提示词比性别更能改变播客节奏：NotebookLM 双人播客的语速与停顿实测

英文题目：Rhythm Variability in NotebookLM Podcasts

会议身份：conference:speechprosody:2026:conference-paper-id:saloev26_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：#教育 #统计分析 #韵律 #语音 #语音属性识别

评分：4.2/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 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 0.1/0.5 | 工程/实践 0.4/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Artem Saloev：机构信息未能从会议 PDF 纯文本可靠映射
• Nicolas Ballier：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入教学用PDF文档与面向不同受众的提示词，输出NotebookLM生成的男女双人播客音频，难点在于闭源生成链路不可见且语速停顿与说话人身份相互纠缠难以归因。方法链先以默认、中小学生教育型、大学研究型三类提示生成五十余个播客并保留具典型男女双声的样本，再用Whisper-X说话人分离标注切分男女声轮次并经人工校验剔除幻觉音色，接着用De Jong和Wempe基于Praat的音节核算法提取语音率与发音率并以线性混合效应模型检验提示与性别效应。与已有韵律研究相比，该文把提示词当作听众顺应的操纵变量并在对话进程上检验趋同。在播客语料任务下，女性声音的语音率指标为4.17音节每秒，高于男性声音的语音率指标3.98音节每秒。研究型提示下发音时长系数为-1664.84且显著而教育型提示系数为-1822.73仅边缘显著，语音率与发音率的固定效应均不显著且轮次进程斜率微小。该结论适用边界受限于所采英语教学类文档与默认一男一女双主持形态，换文档换语言或换音色库后外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://ilk.uvt.nl/timbl/ → https://languagemachines.github.io/timbl/ — 链接可访问（HTTP 200）
• 第三方资源：https://doi.org/10.21437/Interspeech.2023-78 → https://www.isca-archive.org/interspeech_2023/bain23_interspeech.html — 链接可访问（HTTP 200）
• 第三方资源：https://gebnlp-workshop.github.io/ — 链接可访问（HTTP 200）
• 第三方资源：https://www.latent.space/p/notebooklm — 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，要解决的教学问题是什么？

本文的输入是谷歌 NotebookLM 的音频总览功能生成的英语双人播客，输出是对这些合成播客的节奏测量与解释。研究者不是在训练新的语音合成模型，也不是在做听感自然度打分，而是把已部署的教育应用当作待测对象，追问它能否通过定制提示词面向不同听众调整语速与停顿。对于刚进入语音领域的读者，关键背景是这类播客默认由 1 男 1 女两个主持人格轮流说话，常被教师直接拿来做听力或科普材料。如果面向中小学生的版本仍然和默认版本一样快，语速本身就会成为学习障碍，因此节奏是否可控是一个真实的教学条件问题。

作者交代的输出包括三部分。第一是播客层面的音节速率与发音速率，第二是经说话人日志切分后的男女声轮次速率与发音时长占比，第三是用混合效应模型与记忆分类器检验提示词类别与性别哪个更能预测节奏。本文必须保留的信息是样本量与分组方式、测量工具链、 diarization 幻觉的处理方式，以及哪些效应显著、哪些不显著。后续所有方法与结果都围绕这条链条展开，读者复述时应先说清从提示词到播客音频再到速率数字的完整路径，再进入具体组件。

同类节奏研究在比较什么，为什么本文只选音节速率？

在语音与音乐生成领域，节奏控制有两条常见路线。一条是文本到音乐模型用每分钟节拍数或和弦进行节奏约束，另一条是文本到语音与声音克隆系统显式加入语速特征，例如用自监督音素识别统计每秒共鸣音数量，再把该全局语速送入转换模型。说话人表征研究也发现加入节奏信息有助于区分说话人，相关编码器会把基频、能量与时长一起作为条件。作者把这些工作列为同输入不同目标的参照，说明节奏可控在合成领域已被重视，但教育播客这种长对话场景的实测仍然很少。

在节奏度量传统上，从早期语言节奏相关研究到 Correlatore 等工具箱，已经发展出大量基于元音间隔、辅音间隔与成对变异指数的指标。作者明确做了取舍，只采用最标准的基于音节的语速指标，理由是不知道强制对齐在 NotebookLM 这类人工声音与特殊共振峰上的可靠性。换句话说，作者宁愿用经过长期检验的音节核检测来保证可复现，也不引入需要音素边界的复杂节奏指标。这一选择直接决定了后文只报告言语率与发音率，而把平均音节时长视为发音率的数学冗余而不单独建模。

