疑问句里的重音为何变了形：人类会换声调策略，合成语音却只用陈述句一套

英文题目：Would a human sound like that?: Acoustic correlates of focus in human and synthetic speech

会议身份：conference:speechprosody:2026:conference-paper-id:sheppard26_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 #模型比较 #韵律 #语音 #语音合成

评分：5.6/10 | 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 0.8/1.5 | 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

• Brooklyn Sheppard：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为标注焦点词的陈述句与极性问句微对话文本，输出为人类与合成语音焦点韵律是否一致的判定，难点在于问句高边界调与焦点重音相互作用且问句在训练数据中属长尾。首先在隔音室以44100Hz录制10名人类朗读54组微对话，并用Parler-TTS生成10个女性音色的平行合成集以控制性别与强调标注。接着经蒙特利尔强制对齐器切分词级时长并提取语速与平均及最大强度及F0勒让德前三系数，F0经插值并转为说话人归一化半音。然后以贝叶斯逻辑回归建模语音来源与句类与各声学预测因子交互，用95%可信区间是否含零判断焦点预测效应及句类差异。与已有仅看F0或仅看陈述句工作不同，该文同时检验语速强度与音高形状并跨句类比较，揭示合成语音以陈述式实现跨句类同质化的机制缺陷，对依赖合成语音沟通者意义重大。在对比人类朗读与合成语音跨陈述句与问句的评测条件下，合成语音的最大强度指标以95%可信区间不含零为聚焦正效应，高于人类语音的最大强度指标以95%可信区间包含零为无聚焦效应。该结论适用边界受限于朗读式标准北美英语、10人且性别高度偏斜样本及尚未验证感知有效性与自发对话外推，失败条件包括录音强度变异与问句韵律多样性不足。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://github.com/huggingface/parler-tts — 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

人类为什么要用重音来纠错？

输入是本篇解读的任务边界与学习目标。论文研究的是对比性焦点，也就是说话人加重某个词来澄清或纠正信息的意图，例如甲说玛丽喂了羊，乙反问是利亚姆喂了羊吗，甲再强调玛丽喂了羊。目标读者是刚进入语音领域的学生，需要能复述人类与合成语音在陈述句和极性问句中实现这种意图时用了哪些声学手段、实验如何保证可比、统计如何下判断。保留的信息包括人类录音条件、合成模型的控制方式、词级声学特征定义、贝叶斯逻辑回归的交互结构，以及按句型和语音来源分组的可信区间结论。输出是一套可核对的方法复述，聚焦声学手段与可比设计。

白话先讲意图，再给术语。对比性焦点用英文是 contrastive focus，指把句子中被误解或需对照的部分挑出来加重。显著度用英文是 prominence，指这个词在声音上听起来更突出。日常例子是嘈杂环境中朋友听错了主语，你会把主语说得更慢、更高或更用力。论文关心的就是这种加重在基频、强度和语速上到底如何体现，以及文本转语音模型能否照着做。

对比性焦点 × 显著度： 对比性焦点解释交际意图的分工：说话人要澄清或纠正听者听错的那个词；显著度解释声学实现的分工：让该词在语速、强度和 F0 上更突出；二者搭配的理由是意图必须落到可测量的语音变化上，组合意义是本研究把是否被聚焦当作因变量，把声学特征当作预测该意图的证据。

论文的动机与依赖语音合成的人群有关。韵律承载语用意图，语气会影响可信度和误解风险。对于依赖合成语音交流的人，如果模型只把字读对而把重音放错，纠错意图就传达不到。因此作者提出两个研究问题：第一，标准北美英语中问句与陈述句的对比性焦点韵律是否不同；第二，开源可控模型能否复现同样的声学关联。这决定了后文同时操纵句型和语音来源两个维度，构成完整的比较框架。

前人已经知道重音靠什么声音线索？

同学先要建立基线预期，才能看懂本研究的反常点。早期对美式英语的研究发现，对比性焦点通常伴随更高的强度和基频以及更慢的语速，而且在句首、句中或句尾均有类似表现。另一些关于显著度的研究则强调响度预测力最稳，基频的预测力波动较大。这种分歧提示需要把强度均值、强度最大值和语速一起纳入，与基频并列考察。

