戴口罩反而更好：粤语声调辨别为何不受遮挡拖累

英文题目：Mask-Wearing Facilitates Cantonese Tone Discrimination

会议身份：conference:speechprosody:2026:conference-paper-id:zu26_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：#心理声学实验 #言语感知 #音视频 #语音 #语音属性识别

评分：5.6/10 | 创新 1.2/2 | 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

• Jiaqing Zu：机构信息未能从会议 PDF 纯文本可靠映射
• Tianyu Chu：机构信息未能从会议 PDF 纯文本可靠映射
• William Choi：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理粤语词汇声调在外科口罩遮挡与环境噪声下的可辨别性问题，输入为同音节/fu/六声调的成对语音与同步人脸视频，输出为相同或不同的二选判断，难点在于声调仅靠低频F0细微差异区分且易被听觉衰减与视听整合负荷掩盖。方法链分三步推进：由男女母语者分别在戴与不戴外科口罩下自然录制孤立单音节刺激，其输出进入跨说话人AX辨别范式以抑制纯声学比对；该范式的试次准确率进入信号检测论转换得到敏感度指标d’以控制反应偏向；d’进入贝叶斯双因素方差分析并辅以Praat声学检验验证时长与F0是否随口罩变化。与强调抽象范畴化的识别任务不同，本研究以辨别任务直接检验听觉敏感性，并提出视觉缺失减少跨模态认知负荷从而释放音高注意的机制解释，具有澄清口罩影响来源的实际意义。在安静与52 dB SPL校园噪声混合的AX辨别任务条件下，戴口罩条件的敏感度指标d’高于不戴口罩条件的敏感度指标d’，贝叶斯事后比较的贝叶斯因子BF10为67.37。结论适用边界受限于外科口罩、单音节孤立词与实验室辨别任务，尚未验证句子理解、其他口罩类型及儿童或听损人群的外推。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://praat.org — 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

口罩之后，声调语言的担心从哪里来？

输入是本解读的起点。本文研究的是戴口罩说话时，粤语母语者听辨词汇声调是否变难。目标读者是刚进入语音、音乐或音频领域的研究生，需要能按步骤复述方法并核对实验条件。必须保留的信息包括被试数量与筛选条件、6 个扶系最小对刺激、男女声与同异试次构成、安静与噪声 4 个组块、52 分贝声压级学校环境白噪声、灵敏度 d 值的计算方式、声学多元方差分析与贝叶斯方差分析的结果。输出是 1 篇可核对的方法解读，不做超出原文的推广。

新冠疫情之后口罩在公共场合仍然常见，家长和教师担心学生听不清，进而影响课堂学习。以往关于口罩的研究大多集中在句子理解和辅音、元音等音段特征，发现口罩会衰减高频能量并挡住唇部动作，在噪声中尤其增加听辨难度。但粤语靠音高变化区分词义，同一个音节忧鈾幼油有又因声调不同而意义完全不同，这类音高信息主要在低频基频模式中，与辅音所需的高频细节并不相同。因此不能直接把英语句子或辅音的结论搬到粤语声调上，这正是本文要补的缺口。

学习依赖上，需要先理解声调辨别任务与日常句子理解的区别。句子理解允许听者利用上下文猜测，声调辨别则要求在没有语义帮助的情况下比较两个声音的音高是否相同。本文同时设置安静与噪声条件，就是为了更接近真实交流，而不是只在隔音室的安静条件下测试。后续各节将按任务与相关路线、方法全景、组件与计算、构造与实施、实验条件、结果与反证、复现与收束的顺序展开。

以往研究在句子、辅音和声调上分别发现了什么？

在句子层面，原文梳理了两类聆听环境。在安静环境中，多项研究发现尽管声学信号可测到衰减，句子可懂度受影响很小，说明信号细节减少不一定损害无噪声时的理解。在噪声环境中，口罩会明显降低理解并增加聆听努力，透明口罩和过滤布口罩问题较大，成人可借助高语义可预测性部分抵消不利影响。这说明句子理解同时依赖自下而上的听觉输入和自上而下的语义支持。

