语音学与音系

针对阿拉伯语发音评估缺乏临床对齐工具的问题，Harf-Speech 用标准音素生成加微调语音转音素加对齐加权评分的模块化路线，在 40 句三位专家评分上达到与专家均分 0.791 皮尔逊相关，代价是临床样本小且依赖微调后的音素识别精度。

针对儿童语音的筛查需求，PhonLLM 把预期发音与声学证据一起送入解码器，联合输出标准音素和音系过程标签，在多语临床数据上平均标注 F1 为 75.9 且音素错误率低于纯转写流水线，但对 backing 与 deletion 仍明显更弱。

该研究以六种语言儿童语料的实际发音与成人理想形式为对象，按词首、词中、词尾计算辅音簇分布熵，发现模型系统呈稳定的三位置分化而儿童系统边缘对比更弱且词中熵最高，词汇增长推动模型熵上升并引导实际向模型收敛而句法复杂度可能在词尾拖慢该过程。

论文针对火济晋语 T1 与历史促声 T5 在基频上压缩重叠且尾段周期性脆弱的问题，用统一低频参数对比三种时域基频估计器并叠加发声质量度量，发现只用基频时 T5 恒为 T1 最近邻，而加入 HNR05 与 H1 星差后离散指数明显扩张，代价是结论仅限发音端且未做听辨验证。

论文以意大利语和罗马尼亚语广播语料中的元音序列/ia/为对象，用语速归一化时长和函数主成分分析的共振峰动态检验重音与词内位置如何促进或阻断滑音形成，最强证据是意大利语重读与非重读时长差达 0.56 对数单位而罗马尼亚语整体更长更陡，代价是两语言高度重叠且说话人信息缺失。

该研究用发音属性序列代替音素直接建模，在母语数据训练后于学习者语料上做检测与诊断，报告显示误接受率与诊断错误率下降，但误拒绝率略有上升且声调细化带来灵敏度代价。

论文用最大似然分类器在 Warlpiri 语 VCV 材料上比较辅音内在线索与元音外在线索，显示只用辅音内在线索时五个塞音很易混淆，加入相邻元音中点共振峰后辅音分类显著提升且元音识别不下降。

针对 1 或 2 kHz 到 16 kHz 的极端语音超分，P2Flow 用音素后验引导缺失高频包络、用 3 段渐进恢复 0-2、2-4、4-8 kHz 速度场并对声码器做后训练，在 TIMIT 与 VCTK 上报告了谱失真、感知质量与可懂度同步改善，代价是 3 阶段流水线与额外分类器依赖。

该文把语料看作语音相似 utterance 图，先用零模型检验其聚类与模块度，再按社区分层加稀有音素播种做时长预算选择，在孟加拉语和英语 20% 预算下均显著降低合成可懂度误差，孟加拉语还以 4.5 倍更少训练时间超过全量训练。

针对日语无切分与多音字难题，该研究用词典格子约束候选、用字符级语境打分选择路径，并用大模型标注约两百多万句训练，常用汉字读音基准上报告 99.62% 目标词准确率，代价是专有名词与数字归一化仍需外挂模块。

该研究用先定位中频能量谷再验证释放的闭合计数器替代包络峰计数，在六个语料库 356 名说话人 3560 个合格颤音上得到中位数 2 个闭合、约 36 毫秒间隔，语境效应稳健而性别效应消失，代价是只描述成形良好的浊音周期性颤音且缺乏人工逐点基准。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

针对发音评估既要认准音素又要定准边界的问题，该工作把每个音素展开为有序子音素状态并用最优时间传输做稠密单调训练，在朗读、自发与二语语音上改善切分并保持可比识别，主代价是更细帧率与更长拓扑会推高识别错误并需要权衡诊断增益。

该研究用 20 人会话语料手工标注 6961 个/b/和 10844 个/v/并做持阻段声学比较，发现元音间/b/约 21% 实现为近音、全位置/v/约 38% 为近音且词内位置弱化率最高，个体层面两音弱化率正相关 r=0.7，但词频效应仅在女性中显著，支持处于规约化减弱而非已完成音位重组阶段。

该研究用三音节形容词、名词、动词在对比焦点、窄焦点及两种焦点后条件下的对照发音实验，显示焦点使第二、三音节元音的基频、时长和能量一致抬高，而所谓词末重音与倒数第二重音的音节间差异并不稳定，仅频谱倾斜等个别指标支持重音解释。

该研究以陈述句的词末重音为基线，比较撒奇莱雅与法兰澳阿美语的疑问词首与祈使句动后小品的高音位置，提出高音重联而非重音移位的统一解释，代价是仅依赖八位发音人的声学描写而未做统计检验与感知验证。

本研究以半自发科姆语语料检验词干首位置是否伴随超发音式的元音分化，发现三个共有元音在重音位置共振峰更分散且时长略长，但声调未建模与词界混淆仍是主要代价与限制。

针对 MOCHA-TIMIT 文件名与内容不一致且缺乏统一音素与韵律标注的问题，作者用 Whisper 校对加人工质检加英式英语 MFA 强制对齐生成 8 层标注，在 msak0 和 fsew0 共 920 句人工标注上达到约 80.4%-80.5% 音素分类正确率与 14.0-15.9 毫秒边界平均误差，但 19.5% 残余混淆仍集中在元音长短、双元音与连 …

该研究用地图任务比较 5 名轻中度阿尔茨海默病女性与 5 名健康老年女性的意大利语元音共振峰，发现 F1 与 F3 存在组间差异并呈轻微元音空间扩张趋势，但样本仅 10 人且 FCR 差异不显著，不能作为确诊依据。