在合成语音一侧，已有工作问开放模型的语音合成能否像人类那样用语调区分信息状态，包括非对比、对比和纠正 3 类，并用函数主成分分析比较基频轮廓差异。那项工作的分析范围为基频，强度和语速留待后续考察。另一条线索是陈述与问句的对比描述：被聚焦词在陈述中呈下降轮廓，在问句中呈上升轮廓，且问句中焦点后基频保持高位，而陈述中全句呈下降。这为本文按句型分组提供了直接依据。

本文与前人的同输入同目标对照在于：同样研究对比性焦点的声学实现，同样关注人类与合成的差距，但把句型从几乎只看陈述扩展到极性问句，并把特征从只看基频扩展到强度与语速。运行阶段也不同：前人多为描述人类产出或单一声学维度，本文是人类录音与可控合成在相同文本下的平行比较加统一回归建模。

要回答的到底是哪两个可检验问题？

把大问题拆成可操作的小问题。第一个问题是人类内部比较：在相同词表和焦点位置下，极性问句与陈述句中预测焦点状态的声学斜率方向是否存在差异。检验对象是每个声学预测变量的回归斜率，判断标准是 95% 可信区间与零的位置关系，以及在两种句型中符号是否反转。第二个问题是跨语音来源比较：在同样句子和焦点位置下，合成语音的斜率模式与人类的一致程度如何，尤其在问句中是否呈现人类那种反转。

这里的关键是条件一致性。文本内容、焦点位置、句型标签在人类与合成之间要对齐，文本差异会干扰韵律能力的判断。作者用同一套句子生成两种语音，用强制对齐切到词级再提取特征，用同一回归同时估计语音来源与句型的交互。这样人类句型差异与合成句型差异才能放在同一标尺下相减比较。

还需要明确检验范围。论文检验给定控制指令后，合成语音在声学统计上是否呈现人类那样的条件依赖。听辨实验、可懂度或自然度评分、新语音合成模型的训练均在范围之外，结论限定于声学统计层面的条件依赖。

从一段对话到回归判断要走哪几步？

沿一个样本走完全程有助于建立依赖顺序。拿极性问句 Did Liam feed a lamb 举例，目标是让利亚姆这个词承载对比性焦点。人类流程是让说话人扮演对话双方，在假装与朋友在嘈杂环境交谈的情境下读出该问句，录音后用蒙特利尔强制对齐器切分出每个词的起止时间，再在词段内计算语速、强度与基频多项式系数，最后把该词是否被聚焦作为二值标签送入回归。合成流程是把同一句子送给 Parler-TTS，指定女性音色并在目标词两侧加星号，同时在风格描述中写明带强调的中性声音，生成后走同样的对齐与特征提取，再送入同一回归。

表示层面是词级向量加句子标签。每个词得到语速、强度均值、强度最大值、1 阶、2 阶、3 阶勒让德系数，附带语音来源是人类还是合成、句型是问句还是陈述、是否聚焦。组件层面是贝叶斯逻辑回归，用语音来源、句型与全部声学特征的三重交互来预测是否聚焦。目标层面是估计每种条件下每个声学特征的斜率及其可信区间，并进一步做来源差与句型差的差值比较。输出是一组方向判断：哪些特征大概率有效、方向为正还是负、跨条件是否大概率不同。

这样安排的理由在原文中有交代：基频只看均值不够，需要斜率与曲率来刻画轮廓形状；强度与语速是文献中更稳的线索，需要同时检验；句型差异需要显式交互才能检验反转假设。已验证的对照是人类陈述与人类问句的比较，以及人类与合成在相同句型下的比较。

基频的均值、斜率和曲率是如何算出来的？

先把术语讲清。基频即 F0，是声带振动频率的声学对应，听感上与音高相关。勒让德多项式即 Legendre polynomial，是一组正交基函数，用它拟合一段 F0 曲线可以得到几个系数，分别近似均值、斜率和抛物线曲率。白话是把弯弯曲曲的音高走势压缩成 3 个数：整体高还是低、往上走还是往下走、是拱起还是凹下。

勒让德多项式 × F0 曲线形状： 勒让德多项式负责数学分工：用正交基把每个词的 F0 轮廓压缩为均值、斜率、曲率 3 个系数；F0 曲线形状负责语言学分工：对应高低目标、上升或下降及 U 形或倒 U 形；搭配理由是直接比较原始 F0 点会受时长和采样影响，而系数可比且可解释，组合后才能在回归中检验陈述与疑问是否用了相反的调形。