在音素层面，英语研究发现口罩干扰塞音、塞擦音和擦音的发音部位感知，粤语辅音识别则基本不受口罩影响，提示跨语言差异。元音方面，英语元音感知受影响较小，粤语元音虽仍能准确识别，但在噪声中识别效率下降，反映认知努力增加。总体上音素层面的结论并不一致，不能简单说口罩一定损害或一定无害。

在声调层面，直接证据很少。原文引用的崔等人研究比较了外科口罩对粤语辅音、元音和声调的影响，采用的是声调识别任务，要求听者把声音归类，结果发现口罩对声调感知无显著影响。本文与该工作的区别在于把任务从识别改为辨别。识别强调抽象与归类，辨别强调察觉细微音高差，教学例子是先听同一说话人的两个扶系音节再判断异同，这更接近基本听觉层面的评估。噪声条件的加入也是为了提高生态效度。

本文要回答的具体问题是什么？

本文提出的问题是粤语词汇声调辨别在戴口罩语音中是否更难，并同时检验背景噪声是否改变这一效应。操作上把口罩设为戴外科口罩与不戴口罩两个水平，把噪声设为安静与有噪声两个水平，形成 4 个组块。被试内完成全部条件，从而控制个体听觉敏感度差异。

需要区分的边界是，本文不检验透明口罩、布口罩或 N95 口罩，也不检验句子理解或声调识别，只检验外科口罩下的声调辨别。噪声不是多说话人 babble，而是学校环境中录制的白噪声。若把本文结论推广到所有口罩类型或所有语言任务，就会超出证据。另一个边界是视觉信息的作用。原文假设声调由喉部调节产生，唇形等可见发音动作提供的线索有限，因此不戴口罩时的视觉信息可能不是帮助而是分心，这是后文解释意外结果的关键。

从录音到判断，整个流程如何走通？

先沿一个样本走完流程。假设某试次先后呈现两个声音，第一个是男声说的扶低升调，第二个是女声说的扶低平调。听者同时通过耳机听到声音并在屏幕上看到说话人面部视频，在噪声组块还叠加背景噪声。听者按键判断两者声调相同还是不同。关键设计是前后两个声音恒定来自不同性别说话人，目的是防止听者只比较原始波形的细微声学相同性，而必须比较声调范畴层面的异同。

全景上，方法分为刺激录制、任务实施、指标转换与统计检验 4 步。录制阶段由 1 男 1 女 2 名主修言语语言病理学的粤语母语者，在隔音室用舒尔 SM58 动圈话筒以 44100 赫兹采样率录制 6 个扶系单字，距离话筒约 10 厘米，自然清晰孤立发出，先录不戴口罩版本，再戴外科口罩重复，要求保持平时说话方式，不刻意提高音量或夸张发音，并同步用摄像机记录面部。任务阶段采用 AX 辨别范式，先做 4 个有反馈的练习试次，再做无反馈的正式试次。

指标阶段把正确率转换为信号检测论的灵敏度 d 值，以控制回答偏好。统计阶段先用多元方差分析检验录音本身是否因口罩改变，再用贝叶斯双因素方差分析检验听者行为是否因口罩与噪声改变。

刺激与试次如何构造？操作细节是什么？

刺激是 6 个粤语单字扶苦裤扶妇父，记为 fu1 至 fu6，辅音与元音完全相同，仅声调不同，构成最小对。这是控制音段干扰的标准做法，使异同判断只能依据声调。15 种声调两两对比覆盖 T1 至 T6 的全部配对，包括 T1 与 T2、T1 与 T3 等直至 T5 与 T6。每种对比按男女声与相同不同试次展开，单组块内形成 60 个试次，4 个组块共 240 个正式试次。

声调辨别 × 声调识别： 声调辨别分工是判断两个先后呈现的声音是否相同，依赖对基频高低与走向差异的直接听觉比较；声调识别分工是把单个声音归入 T1 至 T6 的抽象类别，依赖范畴化与记忆中的声调模板。两者搭配的理由是识别任务可能掩盖细微听觉差异，而辨别任务更贴近基本听觉敏感度。本研究选择辨别，正是为了在分类策略介入之前检验口罩是否改变了对细微音高差的察觉能力。

