做到了音高目标，却没衔接好过程：法语母语者普通话声调四一声连接的时序证据

英文题目：Process vs. Result: Evidence for Coarticulatory Process Difficulties in French-speaking Learners of Mandarin

会议身份：conference:speechprosody:2026:conference-paper-id:yan26b_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 #语音属性识别

评分：5.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.6/1 | 影响力 0.7/1.5 | 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

• Yingyu Yan：机构信息未能从会议 PDF 纯文本可靠映射
• Jorina Brysbaert：机构信息未能从会议 PDF 纯文本可靠映射
• Anne-Catherine Simon：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该任务输入为中性焦点问答诱发的T4-T1a-T1b连续语音，输出为跨音节协同的过程失调与声调目标达成结果的分离判断，实际难点在于T4急降后须立即稳住高平T1，稍有定时偏差就会在边界形成凹陷而非目标本身不达标。方法第一步经Whisper转写加SPPAS强制对齐并经Praat听辨与频谱图人工校正获得音节边界，为声学测量提供切分基础。第二步将基频转换为相对个人中值的半音并用定制Praat脚本抽取目标与动态指标，其输出直接进入第三步的线性混合效应模型检验组别效应并控制音节时长与说话人与条目随机截距。相对孤立声调研究的关键机制差异在于把许的基频目标实现框架操作化为以谷点定时与T1a凹陷表征过程、以T4跌幅与T1平台高度表征结果，其实质意义是把教学焦点从静态音高转向音节间衔接定时。在中性焦点问答语料条件下，L2学习者组的指标t4_drop_range_st为5.23 st，高于L1母语者组的指标t4_drop_range_st的5.12 st。该结论适用边界受限于法语母语且HSK4级、无超12个月汉语区居留的学习者在特定调序与中性焦点下的表现，其他非声调母语背景是否成立尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 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，目标读者要先保留哪些事实？

本文解读的输入是会议论文正文证据，任务是帮助刚进入语音与音乐音频领域的研究生复述方法与结果。目标是把过程与结果分开，不把修辞当证据。必须保留的信息包括研究对象为声调四接声调一的连接，比较组为 8 名法语母语学习者与 8 名普通话母语者，总样本为 139 个可用三音节实现，全部取自中性焦点条件。输出是 1 篇可核对的技术解读，所有数字回到原文核对，不引入外部语料或效果断言。

学习依赖上，先理解普通话声调在连续语流中互相牵拉，再理解测量如何把目标高度与动态时序分开，最后才读统计结论。法语在此仅作为代表性非声调母语组，论文明确写出其他非声调母语背景是否成立仍待检验，因此不能把结论推广为所有二语学习者。全文不涉及神经网络训练或系统部署，只涉及真人发音采集与声学测量，复述时要沿着 elicitation 任务到切分再到指标的链条走。

已有路线为什么多测单字调，缺了哪块拼图？

已有二语声调习得研究多测量孤立单字调，这样的设计把发音约束降到最小，被试可以从容起音、从容收音。论文指出这种路线无法捕捉连接语流中的运动规划复杂度。初学者容易误以为把每个调的音高形状练准就等于会说连续句子，实际上音节之间存在跨音节声调协同发音。协同发音在这里用白话说就是前后音高互相拖拽，前一个调的嗓音惯性会延续到下一个调的开头，后一个调也可能让前一个调提前拐弯。

只测单字只能回答能否达到目标音高，不能回答能否在规定时间内完成从降到高的切换。本文选择声调四接声调一，正是因为它要求先快速降音再立刻维持高平，对声带紧张度的切换速度要求高，是检验过程困难的合适窗口。相关工作的对照意义在于同输入同目标但不同运行阶段，单字任务与连续任务不可直接比较胜负，本文的增量是把测量搬到三音节连续序列并固定句中位置。

要回答的两个问题是什么，假设如何写？

论文把理论框架建立在目标与其实现区分上。声调被定义为底层音高目标，代表意图结果，而表面基频轮廓是向目标逼近的实现，代表过程。操作化时，音节间过渡时序与动态轮廓形状归为过程，声调四下降幅度与声调一平台高度归为结果。研究问题一问实现的目标量是否有组间差异，对应假设一预测学习者声调四更平、声调一平台相似或略低。

研究问题二问声调四一声序列的动态形状是否有组间差异，对应假设二预测学习者谷值对齐更晚并在声调一区间出现非母语下陷。需要特别注意假设二的后半部分在方向上最终被数据修正，谷值实际更早而非更晚，这在结果节会展开。问题组织上，结果与过程各有两个因变量，共 4 个线性混合效应模型，组别为固定效应，音节时长标准化后为协变量，说话人与条目为随机截距。这种一一对应关系是复述时防止张冠李戴的关键。