具体计算按原文复述。先用强制对齐得到词边界，再用 Parselmouth 调用 Praat 逻辑插值 F0 曲线，把赫兹值转为按说话人归一化的半音值。对每个词的归一化 F0 序列拟合勒让德多项式，取前 3 个系数。1 阶对应均值高低，2 阶对应斜率正负，3 阶对应抛物线曲率。强度值从分贝转为按说话人归一化的标准分，分别取词内均值与最大值。语速用卡内基梅隆发音词典查出词的音素串，数其中元音个数当作音节数，除以词时长秒数得到每秒音节数。

这一步的输入是词段波形与音素词典，输出是 6 维声学向量。它的作用是让后续回归能区分高均值加倒 U 形与低均值加 U 形这两种在语言学上对应不同音高重音的形状，从而超越平均音高的单一比较。

为什么陈述与疑问要用相反的调形才更突出？

先把另一组术语讲清。音高重音即 pitch accent，是落在重读词上的局部调形，例如先低后高的类型。边界调即 boundary tone，是句尾的整体走向，陈述多为低边界，问句多为高边界。白话是词重音管局部凸起，句尾语调管全局收尾，二者叠加决定听者听到的对比度。

边界调 × 音高重音： 音高重音负责词层面分工：在被聚焦词上放高目标如 H 星或低目标如 L 星；边界调负责句层面分工：陈述句尾多为低边界 L-L%，极性问句尾多为高边界 H-H%；搭配理由是焦点要与句尾走向形成最大对比才更易被感知，组合意义是解释了人类为何在陈述用倒 U 形高均值、在疑问用 U 形低均值。

机制是最大对比假设。陈述尾是低的，此时在焦点词上放高目标更容易跳出来，对应较高的 F0 均值、负斜率与倒 U 形曲率，类似文献中的低加高星型重音。问句尾是高的，此时在焦点词上先压低再拉高更容易跳出来，对应较低的 F0 均值、正斜率与 U 形曲率，类似低星或低星加高型重音。原文引用了对匹配陈述与问句的描述：问句中焦点前基频较低，焦点处略降，随后全句维持高位；陈述中焦点位置对全句下降趋势影响较小。

理解这一点才能看懂结果中的符号反转：人类按句型切换策略的证据恰恰体现在斜率方向的翻转上。而合成若在两种句型中给出同侧斜率，就说明它尚未学会这种按边界调切换的搭配。

本研究训练了什么？没有训练什么？

本节先说清模型调用的定位。本研究调用现成可控生成器 Parler-TTS 完成合成，参数保持原厂状态，论文记录的拟合发生在统计分析阶段，即用贝叶斯逻辑回归拟合声学特征与焦点标签的关系。人类语音是平行对照的实测数据，与合成语音走同一套对齐与特征流程。

可控合成 × 长尾数据： 可控合成负责输入分工：用说话人名字、文体描述和星号标记指定谁说、怎么说、重读哪个词；长尾数据负责训练分布分工：解释问句等少见句型在训练中易被陈述句淹没；搭配理由是控制指令不能补足模型未学好的韵律模式，组合后才能理解为何合成语音在疑问句仍沿用陈述句的焦点策略。

实际调用过程按原文复述。合成时选用 10 个女性名字对应的音色，以匹配人类 10 人中以女性为主的性别分布。对每句的句首、句中、句末分别生成 1 次聚焦版本，被聚焦词用星号包围，风格提示统一为中性声音带强调。人类录音则要求扮演对话双方并想象嘈杂环境，以诱发自然的澄清式重读。两种语音随后走同一套对齐与特征流程，保证比较公平。

统计拟合的真实计算是贝叶斯逻辑回归。公式含义是是否聚焦服从语音来源乘以句型再乘以 6 个声学特征的交互预测，用 R 的 brms 包拟合，设置 4 条链、共 10000 次迭代、其中 5000 次为预热。该设置决定了后文所有斜率与差值都以此后验分布为依据，而非单点估计。