程序上 4 个组块为安静不戴口罩、噪声不戴口罩、安静戴外科口罩、噪声戴外科口罩，每个被试的组块顺序随机。听觉与视觉刺激同时呈现，噪声组块叠加学校环境白噪声。练习阶段提供对错反馈，正式阶段不提供反馈，避免学习效应在组块间不均衡。不同性别先后呈现的设计值得复述，因为它是防止纯声学匹配策略的核心控制。若前后为同一说话人，听者可能靠频谱细节是否完全一致作答，而跨说话人则迫使听者提取相对音高模式。

d 值与声学参数分别算什么？

行为指标的计算分 3 步。第一步对每个被试统计不同试次答对比例为击中率，相同试次答错比例为虚报率。第二步为避免无穷大 d 值，把 1.000 修正为 0.995，把 0.000 修正为 0.005。第 3 步把击中率与虚报率分别做标准正态逆变换后相减，得到 d 值等于 z 击中率减 z 虚报率。d 值越大表示区分相同与不同的能力越强，且不受偏向爱答相同或爱答不同的影响。

灵敏度 d 值 × 正确率： 灵敏度 d 值分工是把击中率与虚报率经标准正态转换后相减，分离出真正的区分能力与回答偏好；正确率分工是直接统计答对比例，但会把爱答相同或爱答不同这类偏好混入成绩。两者搭配的理由是本任务中相同试次与不同试次各占一半，若只看正确率会高估或低估能力。组合意义是 d 值越高才说明听者确实能区分声调，而不是靠猜测策略提高分数。

声学分析使用 Praat 软件，版本信息在参考文献中标注为 2025 年可公开获取的工具，当前可用性以资源状态为准，本文资源状态显示可用。分析的特征包括时长、基频高度、最小基频、最大基频、基频起点、基频终点、基频轮廓和强度。统计采用 2 乘 2 多元方差分析，以声调六水平与口罩两水平为组间因素，检验这些声学特征是否随条件变化。

声学干扰 × 视觉遮挡： 声学干扰分工指口罩布料对声音频谱的物理衰减，尤其高频能量；视觉遮挡分工指口罩挡住嘴唇与下颌运动，使听者看不到发音动作。两者搭配的理由是日常戴口罩交谈同时缺少这两类信息，需要区分成绩下降到底来自听不清还是看不见。组合意义是本研究通过声学测量检验第一条路径，再用认知负荷解释第二条路径，从而说明声调任务为何与辅音任务结果不同。

基频轮廓 × 基频高度： 基频轮廓分工是描述整个音节内音高随时间上升、下降或持平的形状，是区分粤语六声的关键；基频高度分工是描述整体音高偏高还是偏低，是辅助线索。两者搭配的理由是仅看起点或终点不足以区分例如高平与中平或低升与低平，必须同时看形状与位置。组合意义是声学分析同时检验这两类参数，才能判断口罩是否系统性改变了某一声调的形状或整体音高。

认知负荷 × 语义可预测性： 认知负荷分工指同时处理听觉与视觉信息时对有限工作记忆的占用；语义可预测性分工指利用句子上下文自上而下补全信息，从而减轻对声音细节的依赖。两者搭配的理由是句子理解任务中高预测性可以抵消口罩的不利影响，而单音节辨别任务没有上下文可用。组合意义是本研究提出在无上下文时减少视觉分心反而释放资源，使听者更集中于音高，这是与句子层面文献不同的机制解释。

本研究有没有训练模型？实际计算是什么？

本研究没有训练神经网络，也没有更新任何模型权重，不存在优化器、梯度路径、冻结层或重置时机的安排。若把无训练理解为系统输出确定，则是误解。无训练只意味着没有拟合参数的过程，听者行为本身仍有试次间变异。

实际计算是两类统计推断。第一类是对录音的声学验证，用多元方差分析检验口罩是否改变声音的物理属性， followed by 单变量检验定位是哪个声学特征随声调变化。第二类是对行为数据的假设检验，用贝叶斯双因素方差分析比较仅含口罩主效应、口罩加噪声、零模型等候选模型，以贝叶斯因子衡量证据强度，并采用均匀先验。贝叶斯因子的解读参照李与瓦赫纳马克提出的证据强度标准。所有计算的对象都是已采集的试次数据，不涉及生成模型推理或检索。

