统计分析

该研究用实时磁共振成像量化普通话齿音与卷舌音四对辅音的收缩位置与前后腔形态，发现收缩位置后移和前腔扩大是跨辅音对稳定的相关物，而收缩长度和后腔区分力弱，且卷舌常呈舌尖下垂而非上卷。

该研究用 3 名女性的自主提调与 16 名女性的 5 档合成提调检验谱 x-vector 系统，发现默认-抬高比较把 EER 从 0.0 推高到 14.4、极端合成把 EER 推高到 15.2，但降级集中在抬高幅度最大且音高起伏受限的个人身上，单纯平移 f0 不能代替真实伪装。

该研究把评价从分类分数转向可解释探针，用 88 个 eGeMAPS 特征和线性与非线性回归探针测量六个预训练嵌入的可恢复性，最强证据是响度最好恢复而基频最难恢复，代价是拼接嵌入虽互补但高维时反而可能降低任务相关特征的可恢复性。

针对威尼托语 gambellarese 方言半自发陈述句中升调是否只是偶发变体的问题，论文用 269 个完整宽焦点陈述句的听辨分类与归一化基频建模证明升调与降调约各占一半且不受重音位置制约，但词尾重音会改变曲线形态与整体音高。

针对合成语音 MOS 只给点估计不可靠的问题，ConformalMOS 用冻结上游表征加高斯平滑序回归做点估计，再用分裂共形校准输出区间，在 BVCC 上以系统级 MSE 为 0.08 取得相对 FUSE-MOS 约 7.0% 的降低，代价是 utterance 级 MSE 略升且保证只在可交换性成立时有效。

针对西班牙语和法语 10 个国家级方言自建 20 小时性别均衡播客语料并评测 7 个模型，发现法语偏向欧洲、西班牙语呈现多米尼加优于半岛而智利最差的非均匀差距，词法与声学分析及编码器冻结微调共同指向解码器语言模型先验是主要故障点，但小规模适配只能部分恢复方言特征。

该研究以英语、日语、俄语纵向自然互动为对象，用动态时间规整度量儿童话语后 2 秒内照顾者话语的基频轮廓距离，并以贝叶斯多层模型检验时间间隔与儿童年龄的作用，最强证据是三国儿童年龄越大轮廓距离越大，而短时邻近效应仅在俄语成立且在日语反向，代价是只看整句轮廓、只覆盖三种语言文化。

针对静音肌电缺少逐帧语音监督且样本更少的问题，该研究在保留语音导出声学与音素监督的同时增加静音到有声的输出层与隐层表示对齐，在梅尔谱目标下把词错率从 26.75% 降到 25.14%、在软语音单元目标下从 27.78% 降到 26.55%，代价是只有具备同句平行肌电对的静音样本才能计算该约束且结论依赖多种子平均与显著性检验。

该文用 11 段纯语音与 11 段语音加背景音的 MUSHRA 听测检验 20 余种客观指标，发现 SCOREQ 在纯语音上 Pearson ρ 为 0.937、PESQ 在混合音频上 ρ 为 0.903，而 PEAQ 与多数免参考指标在混合内容上失效，代价是现有指标均不刻画立体声空间失真且样本与听音人数有限。

论文针对自监督前端为深伪检测提供了什么依据这一问题，提出把判定轴投影到各证据子空间并用解释比例度量，在冻结、微调和后训练条件下用静音等九类证据检验，显示同质训练放大信号级捷径而多样训练与后训练能部分抑制但静音残留持续存在。

该文在 10 个系统的语音自然度评价中比较随机、排序式 merge-rank 与信息增益式 ASAP 三种选对策略，发现 ASAP 发现显著差异最多、排序最稳，且相同听音时长下 BWS 优于 AB，但代价是 BWS 单题更长、ASAP 需序贯计算与完整回答库仿真。

该研究用江淮官话灌南话的诱发问答任务检验窄焦点与中性焦点的基频实现，发现平均基频与基频起伏都呈现三区格局且跨成年年龄组保持，最强年龄证据是老年组在焦点后位置的平均基频压缩更深，代价是需要区分格局保持与微调变化且不能推广到时长与强度。

该研究以 102 名 5-8 岁儿童的 816 个听觉正常波兰语/s/为对象，用线性混合效应模型检验词首、词中、词尾对质心、偏度、峰度和频谱通量的影响，发现词首与词中对比最强且稳定，而词中与词尾多不显著，代价是仅 8 个词且词位不平衡、未建模年龄与时长。

该研究以开慧湘语入声 T6 为对象，用基频、时长和嗓音质量三维声学对比入声与非入声并检验性别，报告显示塞尾已消失但降调轮廓与短时长保留、喉化前移，且男性时长截断更保守、女性时长弱化与发声创新更前沿，代价是仅有中老年横断面而无青年对照与多韵律条件。

该研究在德语整句产出中同时操纵词频与音节惊奇度，发现反应时与长元音时长不支持离散串行模型的加性预测，而呈现随单双音节变化的选择性交互，且句中与句末位置效应稳定存在。

用粤语英语双语语音在同语言与跨语言配对下比较 18 个说话人嵌入模型与人耳相似度判断，显示嵌入能区分同一人与不同人但跨语言时区分度下降，且依赖语速与共振峰等共享声学线索，而粤语微调并未带来可运行的提升。

针对波兰语儿童卷舌擦音与塞擦音的齿化、龈腭化和齿间化问题，该研究用 28 个 500 Hz 噪声能量与摩擦共振峰比值结合线性混合效应模型检验发音位置效应，最强证据是齿化在 FNER 比值上解释近 30% 方差且高频差异延伸至 14-16 kHz，代价是类别不平衡使稀少齿间类的估计精度下降。

论文用四系统配对消融与 768 个人评证明神经 MOS 在离散野外 TTS 上相关性塌到零且错罚噪声而漏判语义错误，代价是不能再单独用它做系统排序。

该研究用 2×3 被试间对话熟悉化实验检验自然度与注意指向对声音再认的影响，发现对话熟悉化提高旧说话人命中率与信心但同时增加对新说话人的误认，信号检测显示为反应偏向变宽松而非辨别力提高，注意指向无显著主效应。

论文用目标模型样本的平均残差做指纹并以马氏距离做归因与检测，在多语种多架构上报告近乎完美的单模型归因与可比深度基线的闭世界分类，代价是对抗自适应攻击与强混响压缩仍需重估计指纹。