倒数第二音节拉长是边界提前开始，还是重音与边界两件事相遇：塞茨瓦纳实时 MRI 的运动学证据

英文题目：Articulatory kinematics of penultimate and final lengthening in Setswana: Evidence from real-time MRI

会议身份：conference:speechprosody:2026:conference-paper-id:zhang26_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 #发声与构音 #韵律 #语音 #语音属性识别

评分：5.7/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 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：前50% | 文档类型：应用研究

👥 作者与机构

• Yubin Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Xuan Shi：机构信息未能从会议 PDF 纯文本可靠映射
• Kevin Huang：机构信息未能从会议 PDF 纯文本可靠映射
• Prakash Kumar：机构信息未能从会议 PDF 纯文本可靠映射
• Kevin Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Boitumelo Moshoete：机构信息未能从会议 PDF 纯文本可靠映射
• Keneilwe Matlhaku：机构信息未能从会议 PDF 纯文本可靠映射
• Dani Byrd：机构信息未能从会议 PDF 纯文本可靠映射
• Louis Goldstein：机构信息未能从会议 PDF 纯文本可靠映射
• Krishna Nayak：机构信息未能从会议 PDF 纯文本可靠映射
• Shrikanth Narayanan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为塞茨瓦纳语目标词在载体句中部与末尾位置的中矢面实时磁共振影像与同步音频，输出为倒数第二与末音节辅音与元音手势的时长、位移与峰速及其韵律解释，难点在于需在连续收缩序列中分离边界减速与短语重音的叠加效应。首先以0.55T磁共振采集正中矢状面影像并半自动分割构音器轮廓，得到的轮廓序列进入收缩量计算。然后计算唇与舌腭区域最小距离得到收缩时间序列，并按速度极值标注手势起始、峰速与偏移，导出时长、位移与峰速三个运动学量。最后将词位置与话语位置合并为四水平韵律位置变量，构建包含韵律位置、手势类型及其交互的线性混合效应模型并做两组事后比较，得到位置趋势估计。相对把倒数第二拉长视为边界手势提前启动的单阶段观点，该文主张短语重音μ手势与边界π手势协同调控，预测时长呈双峰而空域仅单调增强，具有区分重音与边界机制的实际意义。在句末与句中对比测试条件下，C1位置的峰速指标为6.31，高于C2位置的峰速指标0.80。该结论适用边界受限于受控载体句中的双音节词尾序列，尚未验证自发语篇、其他边界等级与疑问句语调的外推，存在失败条件。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

塞茨瓦纳语的末尾拉长为什么值得用磁共振重看？

输入是塞茨瓦纳语中短语末尾单词的发音动作，目标是判断倒数第二音节拉长与末尾音节拉长是否来自同一机制，输出是对两种动力学解释的支持程度。本文面向刚进入语音与音乐音频领域的研究生，因此先把任务讲清。塞茨瓦纳语属于班图语，文献报告其短语末尾单词的倒数第二音节会被显著拉长，尤其在语调短语边界前。声学上能听到变长，但声学变长可以来自放慢，也可以来自把动作做大。只听录音无法拆开这两种控制。

短语划分指把话语组织成信息组块并在组块边缘产生边界效应，短语重音指在组块内让某个成分更突出。白话说，前者管在哪里换气分段，后者管把哪里说重。已有发音研究显示，边界附近的手势通常更长、重叠更少，有时更大更慢；重音位置的手势通常更长、重叠更少、更大更快。当两者靠近时，边界拉长的作用范围可能向重音位置延伸。塞茨瓦纳语的难点正在于此：倒数第二拉长恰好既靠近边界，又可能是重音位置。

短语划分 × 短语重音： 短语划分负责把连续话语切成信息块并在边界附近放慢发音，短语重音负责让块内某个位置更突出并放大发音动作，二者搭配的原因是塞茨瓦纳语的倒数第二音节拉长正好落在短语末尾，组合意义在于判断 1 次拉长到底是一个边界手势提前启动，还是一个重音手势与一个边界手势先后作用。