三个研究问题如何对应可测量的量？

第一个问题是面向特定听众的提示词是否改变节奏以及如何改变。作者的假设是会话智能体应顺应提示词中描述的目标听众，因此提示词变量应比性别变量与播客间输入文本变量更重要，且在同一听众组内输入文档不应成为主要变量。操作化之后，该问题对应比较默认提示、中小学生提示与大学语言学专业提示 3 组播客的发音时长、言语率与发音率。

第二个问题是声音呈现是否存在性别偏差，对应女性发音时间占比、开场首轮性别比例，以及男女声速率是否存在系统差异。第 3 个问题是男女声之间是否出现相互适应，对应把速率按归一化轮次位置展开，观察两条轨迹是平行稳定还是随对话推进而收敛或分离。

理解这 3 个问题时要注意作者的措辞分寸。提示词有效应是一个待检验的假设而非既定功能，因为 NotebookLM 是闭源系统，外部无法看到模型表征，只能从输出反推。性别偏差在这里不是指合成音质好坏，而是指时长分配与速率设定是否对称。适应也不是指说话人互相听见对方再调整，而是指生成系统是否在整体规划中让两个人格表现出类似人类的趋同。把问题翻译成可测量的量之后，才能读懂后文为什么既做组间回归又做轮次内曲线。

从提示词到速率数字的全链路是怎样的？

完整链路可以沿一个样本走一遍。研究者先选定一份源文档并配上一句面向特定听众的提示，例如向中小学生解释主题或向大学语言学专业学生解释主题，送入 NotebookLM 生成一个双人播客音频。默认提示对应最初无定制功能时的实现，作为对照组。生成完成后，音频先经过基于 Praat 的音节核检测得到全片层面的言语率与发音率，再经过 Whisper-X 的说话人日志切分为男声轮次与女声轮次，分别计算每个轮次的速率与发音时长。最后所有轮次数字进入混合效应模型与记忆分类器，回答提示词与性别的预测力以及轮次推进效应。

这条链路中有两个容易混淆的分支需要分清。一支是文档层面测量，不区分说话人，只给出整个播客有多快；另一支是轮次层面测量，区分男女声人格，给出谁说得多、谁说得快。文档层面适合回答提示词是否让整期节目更简洁，轮次层面适合回答性别分工与适应。作者只保留观测到两个典型声音的播客做人格分析，把混入第 3 个声音的样本另行讨论，这种筛选是为了让男女声人格的定义保持原型意义。记住这一筛选，后文样本量从 51 变为 41 就不会感到矛盾。

言语率与发音率各自算什么，如何配合？

白话来说，言语率是连停顿一起算的语速，发音率是把停顿抠掉之后只算真正说话那段时间的语速。前者英文为 speech rate，定义为检测到的音节数除以声音文件的全部时长；后者英文为 articulation rate 或 phonation rate 语境下的发音速率，定义为音节数除以剔除停顿后的发声区间时长。作者使用的工具是德容与温佩算法的 Praat 脚本，通过能量峰与有声性检测寻找音节核，再统计单位时间的音节数。作者特别说明没有采用新版中专门统计填充停顿的脚本，因为这类合成语音中可观察到的填充停顿非常有限。

言语率 × 发音率： 言语率负责度量包含全部停顿在内的整体语速，分母是声音文件的全部时长；发音率负责度量剔除停顿后的纯发音速度，分母只是实际发声区间。二者搭配的理由是只有同时看两者才能区分变慢是因为停顿变多还是因为音节本身拖长，组合后新增的作用是把节奏变化分解为停顿策略与咬字速度两个可分别检验的通道。

举一个教学例子帮助理解分工。假设两期播客都是 1 分钟检测到 240 个音节，言语率都是每秒 4 个音节。如果第一期停顿总长 10 秒而第二期停顿总长 20 秒，那么第一期的发音率是 240 除以 50 秒，第二期的发音率是 240 除以 40 秒，前者反而更慢。这说明只看言语率会把停顿策略与咬字速度混在一起。本文后续发现提示词主要影响发音时长而非速率，正是依赖这种分解才得以成立。例子中的数字仅为解释分工而设，不是本文实测值。