下表把合成调用与统计拟合的关键配置放在同一行，便于复现时逐项核对，表中数字与单位的写法保留原文形式。

表后解释需要同时讲收益与代价。可运行的收益是同一文本、同一焦点位置、同一特征管线使人类与合成可比，且链数与迭代数明确，可重复拟合。代价是合成侧的控制完全依赖提示词与星号标记，原文对不同措辞或不同音色的敏感性着墨较少，对合成失败或拒识比例也缺乏报告。统计侧只给出链数与迭代预热，收敛诊断、有效样本量与先验设置有待补记，复现时需要按原文链接核对，这些细节无法从模型名称推定。

数据、划分与指标如何保证公平比较？

先讲人类数据协议。10 名受过语音学训练的说话人参与录音，在隔音室以 44 100 Hz 采样率录制。每人读 54 mini-conversations，覆盖陈述与极性问句两种句型，以及句首、句中、句末 3 种焦点位置。句子内容刻意多用响音以减少基频中断，并混合抑扬、扬抑与单音节节奏，共 18 different sentences。每种句型共得到 540 recordings per utterance-type。这个设计使句型、焦点位置与文本内容正交，便于后续按条件聚合。

再讲合成与对齐协议。合成使用完全相同的句子，生成 10 种女性音色版本，每句同样做 3 种焦点位置。随后人类与合成语音都用蒙特利尔强制对齐器做词级与音素级对齐，并经人工校正。特征在词级提取，强度做说话人归一化，基频做说话人归一化半音加插值，语速按词典元音计数除以时长。指标是每个声学特征预测是否聚焦的斜率方向与可信区间和零的位置关系，以及跨来源与跨句型的斜率差和零的位置关系。聚合对象是词，条件是来源乘以句型。

下表把人类录音的核心数量放在同一行，表前已提出比较问题是文本与条件是否对齐，表后将解释这些数量如何支撑公平性。

表后解释要讲清公平条件与边界。公平在于文本相同、焦点位置相同、特征管线相同、归一化都在说话人内完成，避免了音色与录音电平直接可比的问题。强度结果值得细读：人类侧可信区间覆盖零，经典文献预期中的强度效应在本实验条件下统计上尚未确认，作者将其归因于自然录音中设备距离与个人风格带来的变异，而合成语音录制条件稳定故强度效应更易检出。这提示该强度发现限定于本实验条件，推广到人类整体需要更多证据。

硬件预算与对齐人工成本在原文未量化，这是复现前需补的资源缺项。资源状态方面，Parler-TTS 的第三方仓库当前可用，状态码为 200，复现时可按原文链接获取，本解读的事实判断仍以论文原文证据为准。

人类按句型换策略，合成为何只用一套？

本节按问题组织主结果。测的是每个声学特征的斜率方向，与谁比是跨句型与跨来源的差值，条件一致性由相同文本与同一回归保证，指标方向是斜率为正表示特征值越大越可能是焦点，为负则越小越可能是焦点，可信区间不含零才判为大概率存在。

人类结果显示句型依赖的反转。在问句中，较低的 1 阶系数与较高的 2 阶、3 阶系数预测焦点；在陈述中，较高的 1 阶系数与较低的 2 阶、3 阶系数预测焦点。两种句型中较低语速都大概率预测焦点，而强度均值与最大值的区间包含零，不能确认有效应。合成结果显示跨句型一致：在陈述与问句中都是较低语速、较高强度均值与最大值、较低 3 阶系数预测焦点，1 阶与 2 阶大概率无效应。直接比较来源差，合成的语速、最大强度与 1 阶系数高于人类，2 阶与 3 阶低于人类，仅均值强度在来源差上未能确认差异。

下段是针对主结果图的导读，读完导读再看图，看完图再读解释，形成闭环。导读覆盖对象、条件与时间范围：该图是后验分布的区间图，不是原始波形；行是语音来源，列是句型，横轴是斜率，颜色是声学特征，须先按图例确认颜色与特征的对应，再看区间与零线的位置关系，不能把区间长短直接当效应大小，也不能把单格结论推广到另一句型。

看图路径： 1. 先确认四格布局：上排人类、下排合成，左列疑问、右列陈述，横轴为估计斜率 β，零线为虚线；2. 再逐色看可信区间是否跨零：跨零则不能确认有效应，完全在零一侧才判为大概率有效；3. 对比人类左右两格中粉色一阶系数与浅蓝深蓝二三阶系数的符号反转；4. 对比下排合成语音中强度与语速区间在左右两格是否基本同侧