被试、设备与条件如何保持一致？

被试招募 40 名粤语母语者，要求无听力言语或认知障碍史，视力正常或矫正正常，无正式音乐训练。1 人在测试中退出，最终样本 39 人，平均年龄 28 岁，标准差 11.84。无音乐训练这一条是为了排除音乐音高经验对声调敏感度的已知促进作用，使结果更能反映普通母语者的基本能力。

设备与环境方面，录制在隔音室完成，播放时听觉经耳机、视觉经电脑屏幕同时呈现。噪声为学校环境录制的白噪声，强度固定。这种固定强度保证 4 个组块中噪声条件的一致性，使口罩效应可以在安静与噪声下分别比较。正式实验前有练习试次，正式试次无反馈，组块顺序随机，这些都是控制顺序效应与反馈学习效应的常规做法。

下表提出的问题是试次结构是否在各条件下公平可比。公平条件是每种声调对比、每种说话人性别、每种异同类型在每个组块中出现次数相同，指标方向是试次越多估计越稳定，但总时长需可接受。表中数字来自原文连续描述，单位与乘式保留原文写法。

表后解释是单组块 60 试次保证 15 种对比在男女声与同异条件下各出现 1 次，4 组块 240 试次使口罩与噪声的 4 个组合各有完整数据。噪声强度固定为 52 分贝声压级，与既往研究一致。代价是噪声只有单一强度与单一类型，未能检验不同信噪比下口罩效应是否变化。未胜出项是透明口罩等其他口罩类型，本文未评测，不能从外科口罩结论外推。

戴口罩真的让声调更难辨吗？主结果说什么？

测的是 d 值表示的辨别灵敏度，与谁比是同一批被试在不戴口罩条件下的 d 值，条件一致体现在刺激、性别组合与试次数量完全对应，仅口罩与噪声不同。指标方向是 d 值越大能力越强。关键数字是口罩主效应模型为最佳拟合模型，事后比较显示戴口罩优于不戴口罩，BF10 为 67.37，BF01 范围为 3.73 至 58.87，达到中等至很强证据。噪声主效应未进入最佳模型，说明在本任务中噪声未显著改变总体模式。

下表要回答的是声学差异能否解释行为优势。比较问题是口罩是否系统改变了基频相关物理线索，公平条件是同一批录音 token 同时检验时长、强度与多个基频参数，指标方向是 F 越大、p 越小、效应量越大表示组间差异越可靠。

表后解释是声调显著影响基频轮廓，说明六声在形状上确有区分，这是任务可做的基础。口罩的多元主效应显著但后续单变量检验中没有任何单个声学特征显示口罩主效应或交互显著，时长、基频高度、最小最大基频、起点终点与强度均不显著。这支持原文判断，即口罩未实质改变与声调相关的个别声学线索，其效应在各声调间一致。反例是若只看多元显著就断言口罩改变了声音，会忽略单变量全不显著的限制。

行为层面的数字结果需要单独呈现，因为上一张是声学验证而非可部署策略比较。下表比较的是不同统计模型对 d 值的解释力，保留零模型等基线，指标方向是 BF01 越大越支持最佳模型优于该模型。

表后解释是最佳模型为仅含口罩主效应的模型，它优于零模型、优于口罩加噪声模型、优于含交互模型，BF01 从 3.73 到 58.87。事后比较的 BF10 为 67.37，方向是戴口罩条件 d 值更高，且安静与噪声下均如此。代价是本文只报告组平均 d 值趋势，未报告每种声调对比是否都一致变好，因此总体趋势不等于每对声调都成立。未评测边界包括不同噪声强度与真实课堂混响，原文明确这是待扩展的复杂语言任务。

哪些对照排除了录音与任务设计的替代解释？

第一个对照是声学对照。如果戴口罩者不自觉提高音量或夸张发音，行为优势可能来自说话更用力而非视觉机制。原文在录制时明确要求保持平时说话方式，避免补偿行为，并在声学上检验强度与时长，结果均无口罩主效应，这削弱了用力说话的解释。但原文也承认整体声学轮廓可能有细微变化，只是没有某个线索被一致改变，因此不能完全排除未测量的细微声学差异。

第二个对照是任务策略对照。跨性别呈现迫使听者不能靠波形完全相同作答，若仍看到优势，则更可能是声调层面的差异敏感度变化。练习试次有反馈而正式试次无反馈，保证正式比较不受试次内学习反馈的污染。组块顺序随机，排除疲劳或适应顺序与口罩条件的混淆。