说话人日志与性别比如何从波形走到比例？

白话来说，说话人日志就是回答每 1 秒是谁在说话，英文为 diarization；性别比就是回答女声说了百分之多少，英文为 sex ratio。本文使用 Whisper-X 实现来完成日志，把播客切分为归属于男声人工智能声音与女声人工智能声音的轮次。计算时作者统计发音时间意义上的时长占比，而不是轮次个数占比，因为长轮与短轮对听众负担的影响不同。此外作者还计算开场性别比，即第一轮由女声开启的播客比例，用于捕捉首因效应可能带来的策略重要性。

说话人日志 × 性别比： 说话人日志负责把连续播客切分为属于男声人格与女声人格的轮次，分工是回答谁在何时说话；性别比负责把切分结果汇总为女性发音时间占总发音时间的比例，分工是回答话语权如何分配。二者搭配是因为没有轮次归属就无法计算比例，组合后可以同时检验开场首轮性别与全片时长占比两种不平衡。

这一组件的难点在于合成播客并非完全干净的双人对话。作者报告 diarization 在部分文档上幻觉出额外说话人，经 2 位标注者其中 1 位为语音学专家核对听辨后确认为误检或片头片尾插入的第二个男声。重要细节是说话人数量虽被误检，但性别归属经人工核查是正确的，因此后文报告的性别时长比例仍然可用。复述时要强调数量幻觉不等于性别错分，这是作者敢于保留性别比结论的前提。

本研究训练了什么，没有训练什么？

本研究没有训练任何神经网络，也没有微调 NotebookLM、Whisper-X 或 Praat 脚本中的参数。所有模型都是以既有推理方式被调用。NotebookLM 作为闭源生成系统只承担播客音频生成，Whisper-X 只承担转写与说话人切分，德容与温佩脚本只承担音节核计数。研究者真正拟合的是解释观测数据的统计模型，即用 R 语言的线性混合效应包估计性别与提示词类别对发音时长、言语率与发音率的影响，以及用记忆学习器做提示词类别的分类验证。

线性混合效应模型 × 播客编号随机截距： 线性混合效应模型负责同时估计性别与提示词类别等固定效应的平均作用；播客编号随机截距负责吸收每个播客自身基线长短与主题差异，分工是处理同一播客内多个轮次重复测量带来的相关性。二者搭配可以避免把某个播客特别长误读为某类提示词的普遍效应，组合后得到的是控制播客个体差异后的提示词与性别效应。

具体到回归设定，主要因变量是发音时间，固定效应包括性别与提示词类别，随机截距包括播客编号以处理同一播客内重复测量。进一步的模型把归一化言语率与归一化发音率作为因变量，加入归一化轮次位置考察随对话推进的时间动态。分类任务则用全部轮次的言语率与发音率等数值特征预测播客属于哪类目标听众，采用留一法与近邻数为 5 的记忆学习器。由于没有神经网络训练，就不存在梯度路径、参数冻结与早停问题，复现重点是统计模型的随机效应结构与归一化方式是否与原文一致，而不是去寻找某个检查点。

样本、分组与聚合口径如何保证可比？

实验的起点是 3 类提示词的划分。默认组对应无定制时的初始实现，教育组面向中小学生，研究组面向大学语言学专业学生。作者的先验是面向学生群体的播客会更慢，但该方向性假设只用于提出问题，不直接决定统计的显著性判断。3 组样本量并不均衡，分析时把提示词类别与性别同时作为固定效应，并以播客编号为随机截距，从而在控制播客个体差异后比较组间效应。速率在需要跨播客比较时做了播客内归一化，以消除单期节目整体偏快或偏慢带来的干扰。

在理解下表时要先提出比较问题。3 组播客的数量是否足以支撑组间比较，默认组是否为公平的对照基线，聚合对象是播客还是轮次。下表整理 3 组样本量与总量，指标方向是数量越多估计越稳定，但不代表内容难度一致。作者在局限中承认没有控制源文档的选择效应，即不同提示词可能搭配了不同难度的输入文档，这是本设计最大的混杂来源。

