Fastspeech 2 训练于非虚构单人语料，用于朗读虚构故事可能先天不利，不能据此否定该结构在匹配域的表现。第四，未报告训练资源、推理开销与延迟，总体趋势不等于每组每步都成立。

原文表述与自动表格之间若出现行列缺失，应以连续原句为准，不自行拼凑划分或聚合口径。本文解读为此只使用连续原句建表，不猜被省略的内容。

要复现这项评估，先做什么，需要什么？

复现应按依赖顺序推进。第一步拿到故事文本与音频，文本需是恢复标点的版本以便用问号定位，音频需保留句子级时间戳以便初切。第二步用语音分析工具把自动句子切分修正到问句级，只保留引号内的疑问部分，并标为 Wh 或是非，记录总数与分母，特别注意是非问句很少，任何切分差错都会显著改变比例。第三步对每段问句用相同基频算法提取轮廓，统一采样与参数，只取后半段，去掉无定义帧后拟合直线并记录斜率符号，同时记录全句最大减最小得到范围。

第四步用同一流程处理真人与两种合成输出，合成时输入文本完全一致，避免因标点或分段不同引入差异。第五步做小样本人工核查，请受过训练的标注者独立标注核轮廓，计算一致子集上的一致率与卡帕系数，确认自动方法可用。第六步做小规模听感问卷，随机抽问句，每来源每句 2 人评分，提前统一指导语与示例。关键超参数与信息条件方面，原文未给出合成模型的推理参数与基频提取阈值，这是复现必须补记的缺项。

代码开源、权重下载与系统可运行需要区分，原文引用了公开托管与工具官网，但本次核查显示模型链接暂时不可达，只有语音分析工具与数据工具包链接可用，因此复现前应先确认权重可达或选用本地等价版本，并固定版本号。何时值得尝试这种评估，当你的系统整体分数已不错但用户仍抱怨问句别扭，或你想比较不同韵律模块对句尾的影响时，这种窄任务评估比整体打分更敏感。

综合判断：整体好听是否等于问句正确？

综合全部证据，回答是整体好听不等于问句尾调正确。真人用约 30% 上升处理 Wh 问句、用近 80% 上升处理是非问句，范围展开充分，听感最高。Kokoro 在是非问句上保留了多数上升，但在 Wh 问句上多数误升，范围居中，听感中等。Fastspeech 2 两类上升比例相近且范围最小，听感最低。这组对照说明数据驱动的韵律学习能带来可懂且在一定程度上自然的语音，但在需要按句法类型切换升降的细粒度处仍不可靠。

论文特有的误解需要澄清。第一，示意图的高降与低升是常见轮廓而非铁律，真人也有变异，因此不能用准确率审判每一句，只能比较分布差异。第二，拟合直线上升不等于听感上升，它只是可批量计算的代理，其可信度依赖于小样本验证的中等一致，不能推广为通用精度。第三，平均范围大不等于质量高，假声与角色扮演也会拉大范围，必须与方向一起解读。第四，无训练不等于无变异，推理切分与采样仍可能带来波动，未做重复运行就不能谈稳定性。

未来验证应补足更大故事集、更多是非问句、合成语音的人工标注、匹配域的对照系统，以及延迟与成本测量。只有补齐这些，才能判断显式韵律建模是否真能修复问句尾调，而不只是让整体分数再涨一点。

⚖️ 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