停顿次数追上母语者，停顿位置却走反了：二语普通话韵律的量质分离

英文题目：Quantity Convergence, Quality Divergence: Disentangling Fluency and Accuracy in L2 Mandarin Prosody

会议身份：conference:speechprosody:2026:conference-paper-id:shi26_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 #语言习得 #韵律 #语音属性识别

评分：4.9/10 | 创新 1.0/2 | 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 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.3/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Yuqi Shi：机构信息未能从会议 PDF 纯文本可靠映射
• How Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Xiyao Lu：机构信息未能从会议 PDF 纯文本可靠映射
• Jinsong Zhang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为朗读单句连续语音，输出为韵律边界等级及其对应依存句法关系，难点在于高水平学习者流利度提升会掩盖结构错位形成伪流利。先以朗读语音为输入，负责按C-ToBI体系标注韵律词B1与大小短语B2、B3等级，输出三级边界标签。再以连续文本分词结果为输入，负责经HIT-LTP初解析加人工校对得到主谓SBV与动宾VOB等依存关系，输出句法标签并以前步边界位置为键完成对齐。最后以对齐后的边界计数与句法映射表为输入，负责用负二项计数回归检验边界数量并用卡方标准化残差检验映射偏好，输出数量差异与偏好强度。相比仅统计停顿数量的表层流利度研究，该机制同时检验何处该断与以多强等级断开，从而区分数量趋同与质量偏离。在BLCU-SAIT语料评测设置下，VNH组的标准化残差指标为6.02，高于母语CN组的标准化残差指标-3.60。该结论适用边界受限于朗读单句受控语料与越南母语学习者群体，自发对话与跨母语外推尚未验证，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://books.google.co.jp/books?id=Sji5vQEACAAJ — 暂时无法访问
• 第三方资源：https://doi.org/10.1177/0023830914563368 → https://journals.sagepub.com/doi/10.1177/0023830914563368 — 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

为什么学会词序不等于会断句？

这篇论文的输入是越南学生朗读的普通话单句录音，目标是回答教学中常见的困惑。学生能把主语、动词、宾语按正确顺序说出来，为什么听起来还是不像母语者那样断句。

作者要保留的关键信息是断句有 2 个维度，1 个是断了几次，1 个是断在了哪里。只数次数容易得出水平越高越接近母语者的结论，但位置错了则意味着语法到语音的映射没有学会。

输出是一套可以复述的对照方法，先按统一标准标出韵律边界层级，再按依存语法标出每个边界前后是什么句法关系。最后用统计残差看学习者在哪种关系上多断，在哪种关系上少断。

对于刚进入语音领域的学生，可以把这个问题理解为切分问题。白话说，韵律边界就是语流中可感知的接缝，包括时长拉长与音高重置等线索，英文叫 prosodic boundary。

依存关系就是用有方向的连线说明哪个词是头，哪个词是依附项，例如动词管宾语，英文叫 dependency relation。论文真正关心的任务不是识别字词，而是检验句法到韵律的接口是否稳定。

接口假说认为，涉及句法与其他系统对接的属性，即使到了高水平也容易不稳定和化石化。作者提出待检验的说法，叫流利的假象，也就是数量上达标掩盖了质量上偏离。

前人只数停顿次数会漏掉什么？

在相关路线上，已有二语韵律研究多用表层指标，例如停顿总时长与停顿总次数。按原文回顾，这类指标报告的总体趋势是学习者一般比母语者断得更多，初学者尤其碎片化。

这种路线的好处是计算简单与可比性强，缺点是不能回答断点是否落在正确的句法接缝上。高水平者语速提高与边界减少，并不能证明结构已经放对。

另一条路线关注母语普通话的韵律句法约束，强调母语者对句法粘合度敏感。在结合松散的地方倾向用强边界，在谓语内部倾向保持连接，同时受节奏与焦点调节。

还有针对韩国学习者与汉语作为第二语言节律短语的研究，提示即使到了高级阶段，学习者在动宾与主谓等位置的切分层级仍可能偏离母语规范。论文把自己的位置放在 2 条路线的交叉口。