上表显示 3 组样本量分别为默认 12、教育 19 与研究 23，总量为 51 个播客，支持提示词是主要分组变量的判断。但代价是组间样本不均衡且输入文档未正交，任何提示词效应都可能是文档难度与提示词共同作用的结果。未胜出的对照是同一份文档配 3 种提示词的理想设计，本文没有做到，因此提示词效应的因果解释只能表述为支持而非证明。此外人格分析进一步筛选为 41 个具有典型双声的播客，意味着部分结论的聚合对象已从 51 变为 41，引用数字时必须注明口径。

diarization 幻觉与性别时长分配显示了什么？

先看 diarization 的可靠性，这是所有性别结论的地基。作者用混淆矩阵比较 Whisper-X 预测的声音数量与人工听辨的真实数量，发现 7 个文档出现幻觉，准确率为 86%。幻觉出的额外声音全部为男声，常出现在开头或结尾，作者用 WinPitch 窄带语图证明同一词组由两个不同男声说出时基频与共振峰结构明显不同，从而排除同一人内部波动的解释。这一质性证据的意义在于把数量误检与性别错分切割开，保住了性别比的可信度。

导读下面这组语图时，应先把左右两幅当作同一词组的不同发音样本，横轴是时间，纵深条纹是共振峰能量，底部红线是基频，绿色包络是发音能量。

看图路径： 1. 对比左右两幅窄带语图中共振峰横条纹的粗细与间距差异；2. 沿底部红色基频线比较左侧标准男声与右侧额外男声的高低位置；3. 观察中间静音间隙两侧绿色能量包络是否都对应同一词组发音；4. 确认该声学差异被作者用作存在第三个说话人而非同一人波动的证据

论文图 1。原论文 Figure 1：“WinPitch narrowband spectrogram comparison of “deep learning” by two distinct male voices. Note how the ex- tra speaker has a lower F0 value (red line).”。

上图左右分别为标准男声与额外男声说出深层学习一词的窄带语图，可见右侧额外说话人的红线基频位置更低，且共振峰横纹的分布与左侧不完全重合。结合片头片尾常出现第二个男声的听感，作者判断这是真实插入的不同声音或系统幻觉出的新身份，而非同一说话人的偶然起伏。该解释支持后文只保留双声原型的 41 个播客做人格分析，同时保留全部样本的性别时长比例。像素不能精确读出的基频数值不应硬写，只需报告高低相对关系。

再看性别时长分配，女性发音时间占比在 3 类提示词下都接近一半，教育组最高，研究组与默认组略低，但按说话人与提示词计算性别比时未发现提示词的显著效应。开场轮的性别分布为 28 期男声开场、23 期女声开场，女性开场比例约 45%。这意味着默认提示下男女声话语量大体相当，没有出现一方被系统性压缩的偏差。下表把数量幻觉、样本筛选与性别分配放在一起，便于核对口径。

导读下面的柱状图时，应先确认横轴为 3 类提示词，纵轴为女性言语比例，虚线为 0.5 均分线，三根橙色柱体分别对应默认、学校与大学组。

看图路径： 1. 先看横轴三类提示词与纵轴女性言语比例的对应关系；2. 比较三根橙色柱体与 0.5 虚线的高低，判断哪类最接近均分；3. 注意默认提示词柱体略低于 0.5 而学校组略高于 0.5 的细微差别

论文图 2。原论文 Figure 2：“Female phonation time ratios across prompt cate- gories. Bars indicate the proportion of total phonation time spoken by the female personae within each prompt type.”。

上图显示三根柱体都紧贴 0.5 虚线，默认组略低于虚线，学校组略高于虚线，大学组基本压线。这一视觉印象与正文表述一致，即女性占比在教育类别最高但总体差异细微，且提示词类型未带来显著的性别比变化。结合开场 45% 女性首轮的数字，可以报告为未发现明显的时长性别偏差，但不能推广为语用角色平等，因为轮次功能与打断模式并未测量。

提示词与性别谁更能预测发音时长与速率？

核心定量结果来自以发音时间为因变量的混合效应模型。性别主效应不显著，提示词类别显著。相对于默认类别，研究型提示平均缩短约 1664.84 毫秒且在 0.05 水平显著，教育型提示平均缩短约 1822.73 毫秒且在 0.065 水平边缘显著。随机截距方差显示播客间存在中等程度的个体差异，但不足以淹没提示词的方向性效应。作者据此判断提示词的内容与听众指向对发音时长变异的影响大于说话人性别。预测发音时间的交互图进一步显示男女声两条趋势线几乎平行，都是默认组最长、另两组更短，说明时间压缩策略对两种人格同样适用。