本解读的输入是论文正文证据与官方原图像素之外的文字证据，不引入外部评价。目标是让读者能复述方法链条与统计比较逻辑。必须保留的信息包括材料设计、成像参数、手势标注与 3 个人运动学变量的定义、混合效应模型结构与两组事后比较的方向。输出按学习依赖展开，先讲路线与方法全景，再讲组件计算、实验条件、结果与反证，最后讲复现要点。

已有路线如何区分边界放慢与重音放大？

第一条路线是边界动力学。早期英语研究发现短语接合处的元音发音拉长与协同发音变化，边界效应在越靠近边界处越强，随距离衰减。建模上常用弹性短语与任务动力学中的边界编码 π 手势解释：π 手势在边界附近局部放慢手势激活的时间控制，相当于把时钟拨慢。

第二条路线是重音动力学。英语唇运动学、英语重音的舌上发音、希腊语重音与口音研究显示，重音引起时空扩展，即更长、重叠更少、更大、更快。建模上用重音编码 μ 手势解释，其中时间分支调时长，空间分支调空间目标。韩语与法语等所谓边缘重音语言的发现增加了复杂性：在高层边界前手势更大更快，呈现重音式增强，而非单纯放慢。

第三条路线是两者交互。希腊语词汇重音影响末尾拉长的作用域，非末重音词的末尾拉长启动更早，但拉长并不直接到达重读音节本身，因此没有形成两个阶段。美式英语短语末尾拉长存在多个目标的声学证据。塞茨瓦纳语的前期声学研究则报告了两个阶段的拉长，这为检验 μ 与 π 协调提供了动机。本文的贡献是把这一争论搬到发音运动学层面，用实时磁共振直接测量收缩手势的时长、位移与速度。

要回答的具体问题与两种可区分预测是什么？

具体问题是：在语调短语边界前，倒数第二音节拉长与末尾音节拉长是一个边界事件提前启动，还是一个重音事件与一个边界事件的协调。研究对象是目标词中 4 个手势构成的序列，用论文记号写作 C1V1C2V2，其中 1 表示词倒数第二音节的辅音与元音，2 表示词末音节的辅音与元音，末尾加#表示语调短语边界。

第一种假设称为 π 手势对齐假设。白话是边界减慢提前到来。它预测单个阶段的拉长，从倒数第二音节开始并延续到边界，手势变得更长，可能更大但更慢，因为时钟被拨慢。关键可证伪点是时长应呈现单调渐进增强，不应出现倒数第二与末尾两个分离的峰。

第二种假设称为 π 与 μ 协调假设。白话是重音与边界各管一段。它预测两个阶段：较早的语调短语倒数第二阶段由重音编码 μ 手势引起，手势更长、更大、更快；较晚的语调短语末尾阶段由边界编码 π 手势引起，手势更长，可能更大但更慢。关键可证伪点是时长应在 C1 到 V1 出现 1 次拉长，在 C2 到 V2 再出现 1 次拉长，而位移与速度不一定与时长同步出现 2 次峰。教学例子是：若只看到时长有两个峰而空间没有，就可以怀疑倒数第二拉长主要是时间调制，而非典型的空间增强型重音。

从句子到运动学变量的全链条是怎样的？

先沿一个样本走完全程。例句如 O lebilê bodiba le lebadi，目标词 bodiba 出现在句中，lebadi 出现在短语末尾；交换两个目标词位置可得到相反布局。被试在扫描仪中看屏幕读出载体句，同步采集正中矢状面实时磁共振影像与降噪麦克风音频。每位被试读 168 个含目标词的句子，分多次采集，每次约含 4 个句子并有短暂停顿。

影像经重建得到每秒 99 帧的时间序列，声道轮廓经半自动区域分割算法提取。随后在唇、舌与腭、软腭、咽壁等搜索区域之间计算最小距离，得到收缩度时间序列。对倒数第二与末尾音节的 4 个手势分别标注收缩形成的 3 个地标：手势起始、峰值速度、手势结束，依据速度极小与极大值确定。由此计算 3 个变量：时长为结束减起始的时间差，位移为最大收缩与起始收缩之差的绝对值，峰值速度为峰值速度地标处速度的绝对值。