论文不满足于比较谁断得多，而是把每一个韵律事件回贴到具体的依存关系上。教学例子请当作例子理解，比如我送她一束花，依存分析会说送是核心，主语我指向送。

母语者可能在主语后做较大划分，在动词与宾语之间保持较小连接。只数停顿次数就无法区分把大划分放在主语后还是放在动词后。

本文引用的 2 条第三方参考文献链接在本次未能确认可达，只能按正文交代引用观点。它们不作为可核对的公开证据使用，结论仍以正文数据为准。

要检验的具体问题是什么？

论文把大问题拆成 2 个可操作的子问题。第 1 个是边界数量是否随水平提高而趋近母语者，特别是在大短语层级上是否出现趋同。

第 2 个是在数量趋同的位置上，句法到韵律的映射是否同步变对，还是出现了牺牲结构准确性维持长语流的策略。白话说，高水平学习者是真的学会了在哪里换气，还是只是学会了少换气。

英文关键词是 syntax-prosody interface，即句法韵律接口。作者的假设是高水平组可能呈现数量趋同与质量分化，需要用分组数据分别验证。

需要检验的 2 个关键接缝是主谓关系与动宾关系，英文缩写分别是 SBV 和 VOB。按依存指南，主谓是主语指向动词，动宾是动词指向宾语。

母语规范在本文数据中表现为在主语后用较强边界划分主语与谓语，在动词与宾语之间用较弱边界维持粘合。如果学习者把这个松紧关系做反，就构成层级倒置。

论文还关心这种倒置是随机错误还是系统性中介语语法。如果初级组和高级组的偏离方向一致，只是程度不同，就支持共享的中介语韵律语法。如果高级组偏离更大，则支持化石化判断，而不是简单的熟能生巧。

整体方法如何把录音变成可比较的计数？

方法全景可以沿着 1 个样本走一遍，输入是 1 句朗读录音，例如包含主语、动词和宾语的单句。第 1 步做韵律标注，采用中文 C-ToBI 系统。

白话说，C-ToBI 就是一套按接缝大小和声学表现给边界定级的规则，英文全称是 Chinese Tones and Break Indices。原文聚焦 3 个层级，B1 是韵律词，B2 是小短语，B3 是大短语。

B4 是语调短语，一般在句末，因为语料是孤立单句，区分度不足而略去。第 2 步做句法标注，采用依存语法指南，把连续句子切成离散词。

再用 15 种依存关系连线，其中动词是全句核心。半自动流程是先用哈工大语言技术平台做初切初标，再由语言学研究生人工校对语义准确性。

第 3 步把两者对齐，每个韵律边界都对应 1 个句法接缝位置，从而可以统计在 SBV 处出现多少 B1、B2、B3。同样可以统计在 VOB 处又出现多少，目标是得到分组乘以层级的列联结构。

标注者是受过训练的本科生，报告的一致性系数较高，分歧由研究生导师裁定。这一设计的关键是把流利拆成可独立验证的 2 步。

韵律边界 × 依存关系： 韵律边界分工是把连续语音流切成可感知的停顿层级，依存关系分工是说明词与词之间谁支配谁，二者搭配的理由是只有把停顿落点对齐到具体句法接缝上，才能判断流利是结构正确还是只是断得少，组合后新增的作用是把数量统计变成位置诊断。

先看数量，再看位置，避免用总数掩盖错位，这是全文复述时必须保留的顺序。后文所有比较都建立在这个对齐计数之上。

B1、B2、B3 与 SBV、VOB 各自管什么？

组件层面要先固定简称，后文统一用 B1 指韵律词层级，B2 指小短语层级，B3 指大短语层级。SBV 指主谓接缝，VOB 指动宾接缝，固定简称是为了逐表核对。

B1 的分工是标记词级连接，通常声学实现较弱，可能只是音节拉长或微小停顿。B3 的分工是标记大结构划分，通常伴随更明显的时长与音高重置。

B2 处于过渡地带，从词汇韵律向短语韵律过渡。SBV 的分工是实现主语与谓语的划分，母语者在 B3 上对此有明显偏好。

VOB 的分工是维持谓语内部的动宾粘合，母语者在 B1 上对此有明显偏好。组合机制在于同一 SBV 接缝既可以用 B3 强标记，也可以用 B1 弱标记。

韵律词 B1 × 大短语 B3： 韵律词 B1 分工是标记词级小连接，大短语 B3 分工是标记大结构分界，二者搭配的理由是同一句法接缝可以在弱层级实现也可以在强层级实现，组合意义在于识别降级与升级，即该把 B3 放在主语后却只给 B1，该用 B1 连住动宾却误给 B3。