与发音时长的显著效应形成对照的是速率指标的零结果。以播客为随机截距分别建模言语率与发音率时，性别与提示词的固定效应均不显著，播客层面保留中等变异。换句话说，提示词改变的是说了多久与停顿如何分布，而不是每秒音节数本身。记忆学习器用全部轮次的言语率与发音率预测 3 类播客时在留一法下达到完全正确，但特征贡献排序显示播客编号最强、停顿数次之、性别最弱。这一看似矛盾的高准确率应理解为轮次集合携带了播客身份信息，而非速率本身具有很强的听众区分度，引用时必须同时报告该排序以免误读为节奏决定听众类型。

上表综合了显著与不显著两类结果，主要收益是提示词对发音时长的预测力，代价是速率指标未能复现同样的组间差异。未胜出项是性别，无论在发音时长还是速率模型中都不是显著预测因子。反例是原始均值上女性每秒 4.17 个音节高于男性 3.98 个音节，但该均值差在控制播客随机效应后不再显著，说明直接比较均值与混合模型结论不可互换。复述时必须区分描述性均值与模型推断，避免把 4.17 与 3.98 写成性别效应的证据。

把轮次展开后，趋同与分离分别出现在哪里？

作者把归一化轮次位置从 0 到 1 作为横轴，分别绘制归一化言语率与归一化发音率的平滑轨迹，以检验会话中的适应。总体印象是两种速率在全程都相对稳定，斜率很小，意味着随着播客推进并没有系统性的加速或减速。分性别看，言语率的两条轨迹几乎平行且置信带大面积重叠，支持男女声在使用停顿的整体策略上相互对齐。发音率则在尾段出现轻微分离，男性人格的曲线向上抬升，提示在播客结尾处男声的纯发音速度更快。作者将前者表述为发音层面的趋同证据，将后者表述为发音率层面的性别分化，措辞上属于有限解释而非因果证明。

导读下面左右两幅曲线时，应先确认左为发音率、右为言语率，蓝色为男声、橙色为女声，阴影为 95% 置信区间，横轴为归一化轮次位置。

看图路径： 1. 先确认横轴为归一化轮次位置 0 到 1，纵轴为播客内归一化速率；2. 对比左侧发音率面板中蓝色男声尾段上扬与橙色女声平稳的分离；3. 对比右侧言语率面板中两条曲线更为平行且置信带大面积重叠的现象

论文图 4。原论文 Figure 4：“Normalized speech and articulation rates across pod- cast progression by gender.”。

上图左幅显示蓝色男声轨迹在尾段明显上扬而橙色女声保持平稳，形成轻微分离；右幅显示两条轨迹起伏更小且平行，置信带重叠更多。结合平均归一化速率集中在 0.64 到 0.73 之间且斜率接近零的表格描述，可以支持节奏整体稳定、停顿策略趋同、尾段发音速度轻微分化的三点判断。像素无法精确读出的逐点数值不应硬写，结论应限定为趋势而非每一步都成立。未评测的边界是打断、重叠与话轮转换处的局部适应，本文只检验了跨轮次的平滑趋势。

声学人格 × 语流趋同： 声学人格负责指代播客中被呈现为固定男主持与女主持的两套声音身份，分工是提供可纵向追踪的发音主体；语流趋同负责描述两者语速随轮次推进而相互靠近的现象，分工是检验对话智能体是否模仿人类会话中的相互适应。二者搭配才能提出只有人格稳定才可谈趋同的问题，组合后把跨轮次的速率曲线变成了检验智能体是否被设定为相互适应的证据。

从可证伪角度看，如果系统真的没有设计适应，两条曲线应保持各自基线而不出现平行移动；实际观测到的言语率平行与发音率尾段分离恰好构成一正一反的对照，说明不能用单一的趋同概括全部节奏维度。这一细节对复现的启示是必须同时绘制两个指标，缺其一就会得出片面的趋同或分化结论。

哪些混杂与测量边界限制了结论的推广？

最明确的局限是输入文档效应未被控制。作者承认没有对每份文档实施 3 种提示词的正交设计，因此研究组更短可能是因为大学材料本身更凝练，也可能是因为提示词要求更简洁，两者无法分离。任何复现若想加强因果解释，第一步应固定同一批文档分别生成 3 类播客，再重新估计提示词效应。第二个局限是 diarization 幻觉与额外男声的存在，虽然性别归属经核查无误，但轮次边界误差仍会传导到轮次级速率与停顿计数中，尾段效应的估计尤其需要稳健性检验。