统计上把词位置与语句位置合并为一个韵律位置变量，共四水平：词倒数第二加句中、词末加句中、词倒数第二加句末、词末加句末。手势类型分为辅音与元音。用线性混合效应模型分析每个运动学变量，固定效应包括韵律位置、手势类型及其交互，随机效应从被试与音段截距起步，必要时经似然比检验加入随机斜率。两组事后比较分别回答沿语句末尾的趋势形态，以及句末相对句中的变化在 C1V1C2V2 序列上的起伏形态，均做 Holm-Bonferroni 校正。

收缩时间序列与三个运动学变量如何计算？

收缩时间序列的输入是分割后的发音器官轮廓，计算是在预先定义的器官对之间搜索最小距离。例如唇部取下唇与上唇，舌齿龈区取舌与前五分之一腭，腭区取舌与中三分之一腭，软腭与小舌区分取舌与不同段下软腭，咽区取舌与下二分之一咽壁。输出是一条随时间变化的收缩度曲线，数值越小表示收缩越紧。

π 手势 × μ 手势： π 手势分工是时间调制，在边界附近局部放慢手势激活的时间进程，使时长变长；μ 手势分工是重音调制，分为时间分支 μT 与空间分支 μS，分别增大时长目标与空间目标；搭配理由是发音音系学需要把边界减速与重音增强拆成两个可协调的动力学模块，组合后可以预测单阶段渐进拉长或双阶段时长峰，并允许位移与速度出现不同组合。

组件的表示是 4 个目标手势的收缩形成过程。标注不依赖音段切分，而是依赖速度曲线：速度极小对应运动启动或停止，速度极大对应最快收缩时刻。时长捕捉放慢，位移捕捉做大，峰值速度捕捉做快。三者必须联合解读，因为时长增加可以来自时钟放慢，也可以来自目标变大导致路程变长。

手势时长 × 位移与峰值速度： 手势时长分工是记录收缩形成从起始到结束的时间差，直接反映放慢；位移与峰值速度分工是记录收缩幅度与最快运动速度，反映动作是否做大做快；搭配理由是只看时长无法区分边界减速与重音增强，组合意义在于重音通常同时拉长、放大、加快，而单纯边界减速可能只拉长而不按比例放大加快，这正是本文区分两种假设的关键。

组合机制的教学要点是：若倒数第二拉长由 μ 手势驱动，应看到时长、位移、速度同向增大；若由 π 手势驱动，应看到时长增大而速度不增甚至下降。本文后续结果显示时长有两个峰而空间只有一个渐进趋势，这正是需要回到时间分支 μT 与空间分支 μS 分开建模的原因。

本研究有没有训练神经网络？真实计算是什么？

本研究没有训练语音识别或语音合成神经网络，也没有报告优化器、学习率、梯度路径或参数冻结方案，因此不能从模型名称推定任何训练实现。该节的真实计算是成像重建、轮廓分割、收缩度计算与统计建模。

成像遵循 0.55 特斯拉语音协议，被试仰卧并使用专用语音线圈，载体句显示在扫描室远端电视并经镜子观看。重建帧率为每秒 99 帧。分割采用基于区域的频率域分割算法，流程与既往多说话人标注研究类似。收缩度计算是对每帧在搜索区域内求器官对最小距离，形成时间序列。标注是对每个目标手势找起始、峰值速度与结束 3 个地标，再算出时长、位移与峰值速度。

统计计算是线性混合效应模型。固定效应已如前述，随机效应包括被试与音段。事后比较第一组做韵律位置的后向差分，比较词末句中减词倒数第二句中、词倒数第二句末减词末句中、词末句末减词倒数第二句末；第二组做句末相对句中差异在词位置上的后向差分，比较 V1 减 C1、C2 减 V1、V2 减 C2。缺项是论文未报告具体随机斜率最终结构与完整方差成分，复现时需按似然比检验自行选择并记录。

被试、材料与成像条件是否足以支撑比较？

被试为 8 名塞茨瓦纳语母语者，其中 6 人来自博茨瓦纳，2 人来自南非，年龄均值 24.6 岁。材料为 20 个目标词，分别嵌入载体句的句中与句末位置，通过交换目标词位置控制韵律位置。句子类型还操纵了陈述与极性问句，但本文不分析该条件。比较的公平性来自同一目标词在句中与句末的配对出现，以及同一混合模型内对辅音与元音的分别估计。