第三个对照是噪声对照。噪声条件本意是检验生态效度，结果是口罩优势在安静与噪声下都存在，噪声未改变结论方向。这与句子层面噪声中口罩损害更大的文献形成对比，提示任务类型调节口罩效应。失败条件方面，本文没有设置去掉视觉的纯听觉对照，也没有测量反应时或认知负荷量表，因此用认知负荷重分配解释优势仍是有限解释而非直接测量，原文用可能一词表达这种不确定性。

结论的适用边界与未验证推测有哪些？

直接报告的是外科口罩下粤语声调辨别 d 值更高，声学单变量无口罩效应。有限解释是视觉缺失减少分心，使资源集中于音高，从而提高成绩。未验证推测是认知负荷机制本身，因为本文未测量工作记忆占用、眼动或脑电等负荷指标，也未操纵视觉有无的独立条件。相关性不是因果，d 值提高与视觉缺失同时出现，不等于证明分心减少是唯一原因。

适用边界包括被试为无音乐训练的年轻母语者，平均 28 岁，不能推广到儿童、年长者或听力受损者。刺激为孤立单字扶系最小对，不能推广到连续语流或句子理解。口罩仅为外科口罩，不能推广到透明或布口罩。噪声仅为固定强度的学校白噪声，不能推广到多说话人 babble 或不同信噪比。缺失证据不是技术错误，但未测量误判率以外的延迟、聆听努力与学习成绩时，不应承诺这些量也得到改善。原文在启示部分也提醒元音感知仍可能受影响，句子理解需未来研究。

要复现这项研究，先做什么、记什么？

复现先做刺激复刻。招募 1 男 1 女粤语母语者，在隔音室用动圈话筒以 44100 赫兹录制扶苦裤扶妇父六字，先不戴口罩再戴外科口罩，保持 10 厘米距离与自然发音，同步录像。检查是否出现补偿性提高音量，必要时记录强度以备核查。

再做任务复刻。采用 AX 范式，前后刺激恒定跨性别，15 种对比乘 2 性别乘 2 同异类型构成单组块 60 试次，4 组块 240 试次，另加 4 个有反馈练习试次。4 个组块为安静不戴、噪声不戴、安静戴、噪声戴，顺序随机，听觉经耳机、视觉经屏幕同时呈现，噪声组块叠加 52 分贝声压级学校白噪声。被试筛选复制原文 4 条标准，并记录年龄与性别构成。

数据处理按原文步骤。分别计算击中率与虚报率，把极端值调整为 0.995 与 0.005，再求 d 值等于 z 击中率减 z 虚报率。统计先对时长、基频高度、最小最大基频、起点终点、轮廓与强度做声调乘口罩多元方差分析，再对 d 值做口罩乘噪声贝叶斯方差分析并报告贝叶斯因子。工具方面声学分析使用 Praat，参考文献给出网址，资源状态显示当前可用。还需补的验证是增加纯听觉无视觉条件以分离视觉机制，补充反应时与主观努力评分，并检验不同口罩类型与不同噪声强度。

何时值得参考这个发现？一句话如何带走？

当教学或临床场景担心外科口罩损害粤语声调听辨时，本文值得参考，因为它在控制跨说话人与试次平衡的辨别任务中显示出口罩条件不差反而更好，且声学上未发现基频线索被系统改变。但当问题是句子理解、儿童课堂学习成绩或长时间佩戴的疲劳效应时，不应直接引用本文作为无害证据，因为这些任务需要语义整合且本文未测量。

特有的误解是把曲线或均值差异直接当成每对声调都变好，或把口罩多元显著当成声音已改变。正确的理解是总体 d 值趋势支持口罩主效应，但单变量声学全不显著，且原文未分解每对声调的胜负。另一个误解是把无训练当成确定性求解，实际上听者行为仍有变异，统计结论依赖贝叶斯证据强度而非绝对证明。带走的一句话是，在本研究的辨别任务与外科口罩范围内，遮住面部并未削弱对音高差异的敏感度，反而可能通过减少视觉分心让听者更专注于声音，但机制仍需直接测量负荷的后续实验验证。

📐 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 8 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