神经音频编解码器 × 帧率： 神经音频编解码器负责把语言模型输出的离散表征还原为可听波形，分工是决定声音质感与时间分辨率的合成后端；帧率负责规定每秒用多少帧来表示音频，分工是决定节奏细节能被保留到多精细。二者搭配是因为编解码器的帧率可能平滑掉部分语速波动，组合后提出观测到的节奏相对齐一可能部分来自合成后端而非对话策略的待验证解释。

第 3 个局限与测量工具有关。作者依赖音节核检测而未使用需要音素边界的复杂节奏指标，也未采用新版填充停顿脚本，这保证了在合成声音上的可运行性，但代价是无法讨论重音、语调与填充词层面的适应。作者还提出帧率假设，认为合成后端每秒 12.5 帧的设定可能带来节奏齐一化，观测到的男女声标准差均为 0.90 而高于文献中美国英语 0.50 的报道，既可能反映合成语音变异更大，也可能反映测量口径不同，不宜直接写成合成语音更不自然。此外训练资源、推理延迟与输出帧率的实际听感代价均未测量，不能从速率数字推定学习效果改善。

要复现这项测量，先准备什么，再核对什么？

复现的第一步是重建生成条件。准备同一主题的多份源文档，为每份文档撰写 3 类提示词文本并记录版本号，因为 NotebookLM 为闭源服务，提示词措辞与生成时间的微小差异都可能改变输出。生成时记录每个播客的提示词类别、源文档标识与生成日期，目标是得到默认、教育与研究 3 组可追溯的音频集合。若只能获得少量播客，应优先保证同一文档覆盖 3 类提示词，而不是盲目扩大文档数量，这是针对原文最大混杂的直接补救。

第二步是重建测量链。用德容与温佩的 Praat 脚本计算文档层面的言语率与发音率，保留音节数、总时长与发声时长 3 个中间量以便核对除法口径。用 Whisper-X 做说话人日志后，必须安排人工听辨核对说话人数量与性别归属，尤其检查片头片尾是否出现第二个男声，并记录保留双声原型的筛选标准。回归时在 R 中以播客编号为随机截距，以性别与提示词类别为固定效应，先复现发音时长的显著模式，再检验速率的零结果。

分类验证时使用留一法与近邻数 5 的记忆学习器，并报告特征贡献排序而非仅报告准确率。文中涉及的外部工具在正文开源声明之外可通过公开链接获取，蒂尔堡记忆学习器当前可用，Whisper-X 的论文链接当前可用，相关性别与语言研讨会页面当前可用，这些可用性仅指本次核查到的链接可达，不代表代码与权重可直接运行。

何时值得借鉴这套做法，还需补哪项验证？

当教学团队已经决定使用 NotebookLM 类双人播客做补充材料，且关心不同年龄段听众的接受负担时，这套做法值得借鉴。它的价值不在于证明某类提示词一定更慢，而在于提供一套可操作的检查单。用音节速率区分停顿策略与咬字速度，用性别比检查话语量是否失衡，用轮次曲线检查结尾是否突然加速。原文的直接报告是提示词对发音时长的影响大于性别，支持的判断是系统在停顿使用上表现出对目标听众的顺应，有限解释是男女声在发音层面趋同而在尾段发音率上分离，待验证的是这种顺应是否真正提升理解而非仅仅缩短时长。

还需补的验证有三项。第一是同一文档的三提示词对照，以分离文档难度与提示词效应。第二是听众侧的理解与认知负荷测量，因为声学更快或更短不等于学得更好。第三是韵律多维度的扩展，包括基频、能量与话轮转换处的局部 entrainment，以确认节奏之外的适应是否存在。常见误解是把留一分类的完全正确当作节奏决定听众类型，实际上播客编号的强预测力提示身份泄露，节奏本身的组间效应在回归中并不显著。

另一个误解是把无显著性别效应读成无性别问题，本文只检验了时长与速率，未检验角色分配、打断与专业权威感等语用维度。带着这些边界去使用，方能把 1 次声学实测转化为负责任的教学决策。

📐 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 4 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