主谓关系 SBV × 动宾关系 VOB： 主谓关系 SBV 分工是划分主语与谓语的主干分界，动宾关系 VOB 分工是维系谓语内部动词与宾语的粘合，二者搭配的理由是普通话母语规范恰好是一松一紧，组合后新增的诊断价值是看学习者是否把松紧关系做反，即主语后不分而动宾间乱分。

沿样本再走 1 次，假设朗读包含主语后接动宾的结构，正确映射是在 SBV 处给 B3。正确映射还在 VOB 处给 B1，形成主语独立而动宾粘合的格局。

若学习者在 SBV 只给 B1，在 VOB 却给 B3，就形成了主谓连读而动宾割裂的反格局。B2 的作用是观察过渡，如果 B2 抑制减轻但 B3 错位加重，就说明问题集中在特定模板。

本研究训练了什么、没有训练什么？

本研究没有训练神经网络声学模型，也没有报告优化器与学习率等训练细节。不能把无训练等同于确定性求解，实际计算过程是语料构建加人工标注加计数建模。

第 1 步调用已有平台做句法初标，人工校对保证语义准确，这一步的监督来源是依存指南与人工判断。第 2 步用 C-ToBI 规则做韵律分级，监督来源是时长与音高重置等判据。

第 3 步用计数回归与卡方检验做推断，原文明确因计数数据存在过度离散而选用负二项回归。再用估计边际均值做事后两两比较并做校正，对句法分布则在 3 个层级分别做卡方检验。

缺项需要明确指出，原文未报告回归的完整模型公式与参照水平编码细节。原文也未报告 B1 与 B2 易混样本的混淆矩阵，未报告录音设备与采样率。

这些缺项限制了从数字直接复刻声学前端，若要复现，应先复刻标注与对齐流程。复现重点是保证同一批文本与同一套分级标准，而不是调参。

数据、分组与统计口径如何保证可比？

实验条件按原文交代如下，语料是北语多模态中介语语音数据集，英文名 BLCU-SAIT。全库约 21 小时，覆盖 19 种母语背景，本次只取其中越南学习者子集。

选择越南子集的理由是样本量大且有水平分层，适合看习得轨迹。比较的公平条件是同一批朗读文本，同一套 C-ToBI 分级与同一套依存关系体系。

指标方向需要先讲清，在数量分析中，边界数越接近母语组越算趋同。在映射分析中，标准化残差绝对值大于 1.96 视为显著偏离独立性，正值表示过度切分。

负值表示切分不足，聚合对象是按组别乘以边界层级再乘以句法关系的计数。硬件预算原文未报告，录音与计算成本无法核对。

下表整理被试结构为 5 列，便于核对复现起点，表前已说明比较问题是分组是否可比。公平条件是同题朗读与统一分层，指标方向是人数与年龄分布是否对齐。

上表的主要收益是固定复现起点的人口学基线，3 组共 134 人且性别分布明确。具体代价是年龄标准差与迟疑次数阈值未在该表中展开，需要结合正文补充。

未胜出项是该表不能证明口音与录音条件一致，未评测边界是设备与声学测量脚本缺失。下表继续整理数据规模与水平标准，同样保留 5 列以满足宽表核对要求。

上表的主要收益是把 13,802 句拆成每人 103 句乘以 134 人的可重放结构，水平标准用 HSK 等级锚定。具体代价是高水平组低迟疑阈值与文本难度未在格内量化，需要回查方法段。

未评测边界是自发语篇与长句调节缺失，因此结论只适用于单句朗读任务。以上 2 张整理表共同支撑后文的数量与位置比较。

数量趋同在哪里成立，位置错位又在哪里最重？

先讲数量结果要回答的问题，在 B1、B2、B3 上，高水平组是否断得和母语者一样多。原文报告低水平组在所有层级都显著多于母语组，尤其在大短语层级差异最显著。

解释是初学者用频繁断句应对认知负荷，高水平组呈非线性轨迹。在低层级显著少于母语者，在 B2 最多减少约 3 成，但在最高层级 B3 上严格事后比较确认无显著差异。