从听到问题到产出可分析样本，主路径如何走？

先沿一个样本走完全程。被试坐在安静房间，听到并看到由普通话母语女性预录的上下文问题，例如发生什么事了，然后朗读屏幕上的回答，例如芬在窗边吃瓜。目标回答在句中嵌入三音节声调四一声一声序列，例如在窗边，其中在为声调四，窗为声调一甲，边为声调一乙。录音设备为 Roland R-05。若出现犹豫则要求重读，条目伪随机呈现。

随后自动转写与强制对齐切分音节边界，再经人工听辨与语图检查修正目标音节边界。接着定制脚本提取基频并换算为相对个人中位数的半音，以保证跨说话人可比。最后 4 个因变量进入混合模型检验组别效应。整条路径中，句中位置、前接声调一、末尾声调一乙都是控制手段，目的是让声调一甲的形态只反映前接声调四的延续影响。

声调目标 × 基频实现： 声调目标指说话人意图达到的底层音高形态，如声调一的高平、声调四的高降，分工是定义结果是否正确；基频实现指在有限音节时间内向目标逼近的表面基频轨迹，分工是刻画过程如何走；二者搭配是因为同一目标可以用不同速度和衔接完成，组合后才能把音高降了多少与何时降到谷值分开检验。

该路径的教学要点是表示与目标的分离。输入表示是归一化时间上的半音轨迹，目标不是转写文字是否正确，而是 4 个声学量的组间差异。声调目标对应下降幅度与平台高度，基频实现对应谷值时间与下陷幅度。只有先确认样本经过误读与基频跟踪失败剔除，才有资格谈后续数字，否则会把切分错误误读为发音错误。

三音节结构与前后控制各自分担什么？

三音节声调四一声一声不是随意加长，而是承担两项控制功能。第一，末尾声调一乙把目标声调一甲与短语末尾隔开，避免末尾下倾与嘎裂声污染平台测量。第二，末尾为高目标排除了后接低调诱发的预期性下降，使声调一甲中观察到的下陷只能解释为前接声调四的延续效应。句中位置同样重要，所有序列位于句中且前接声调一，避免前面不同声调带来不同起点。材料来自更大的 prosodic focus 实验，但本研究只用中性焦点条件即无焦点条件，以避免焦点带来的额外音高操作。初学者常忽略这种构造细节，直接比较均值，实际上若不用末尾高调固定右边界，就无法区分延续与预期两种协同发音。

延续协同发音 × 预期协同发音： 延续协同发音指前一音调的机械惯性影响后一音节起点，分工是解释声调四掉下来后声带紧张度如何带入声调一；预期协同发音指后一音调使前一音节末尾提前回归，分工是排查声调一下陷是否被后接低调诱发；搭配使用三音节声调四一声一声结构后，末尾高调排除了预期低调拉低的解释，使中段下陷可归因于延续效应。

沿样本理解，前接声调一保证进入声调四时起点相对一致，声调四下降后进入声调一甲，声调一乙保证声调一甲右侧为高。若声调一甲仍出现先 dip 后升的形态，则更可能是左侧惯性所致。论文用较大生产实验中的 27 组问答对话构造语境，每组含上下文问题与目标回答，派对为总体场景，这种设计兼顾自然度与可比性。

四个声学量如何计算，窗口为什么这样开？

4 个量的计算都由脚本自动完成。声调四下降幅度取声调四音节 20% 与 80% 时间点的基频差，单位为半音，避开清音声母段与末尾嘎裂。声调一平台高度取声调一甲 60% 到 90% 窗口的平均基频，避开辅音扰动并排除末尾可能不稳定的下降。谷值对齐时间取声调四音节内基频最低点的归一化位置，范围零到一。声调一甲下陷幅度取前半最高与后半最低之差，度量平台期的起伏。

每音节还提取最大值、最小值与时长，时长经标准化后作为语速协变量。窗口选择的理由是明确的安排而非随意截断，前后扰动段若不剔除，会把辅音引起的跳变误算为声调目标未达成。复述时要说清每个量回答结果还是过程，下降幅度与平台高度回答结果，谷值时间与下陷幅度回答过程。

谷值对齐时间 × 中段下陷： 谷值对齐时间指声调四基频最低点在音节归一化时间中的位置，分工是度量下降手势是否与音节边界同步；中段下陷指声调一前半最高与后半最低之差，分工是度量进入高平目标后是否出现松弛再收紧的抖动；二者搭配构成过程链条，谷值过早结束会留下紧张度空隙，进而在下一音节起点形成可测量的下陷。