成像条件的具体参数决定时间与空间分辨率，是复现必须保留的信息。下表把原文报告的采集参数整理为可核对形式，指标方向是分辨率越高、帧率越高越有利于捕捉快速收缩，但低场强与 6 毫米层厚意味着矢状面投影与部分容积效应仍需注意。

上表数字来自原文连续报告，帧率来自重建说明。复现时应先核对同一场强、同一线圈与同一正中矢状面协议，再核对每秒 99 帧是否在重建后稳定实现，因为时长以毫秒计，帧间隔约 10 毫秒会直接影响起始与结束标注精度。音频由光学麦克风加主动降噪采集，用于对齐与检查，但运动学结论主要依赖收缩时间序列。局限是样本为 8 人且材料为朗读载体句，结论外推到自发语与不同边界等级时需谨慎。

时长为何支持两阶段，位移与速度为何只看到渐进？

时长模型显示韵律位置、手势类型及其交互均显著。沿语句末尾的 4 个韵律位置看，辅音时长呈降升降趋势，元音时长呈升升升趋势。更关键的是句末相对句中的变化在 C1V1C2V2 上的形态：从 C1 到 V1 拉长增大，从 V1 到 C2 回落，再从 C2 到 V2 增大，形成升降升的 2 次拉长。第一阶段为语调短语倒数第二拉长，第二阶段为语调短语末尾拉长。下表把主要估计值整理为可比较形式，估计值为模型预测的毫秒级差值方向，正负表示升降，显著性经多重比较校正。

表后解释是：时长结果与前期声学双阶段报告一致，论文报告为支持 μ 与 π 协调假设。因为若只是边界 π 手势提前启动，应看到单个渐进拉长，而实际在 V1 到 C2 之间出现显著回落，说明倒数第二拉长与末尾拉长是可分离的。代价是该结论目前只在时长上成立，位移与速度并未同步出现两峰。

词层面倒数第二重音 × 短语层面倒数第二拉长： 词层面倒数第二重音分工是在任何语句位置都让词内倒数第二音节的辅音手势更长更快，短语层面倒数第二拉长分工是只在语调短语末尾附近额外增大从倒数第二辅音到元音的时长；搭配原因是两者在语调短语末尾位置重合，组合意义在于解释为何语调短语末尾的倒数第二拉长远大于词中位置的拉长，以及为何最大效应从辅音转移到元音。

位移与速度的形态不同。位移模型中韵律位置与手势类型主效应不显著，但交互显著；句末相对句中差异在词位置上呈渐进增大，但事后比较中仅 V1 减 C1 显著，其余两段不显著。峰值速度模型中韵律位置与手势类型主效应及交互显著，辅音呈降升降，元音呈升平升；句末相对句中差异也呈渐进增大，中间 C2 减 V1 不显著。

白话是越靠近边界动作越大越快，但没有在倒数第二位置出现与时长匹配的额外峰。因此论文判断倒数第二拉长主要是时间现象，可用时间调制 μT 捕捉，而不需要空间调制 μS。

哪些对照排除了单一边界解释与词重音混淆？

第一个对照是辅音与元音分开看。若倒数第二拉长只是边界减速提前，辅音与元音应同步渐进拉长。实际是辅音时长沿 4 位置降升降，元音升升升，且句末相对句中的时长变化在 V1 处最大而在 C2 处回落。这种非单调形态不支持单一时钟放慢。

第二个对照是词位置主效应。词倒数第二辅音 C1 比词末辅音 C2 更长，且在任何语句位置都成立，峰值速度也显示词倒数第二辅音更快，位移方向一致但统计较弱。这支持存在词层面倒数第二重音。但短语层面倒数第二拉长最大处在 V1 而非 C1，且 C1 几乎无短语效应，说明词层面重音与短语层面拉长位置不完全重合，靠近边界时拉长重心向边界漂移。

第 3 个对照是位移与速度的反证。若坚持单一边界减速，应预期时长增加伴随速度下降；实际句末位移与速度更大，且渐进增大，更像边缘重音语言的模式。下表整理峰值速度的关键估计值，方向为正表示增大，显著性需注意中间段不显著。