论文图 1。原论文 Figure 1：“95% CrIs of the posterior distribution for each acoustic predictor across speech source and sentence type conditions.”。

针对可见内容的解释如下。上排人类左右两格中，粉色 1 阶点在左格偏零线左侧、在右格偏零线右侧，而蓝色系二三阶点方向相反，构成符号反转。下排合成左右两格中，绿色与深黄强度点始终在零线右侧，红色语速点始终在零线左侧，粉色与蓝色基频点多在零附近，说明合成用同一套强度加语速策略处理两种句型。这支持人类按句型切换调形的判断，也支持合成未能复现该切换的判断，但需注意区间重叠与样本变异带来的不确定性，总体趋势不等于每个词都如此。

本节还要交代一个特有细节：合成在陈述句中的声学关联与人类相对接近，但在问句中仍沿用陈述模式。作者用长尾解释提出可能原因，即问句在自然语言中少于陈述，陈述被视为默认句型，神经架构易被高频模式主导。但这属于有限解释而非直接验证，因为论文未分析训练数据分布或模型内部激活，表达上只能用可能与待验证。

把陈述减去疑问，差异到底落在哪些系数上？

如果把上一节看作各条件是否有效，本节就是差异是否显著的对照。测的是陈述斜率减去疑问斜率的差值，与谁比是人类差值与合成差值的并排比较，条件一致性仍由同一回归保证，指标方向是差值区间不含零才判为跨句型大概率不同，正负表示哪种句型斜率更大。

人类差值显示全部 F0 相关系数跨句型不同：1 阶差为正，说明陈述的 1 阶斜率大于疑问；2 阶与 3 阶差为负，说明陈述的二三阶斜率小于疑问。语速与强度差在人类中包含零，不能确认跨句型不同。合成差值显示只有语速大概率不同，聚焦词在陈述中语速更低，其余 5 个特征的差值区间都包含零。这意味着合成的句型差异只落在语速快慢上，而人类落在调形上，二者的机制分歧在此最清晰。

下段是第二张图的导读，须先确认对象与坐标再看结论。该图上下两排分别为人类与合成，横轴为陈述减疑问的 β 差值，零线为虚线，颜色与上一图共用同一特征图例。要区分分布区间与单点标记：圆点是均值估计，横线是可信区间，只有横线整体偏离零线才能判为差异存在，不能把圆点偏离零线误判为显著。

看图路径： 1. 先确认横轴为陈述减疑问的 β 差值，零线两侧分别代表陈述更强或疑问更强；2. 再看上排人类中哪几个颜色区间不含零，下排合成中哪几个区间包含零；3. 重点比较粉色一阶与青蓝二三阶在人类与合成中的位置差异

论文图 2。原论文 Figure 2：“95 % CrIs for the difference in acoustic predictors across sentence types for each speech source.”。

针对可见内容的解释如下。上排人类中，代表 1 阶的粉色短区间整体位于零线右侧，代表二三阶的青蓝区间整体位于零线左侧，而代表强度与语速的长区间横跨零线。下排合成中，除红色语速区间偏左外，其余颜色区间都压在零线附近或横跨零线。这与正文描述一致：人类在 3 个 F0 系数上都跨句型不同，合成仅在语速上不同。该图未展示来源差的直接比较，来源差的结论需回到正文另一幅差值图的文字描述，不能从本图颜色深浅推定来源优劣。像素不能精确辨别的数值不应硬写，判断只保留方向与是否含零。

本节的失败条件也要点明。合成并非完全无焦点标记，它确实用更慢语速、更高强度和特定曲率标记了焦点，问题在于问句与陈述用了同一套，未能像人类那样反转 F0 策略。若只看陈述句，会高估合成的人类相似度；必须加入问句才能暴露局限。

哪些结论还不能下，哪些边界尚未评测？

先区分直接报告、有限解释与未验证推测。直接报告的是斜率方向与区间是否含零，以及跨条件差值是否含零。有限解释是把倒 U 形对应到类似低加高星型重音、把 U 形对应到低星型重音，以及用录音变异解释人类强度缺失、用长尾解释合成问句失效。这些解释与文献一致但本文未做感知实验或训练数据审计，因此只能用支持而不能用证明。未验证推测是合成内部哪个模块导致失效，原文明确留给未来通过节点激活解释来研究，不能从开源名称推定实现。