以在窗边为例，在的 20% 到 80% 差值反映降了多少，谷值位置反映何时降到底，窗的前半峰与后半谷之差反映进入高平后是否先掉再起，窗的后段均值反映最终稳在多高。4 个量互相补充，单独看平台均值会被中段下陷拉低而误判为目标偏低，因此必须结合动态量一起读。

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模型，也没有更新任何声学模型参数，因此不存在优化器、梯度路径、参数冻结或早停需要报告的环节。实际计算过程分为 3 类。第一类是调用既有工具，目标回答经 Whisper 自动转写，再经 SPPAS 强制对齐到音节，边界后经人工在 Praat 中听辨与语图检查修正。第二类是规则计算，定制 Praat 脚本按固定百分位窗口提取最大值、最小值、均值与时长，并把赫兹换算为相对个人中位数基频的半音。

第 3 类是统计建模，在 R 中用 lme4 拟合线性混合效应模型，用 lmerTest 经 Satterthwaite 自由度给出固定效应显著性，并检查残差同方差与正态性。缺项在于论文未报告转写与对齐的错误率、人工修正比例与耗时，也未报告脚本版本控制信息，复现时需要补记这些操作成本。不能把无训练等同于确定性求解，人工修正与模型随机效应都会引入变异。

被试、数据划分与统计条件是否一致？

被试分为两组。学习者组为 8 名法语母语者，年龄二十到二十三岁，在法国巴黎与比利时新鲁汶和蒙斯的大学语言项目招募，汉语水平考试 4 级，无超过 12 个月的汉语区长期居住。对照组为 8 名普通话母语者，年龄二十一到二十四岁，在中国上海求学。材料为 27 组脚本化问答，每组含上下文问题与目标回答，本研究只用中性焦点条件。

跨被试共获得 139 个可用三音节实现，其中母语组 81 个，学习者组 58 个，剔除误读、不流利与基频跟踪失败样本。统计上每组比较条件一致，4 个因变量各自建模，固定效应为组别，协变量为对应音节时长的标准化值，随机截距为说话人与条目。指标方向上，下降幅度越大表示降得越充分，平台高度越高表示高目标越到位，谷值位置越接近一表示越贴近音节尾，下陷越大表示平台越不稳。

聚合对象为 token 级样本经模型调整后的组均值与置信区间，图示还给出时间归一化平均轮廓作全局印象，但正式判断以模型系数为准。

结果显示目标达到了吗，平台低了多少？

先提出比较问题。在控制语速与条目变异后，学习者能否发出同样大的声调四下降，能否把声调一甲稳在同样高度。公平条件是同为句中三音节序列、同为中性焦点、同经半音归一化与窗口剔除扰动。指标方向为下降幅度组间差越接近零越支持目标达成，平台高度负向越大表示学习者越低。

表后解释需要同时给出收益与代价。声调四下降幅度的组间效应不显著，平均值 5.12 与 5.23 半音几乎重合，报告支持学习者在生理上能完成快速降音，排除了终点不准的解释。声调一甲后段均值低近 3 个半音但显著性为 0.080，未达常规阈值，只能表述为边缘趋势并支持假设一的方向，不能表述为显著更低。

方差分解显示组别解释约 15% 而条件解释高达 0.935，组内相关 0.924，说明说话人间变异极大，尤其学习者组内部分散且普遍偏低，这直接削弱了平台高度检验的统计效力。未胜出项在这里体现为平台高度未能显著，但不能忽略其数值方向与大变异并存的事实。

结果 × 过程： 结果指声调四下降幅度和声调一平台平均高度是否达标，分工是回答学习者能否发出足够大的音高变化和足够高的音位；过程指跨音节过渡时长和音节内动态形状，分工是回答是否在正确时刻完成衔接；组合意义在于即使结果量接近母语，过程时序错位仍会破坏连续语流中的稳定实现。

重提结果时要增加机制视角。平台均值被中段下陷污染，后段窗口实际捕捉到的是 dip 而非平稳高原，因此平台低更可能是过程失稳的后果，而非目标本身定低了。

过程错在哪里，谷值与下陷差了多少？

再提出第二个比较问题。在同样能降到位的条件下，下降何时触底，进入高平后是否平稳。公平条件与上一节相同，指标方向为谷值位置越小表示越早结束下降，下陷越大表示越不稳。

表后解释要给出主要收益与反例。谷值时间的组间效应显著，母语者谷值贴近音节尾约 80% 8.3，学习者提前到约 72.9%，系数 -0.15，说明学习者过早终止下降手势，与原假设预测的更晚相反，这是需要修正假设的关键反证。下陷幅度的组间效应显著，母语基线约 1.4 半音自然起伏，学习者多出 1.7 半音，合计约 3.13 半音，支持非母语动态形状判断。