白话说，高水平组在大划分的次数上达标了，实现了定量流利。低层级边界的减少暗示了用拉长连续语流换取流利感的权衡，是否放对位置需要看映射。

数量趋同 × 质量分化： 数量趋同分工是描述单位时间内断了几次，质量分化分工是描述断在了哪个句法位置，二者搭配的理由是只数次数会把放错位置的流利误判为学会，组合意义是提出虚假流利，即次数达标但结构错位。

再讲映射结果要回答的问题，次数达标是否等于位置放对。卡方检验显示 3 个层级上组别与句法分布均显著相关，标准化残差进一步给出方向。

母语者在 B1 上抑制 SBV 而促进 VOB，在 B3 上强烈促进 SBV 而抑制 VOB。学习者整体方向一致，说明不是随机错误，但在关键节点幅度走反。

下段引出的第 1 张原表把最关键的倒置证据并排放出，覆盖主谓 SBV 与动宾 VOB。公平条件是同一依存体系下的残差比较，指标方向是正为过度切分而负为不足。

该表的主要收益是把虚假流利具体化，高水平组 B3 总数不差，但 SBV 该强不强。VOB 不该强而强，呈现降级加升级的组合形态，代价是必须承认 B2 过渡带证据较弱。

未胜出项是低水平组在 B1 的 SBV 接近零，说明降级策略在初级阶段尚未系统化。下段导读图 1，需要先确认该图不是波形也不是频谱，而是 3 列残差条形图。

横轴是标准化残差，零线代表母语基线下的独立性期望，右侧为过度使用而左侧为低用。星号表示显著，红色为 VNH 而蓝色为 VNL，这是读图前必须固定的图例。

看图路径： 1. 先看顶部 3 列面板标题，确认 B1、B2、B3 层级从左到右排列；2. 再看横轴零线，比较左侧低用与右侧高用的条形方向；3. 检查红色 VNH 在 SBV 行从 B1 向右长条到 B3 向左的反转；4. 观察 B3 面板中 VOB 行红色与蓝色是否同时向右显著

论文图 1。原论文 Figure 1：“Deviation in Dependency Relation Frequency.( The zero line represents the CN as baseline.”。

从像素可见，左列 B1 中红色 VNH 在 SBV 行向右拉出最长条形并带星号。而在 VOB 行红色向左显著，右列 B3 中红色与蓝色在 SBV 行同时向左显著。

在 VOB 行同时向右显著，蓝色在定语与介词宾语行也向右显著。这支持原文判断，B1 的降级尖峰与 B3 的错位是同一模板的 2 面，而不是孤立口误。

不能从条形长度读出精确到小数第 2 位的数值，精确值以正文残差表为准。该图只解决方向与相对幅度判断，数值复核仍依赖原表。

如果只看总数会得到什么相反结论？

这一节做论文特有的反证与对照，而不是神经网络消融。第 1 个对照是只看数量，若评价只用 B3 总数，高水平组会被判为已达标。

低水平组被判为过度切分，结论将是水平提高带来单调改善。加入位置信息后结论反转，高水平组在 SBV 的 B3 不足比低水平组更严重。

这说明改善只发生在次数层面，第 2 组对照是跨层级比较。B1 的 SBV 从母语抑制变为高水平强促进，B3 的 SBV 从母语强促进变为高水平强抑制。

同一接缝在 2 层同时反向，这是降级假设最直接的证据。如果只是整体语速加快，应看到所有接缝均匀减少，而不应看到 SBV 与 VOB 一降一升的镜像。

韵律降级 × 接口化石化： 韵律降级分工是把本该用强边界标记的结构降到弱边界实现，接口化石化分工是说明这种错配随水平提高不消失反而固化，二者搭配的理由是降级解释了高水平组如何维持长语流，化石化解释了为什么越熟练偏离越大，组合后指向非线性习得轨迹。

