语音学与音系

该研究以 35 对英语异形同音词共 14000 个自然语料 token 为对象，用 50 帧时间归一化梅尔频谱与音素对数值比较同对词的音段实现，并用广义加性模型检验语境语义可分性对语音可分性的调节，代价是结论依赖强制对齐、线性判别与观察性建模而非因果操纵。

针对平均意见分测不出语法条件变体的问题，该文以阿萨姆语舌根前移元音和谐为探针，用人类语音训练声学到音系分类器并跨域审计 MMS 合成，最强证据是中元音/e/和/o/约三分之一被实现为[-ATR] 且欠生成与过生成呈约 7 比 1 不对称，代价是仅覆盖单个系统、单个现象与小规模不平衡合成集。

针对韩语 g2pk 转换慢且词边界音变建模不准的问题，论文用分层指针加递归重估的规则引擎把转换精度从 27.2% 提升到 85.7%、单句耗时从 14.98 ms 降到 3.14 ms，并用 96 个 VITS 模型的方差分析证明高精度音素输入显著降低可懂度误差而不损失音质。

该研究用 CUCO 库比较鼻中隔成形、鼻内镜鼻窦手术、扁桃体切除与健康对照在术前、术后 2 周和术后 3 个月的元音鼻化，显示 A1-P0 对病理差异更敏感且效应集中在/u/，只有扁桃体组出现术后早期的短暂鼻化减弱而无长期改变。

针对塞音嗓音起始时间、闭塞时长与有无爆破三项细粒度标注问题，wav2VOT 把 wav2vec2 改成 1 毫秒帧分类器，先在日语 CSJ-C 大规模训练再向英语多语料微调，在未见数据上与 AutoVOT 相当、微调后显著提升，但小样本微调在录音差异大的语料上会暂时损伤性能。

针对纯语音语言模型序列过长问题，ZeroSyl 冻结 WavLM 并用第 13 层 L2 范数峰值切分音节、22 层均值池化加球面 K 均值离散化，在 6k 小时对比中词汇句法叙事均领先同类音节系统，而扩展实验显示细粒度单元在词汇任务仍占优且音节单元在句法上扩展斜率更陡。

论文追问经听辨判定为目标齿音的 61 到 96 个月儿童其/s,z/摩擦噪声是否仍有连续年龄变化，用短时频谱与摩擦噪声特征加线性混合效应模型检验，报告/s/高频能量与峰间距随月龄上升而/z/低频能量与第一摩擦共振峰下降，代价是按月展开后样本稀疏且自发与跟读任务未完全平衡。

该研究以 78 名南京普通话人的 236 个音节单字朗读比较年轻与年老组的声调发音，用归一化基频多参数与分布距离加支持向量机分类证明年老组声调区分度系统下降且代价集中为 T2 与 T3 双向混淆。

论文以 3000 句人工标注比较 30 多个大模型与传统形态分析器的日语字音转换，证明解析模式加规则后处理的最优假名错误率降到 0.52%，低于最强传统工具的 1.03%，但小模型、数字量词与推理模式仍有明确代价与边界。

该研究以词中相对词首的塞音弱化为问题，用跨语言统一的强度轮廓函数主成分分析加贝叶斯混合效应模型来度量弱化，最强证据是浊塞音在九种语言中几乎一致地更短且强度凹陷更浅，而鼻音和清塞音的实现方式因语言而异，代价是词重音混杂与强制对齐误差仍需补充检验。

论文用线性残差化减去音素、二音子与三音子信息后，再用帧级线性探针测词身份，发现中后层仍能远超偶然基线识别词，同时以词发现任务验证去音素表示的增益与去上下文信息的代价。

该研究用 120 名日语母语者的重复聆听实验检验了短语内元音与辅音分布偏向和歌与说唱两种指导语对言转歌错觉强度的影响，发现任一偏向都显著强于无偏向且说唱指导整体更高，但双偏向并未显著叠加且韵律等混淆仍待控制。

论文用十一人新标注数据把未见说话人笑声切分误差降到 23.0 毫秒与 30% 替换错误，再对比人工与自动标注训练的声码器参数合成与音频大语言模型合成，报告显示后者自然度更高而前者笑法还原更高，且自动标注仍落后于人工标注。

针对中日两个零样本语音分类任务，论文显示仅靠多语言离散国际音标词元训练的模型会失效，而用连续发音特征向量做分类能显著提升稀有音的召回，但送气用单帧最优、鼻音部位用段平均最优，时间聚合方式必须按线索的持续性选择。

论文用冻结编码器的逐层探测研究非裔美国英语词尾辅音丛弱化，证明两种模型都能区分弱读与完整形式且弱读仍保留底层塞音身份，代价是二分类准确率受协同发音和丛类型制约而只能达到七到八成。

该研究以冲突名词对动词第二音节为对象，用带地标配准的多变量函数主成分分析检验无声学信息时重读与非重读音节是否可分，最强证据是六人中四人出现条件分离而口音最重两人未分离，代价是仅 98 个可用 token 且结论只具描述性。

该研究用普通话三声到四声的 14 步连续体检验 wav2vec2.0 是否随前字声调补偿知觉边界，发现纯自监督嵌入无补偿而微调与探测分类器仅显示弱且不似人的语境敏感，代价是孤立音节分类严重偏离人类基线。

针对大语音识别模型一次性剪枝会误删低幅度音素权重的问题，PhonePrune 用互补分布与最小对立体约束构造音素三元组校准集并做音素感知校准，在 50% 稀疏度下报告平均词错误率 11.50%，在韩语和日语上相对 Distil-Whisper 分别降低 13.41% 和 13.83%，代价是在英语集上弱于部分压缩基线且依赖强制对齐边界。

该文在 TIMIT 音素识别上用卷积加双向长短时记忆网络的原始波形模型把总音素错误率拆到三套宽音类并统计替换混淆，最强证据是仅用 TIMIT 达 13.9%/15.3% 而 WSJ 迁移后达 11.3%/12.3% 并超过滤波器组基线，代价是增益高度集中于过渡依赖的辅音类而元音类改善有限。

针对汤戈阿岛纳卡纳曼加语究竟有一个还是两个舌冠塞音的问题，研究用词中位置的嗓音起始时间与闭塞时长测量，显示清齿塞音与浊前鼻化 postalveolar 塞音在正负嗓音起始时间和鼻口闭塞构成上稳定分离，但结论限于词中语料与强度分段口径。