平均轮廓显示谷到峰过渡时长组间相似，但谷值时刻与平台内 dip 存在定性差异，说明问题不在过渡总时长而在手势与边界的同步。未评测边界在于过渡时长未给出正式模型系数，只能作为可视化印象，不能当作等同无差异的统计结论。

哪些对照排除了其他解释，失败条件是什么？

论文特有的对照至少有两类。第一类是右边界控制，用末尾声调一乙排除后接低调的预期性拉低。若序列以低调结尾，声调一甲的 dip 可能被误读为提前为低调做准备，而本设计以高调结尾仍观察到显著下陷，因此更支持延续效应即前接声调四时序失配的解释。第二类是左边界与位置控制，所有序列位于句中且前接声调一，避免不同前接调带来不同起点，同时只用中性焦点排除焦点重音对音高的额外抬升或压缩。

失败条件方面，剔除标准包括误读、不流利与基频跟踪失败，学习者组可用数少于母语组，58 对八十一，提示学习者任务难度更高但也带来样本不平衡。统计上平台高度的大说话人变异是另一种失败条件，组内相关高达 0.924 意味着个别说话人偏低会拉动组均值，扩大样本才能稳定估计。若去掉时长协变量或随机截距，组别效应可能被语速与条目差异污染，因此保留这些控制是公平比较的前提。

教学例子是，若把末尾高调换成低调再测 1 次 dip 是否消失，可作为检验延续解释的对照，但该条件本文未测，只能标为待验证，不添加无源数值。

证据的边界在哪里，哪些话不能说？

直接报告的是 4 个模型系数与方差分解，有限解释是过程失稳导致平台实现受损，未验证推测是声带短暂松弛再收紧的生理链条。论文用目标近似模型解释为学习者过早结束下降，声带进入短暂松弛后再为高调收紧，从而形成下陷，但该机制未用声门仪等发音生理测量直接验证，只能用可能或待验证表达。样本量 modest 是明确局限，八加八被试与 139 个样本对平台高度检验效力不足，显著性 0.080 不能解读为证实无差异，也不能解读为显著差异。

法语组仅代表一类非声调母语背景，是否适用于其他母语背景仍待检验，不能推广。相关性不是因果，谷值提前与下陷增大伴随出现，但本文未做中介分析证明前者必然导致后者。未测量误判率、反应延迟与训练成本，不承诺教学干预能改善这些量。总体趋势不等于每步成立，平均轮廓相似不代表每个 token 都相似，学习者组内部分散提醒个体差异大。

要复现方法，先做什么，需要补哪项验证？

复现先做三件事。第一，按同样脚本构造 27 组问答并固定派对场景，保证目标三音节位于句中且前接声调一、末尾为声调一乙，只取中性焦点条件，用安静房间与同类录音设备采集，要求犹豫重读并伪随机呈现。第二，用同样流程做转写、强制对齐与人工修正，记录修正比例与剔除数，目标是复现八十一与五十八的可用分布量级，而非强求完全相同数字。

第三，用同样窗口复算 4 个量，赫兹先换算为相对个人中位数半音，声调四取 20% 到 80% 差值，声调一甲取 60% 到 90% 均值，谷值取归一化位置，下陷取前半峰减后半谷，再以组别为固定效应、标准化时长为协变量、说话人与条目为随机截距拟合混合模型并检查残差。还需补的验证包括扩大样本重测平台高度、加入声门仪直接检验过早结束下降是否对应喉部活动提前停止，以及补充后接低调条件以双重确认延续与预期效应的分离。

资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码模型或数据已公开，复现应按自建脚本与自采数据规划。

何时值得借鉴这个过程优先的判断？

当学习者单字调能发准但连起来总发飘时，值得借鉴本文过程优先的思路。复述要点是声调四下降幅度组间无差异而谷值提前约 15 个百分点，声调一甲下陷多约 1.7 半音，平台高度低近三半音但仅为边缘趋势。教学含义不是加练静态音高，而是练音节同步，让下降动量直接带入下一音节，避免提前收力留下空隙。常见误解是把平台低直接当成目标定低，实际上后段均值已被中段下陷污染，应先看动态形状再下结论。

另一个误解是把曲线向下直接读成绩差，本文谷值提前发生在声调四内而下陷发生在声调一内，分属不同音节的不同机制，不能混为一谈。适用条件限于句中中性焦点三音节高结尾序列，短语末尾、焦点重音与不同前后声调组合下的表现仍需另行测量。最终判断保留原文措辞，困难更多来自跨音节时间协调而非达到音高目标的能力，但生理松弛解释仍待发音测量确认。

📐 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 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