表后解释是：速度结果支持词倒数第二辅音更快，但不支持倒数第二位置出现与时长匹配的空间峰。中间段不显著意味着渐进趋势的证据主要来自首尾两端，不能推广为每一步都显著增大。位移趋势更弱，论文明确报告其渐进趋势统计不稳健，这是单一空间增强解释的反例，也是后续需要计算建模的缺口。

在什么条件下结论成立，还有哪些未验证环节？

已验证的是时长双阶段在当前材料与当前标注下的可重复模式：句末相对句中在 C1 到 V1 与 C2 到 V2 各有 1 次显著增大，中间显著回落。支持的是 μ 与 π 协调的定性判断，即倒数第二拉长不能简化为边界手势提前启动。待验证的是 μ 与 π 的具体对齐与耦合参数，例如 μ 对准倒数第二元音、π 对准末尾元音并相互吸引的时序假设，以及 μ 时间激活因 π 交互而增强的动力学假设，这些在本文没有经过仿真拟合。

边界相关的渐进增强 × 边缘重音： 边界相关的渐进增强分工是越靠近边界位移与速度越大，边缘重音分工是把边界附近的做大做快解释为一种附着在边缘的重音式增强；搭配原因是韩语与法语等语言在边界前也出现时长与空间同时增大的现象，组合意义在于提醒不能把位移与速度渐进增大自动归为时钟放慢，还需要空间分支 πS 或额外机制才能完整建模。

测量限制包括层厚 6 毫米的正中矢状面投影、每秒 99 帧的时间量化、半自动分割与速度极值标注的主观阈值。统计限制包括 8 位被试、20 个目标词的朗读语料、陈述与疑问句条件未分析、位移渐进趋势多重校正后不显著。理论限制是时钟放慢的 π 框架难以同时解释位移与速度渐进增大，可能需要引入空间分支 πS 或去截断机制，但论文指出这仍待计算模拟检验。相关性不等于因果：观察到时长两峰不等于证明存在两个独立手势，还需时滞、相对定时与峰值速度时刻等进一步度量。

要复现这条结果链，先做什么、保留什么？

先复现材料与位置编码。准备 20 个目标词的最小对载体句，使同一目标词既出现在句中又出现在句末，记录词倒数第二与词末、句中与句末的四水平编码。保留例句结构与边界等级为语调短语边界，避免混入低层短语边界。若改变语速或停顿，需单独记录，因为边界拉长对语速敏感。

再复现成像与标注。按 0.55 特斯拉正中矢状面协议采集，重建到每秒 99 帧，用相同区域分割流程提取轮廓并计算器官对最小距离。对 C1V1C2V24 个手势按速度极小极大标注起始、峰值速度与结束，计算时长、位移与峰值速度。复现时应固定标注者间一致性检查，并报告帧量化带来的毫秒误差。

最后复现统计。构建线性混合效应模型，固定效应为韵律位置、手势类型及其交互，随机效应从被试与音段截距开始并用似然比检验决定斜率。做两组后向差分事后比较并做 Holm-Bonferroni 校正。复现成功的判据是时长出现升降升 2 阶段且中间回落显著，而位移与速度仅渐进增大且中间段不显著。若位移显著性不同，应检查样本量与分割阈值，而非直接否定双阶段时长发现。资源状态方面，本次未发现可验证的公开代码、模型或数据绑定，因此复现应按论文文字参数从头实现，不应声称存在可下载的官方实现。

何时值得借用这套 μ 与 π 解释，如何一句话记住？

当研究对象同时满足靠近边界与疑似重音 2 个条件时，值得借用这套解释。例如班图语倒数第二拉长、边缘重音语言的边界增强、重音影响边界作用域的语言，都可以先做时长与空间的分离检验：若时长有两峰而空间只有渐进，则优先考虑时间调制重音加边界减速的协调，而非单一边界提前。

一句话记住：塞茨瓦纳语的倒数第二拉长主要是时间拉长，末尾拉长兼有时间与空间增大，两者在时长上分两步走，在空间上一步走向边界。后续验证需要补上时滞与相对定时、峰值速度时刻、计算仿真中的 μ 与 π 耦合，以及更大样本与自发语料。若这些补齐后双阶段依然稳定，才能把交互解释从有限支持推进为更强的因果主张。

📐 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 21 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