未评测边界包括焦点位置的细化比较。原文设计了句首、句中、句末 3 种位置，但主回归聚焦于来源与句型的交互，未按位置展开斜率差异。Eady 与 Cooper 曾指出陈述中焦点位置不太改变整体轮廓，而问句中焦点后保持高位，本文未检验该位置效应是否在人类数据中复现，也未检验合成在不同位置上的稳定性。说话人层面同样未展开：人类 10 人以女性为主，合成 10 个均为女性音色，性别与个体风格的影响未分离。

测量缺项包括误判率、延迟与成本。论文未报告焦点分类准确率、合成推理耗时、输出帧率或实际延迟，也未报告对齐人工校正的工作量与录音设备差异。总体趋势不等于每组每步成立，强度在合成中有效不等于每次合成都更用力，语速在人类中有效不等于每个聚焦词都更慢。引用图注或正文时只能明确归因，不能猜测图中未标注的颜色数值或曲线形状。

要复现这套比较，先做什么、用什么？

复现的第一步是重建平行语料。准备 18 个多响音句子，覆盖 3 种音节节奏，每句构造陈述与极性问句两个版本，每个版本再按句首、句中、句末指定焦点词，共 54 段对话模板。人类侧招募若干说话人，在隔音与统一话筒距离下按嘈杂环境澄清的情境录制，保持采样率与电平记录可查。合成侧用同一文本调用 Parler-TTS，固定 10 个女性音色，每个条件用星号标记目标词并附加带强调的中性风格描述，保存生成参数与随机种子以备核查。

第二步是统一对齐与特征管线。用蒙特利尔强制对齐器做词与音素对齐并人工抽查校正，用 Parselmouth 插值 F0 并转为说话人归一化半音，拟合勒让德多项式取前三系数，强度从分贝转为说话人归一化标准分并取均值与最大值，语速用发音词典元音计数除以词时长。关键是人类与合成走同一代码与同一归一化口径，否则来源差可能来自管线而非模型能力。

第三步是复跑统计。用 brms 拟合是否聚焦对来源乘以句型乘以六特征的贝叶斯逻辑回归，设置 4 条链、10000 次迭代、5000 次预热，并记录先验、收敛诊断与有效样本量。复现时先重算人类句型反转是否存在，再算合成跨句型差是否仅剩语速，最后检查强度在人类侧是否仍因变异而不显著。还需补的验证是更换风格措辞、增测男性音色、加入听辨实验，以确认声学差异是否带来感知差异。代码开源不等于系统可运行，需同时确认权重下载、环境版本与推理耗时。

何时值得借鉴这篇方法，何时要换路？

值得尝试的场景是需要检验合成语音是否学会条件依赖韵律时。本文的价值不在于给出一个分数，而在于给出一种可复用的比较模板：相同文本、相同焦点位置、相同词级特征、同一交互回归，再加两层差值比较。一层看各条件下斜率是否含零，另一层看跨句型与跨来源的差值是否含零。这种模板同样适用于其他句型对比，例如陈述与反问、窄焦点与宽焦点，或其他韵律功能如 sarcasm 与信息状态。

需要换路的场景是目标为提升合成自然度本身时。本文只诊断差异，未提供改进训练的方法，也未验证增加问句数据或显式边界调建模是否能修复失效。若要改进，需另做训练干预实验并用听辨与任务成功率评估，不能把诊断中的相关性当作因果处方。同样，若关心实时通信，本文未测量延迟与计算开销，不能据此承诺部署收益。

对初学者的特有误解要澄清。第一，基频均值高不等于一定是焦点，在问句中焦点反而对应更低均值，必须结合斜率与曲率一起看。第二，强度在文献中稳不等于在本实验中一定显著，录音变异会掩盖效应，合成条件稳定反而更易检出，不能据此说人类不用强度。第三，合成在陈述句接近人类不等于整体像人类，问句才是试金石。带着这三点去重读区间图，才能把方向、含零与差值 3 个判断连成完整证据链。

⚖️ 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