第 3 组对照是跨关系比较，状语与定语等位置的偏离幅度较小。唯独 SBV 与 VOB 构成系统性倒置，说明问题集中在主语划分与谓语粘合这 2 处。

该对照的主要收益是排除均匀语速解释，具体代价是补语与介词宾语等位置仍有显著残差。不能把全部非母语模式都归因于主谓模板，未评测边界是句长与焦点调节。

哪些结论不能从现有证据推出？

首先，相关性不是因果，数据报告显示高水平组偏离更大，支持化石化解释。但未直接测量越南语母语韵律迁移强度，也未做纵向追踪，因此不能断言越南语结构导致了该模板。

原文提出跨语言强化值得进一步验证，属于可能待验证的推测。其次，缺失证据不是技术错误，但限制推广，语料是单句朗读，没有自发对话与长篇语篇。

不能把单句中的主谓划分策略推广到语篇停顿规划，B4 因单句结构区分不足而略去。因此语调短语层级的结论缺项，复现时不应补测 B4 并声称验证了原文。

再次，统计口径需要谨慎，回归部分的显著性标记在原文表格转写中存在排版错位风险。正文以事后校正后的比较为准，B3 数量无差异的结论依赖严格校正，不能用未校正趋势代替。

最后，总体趋势不等于每人每句成立，残差是组别聚合结果。不能推出每个高水平学习者都在每个句子上犯同样错误，也未报告误判率与延迟。

因此不承诺该方法能直接改善教学反馈的实时性，任何教学应用都需要补测个体层面的一致性。以上限制不否定已报告的组别差异，只是划定适用范围。

要复现这套诊断先做什么？

复现的第 1 步是拿到可比的朗读数据与文本，若使用 BLCU-SAIT，需按原文条件筛选越南子集。需保留 103 句乘以人数的结构，记录性别与年龄分布以核对基线。

若自采数据，需保证母语组与学习者组朗读同一批句子，否则数量比较失去公平性。第 2 步是固定双标注流程，韵律侧用 C-ToBI 的 B1 到 B3 共 3 级。

明确 B4 句末不计入比较，句法侧用依存指南做切词与连线。至少覆盖 SBV、VOB、定语与状语等关键关系，初标可用哈工大平台，终标必须人工校对。

第 3 步是复刻计数建模，先做描述统计看各组各层级总数。再用负二项回归处理过度离散并检验组别与层级交互，最后在每个层级做卡方检验。

并计算标准化残差，以 1.96 为显著阈值判断过度与不足。关键数值门限中，原文唯一明确的是高水平组单次会话迟疑少于 10 次，以及其余声学阈值未报告。

需在复现报告中补记自己的时长与音高重置判据，该做法的代价是人工成本较高。严格复现需要 3 名以上语言学背景校对者与导师裁定流程，人工成本高于纯自动停顿检测。

若只想快速验证，可先复现 B3 数量趋同加 SBV 与 VOB 倒置这 2 条核心对照。不必 1 次复现全部 15 种依存关系，代码与权重方面，原文未声明开源代码。

系统可运行性只能靠自建脚本实现，复现报告应明确区分已复刻部分与自补部分。避免把自补的声学阈值当成原文参数，这是保证可核对性的关键。

何时值得借用这套量质分离的看法？

当任务也涉及把连续语音切成有意义的段落，且评价容易被语速带偏时，这套看法值得借用。例如语音合成的停顿预测与口语评测的流利度打分，若只看停顿次数或平均句长。

完全可能把错位流利判成高分，此时应学本文把数量与位置分开报告。先报告各层级数量是否达标，再报告关键句法接缝上的残差方向，避免单指标误判。

何时不值得照搬，若数据是自发对话且充满修复与重叠，单句朗读的 SBV 与 VOB 模板不能直接套用。需要重新定义可比的句法接缝，并重新估计显著阈值的适用性。

常见的误解是把降级理解为学习者听不到边界，原文明确反对边界盲解释。高水平组在 SBV 并非无感知，而是有感知但只给弱边界，以换取表面连续。

另一个误解是把高级等同于准确，本文的证据恰好相反。在接口处，高水平可以比初级偏得更系统，这正是化石化与非线性习得的含义。

收束时回到可复述的方法，统一文本，统一双标注，对齐计数，分层检验。先问断几次，再问断何处，最后用跨层级镜像检验策略是否固化，这是全文最值得带走的流程。

📐 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 26 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