语音属性识别

该研究用超声舌轮廓加无监督聚类回答普通话卷舌擦音如何实现，发现六个轮廓簇可归为穹顶形、驼峰形和凹形三种超策略且发音人偏好稳定分组，代价是仅五位女性发音人、低帧率和小样本的探索性结论。

该文以 AVID 库 50 人在四个努力等级上的 F0、能量、频谱倾斜和语速斜率为表示，用 K 均值得到三类策略并以噪声、跨语料和 ASR 三重验证支撑，最强证据是簇内可分性与噪声可恢复性，代价是轮廓系数不高且性别关联不显著。

该研究用可控神经语音合成正交操纵语速、音高变化与响度并保持词句不变，发现人类讽刺评分主要被响度驱动而基础模型主要被语速驱动，且夸张韵律同时降低自然度。

针对句重音依赖跨词上下文而单层表征不完备的问题，WhiSSDapt 在冻结 Whisper-small 上学习编码器与解码器层权重并经额外解码器块分类，在自然与合成数据上报告最高 4.48% 和 6.09% 的相对 F1 增益，代价是只更新融合权重与分类头且未报告延迟与成本。

针对误发音检测与诊断需要如实转写实际发音的问题，该研究用强制单调帧级对齐的声学模型保留瞬时发音线索并用训练期特权信息隐式注入语言知识，在 L2-ARCTIC 上报告 F1 为 71.77%，代价是插入错误上升与识别率和诊断率之间的权衡。

该研究用 9 名新西兰英语发音人在仰卧、坐、站三种静态姿势下复读同一套 11 个/hVd/单词，以线性混合效应模型检验姿势对 F1、F2 的影响，发现总体差异小且最清楚的对比都涉及仰卧相对直立姿势，并集中在少数高元音和高前元音上，女性和年轻女性条件下的差异更清楚，但样本小因而只能作为本数据集的描述。

该研究以悉尼与布雷德伍德自发语音中五个双元音的整条共振峰轨迹为对象，用广义加性混合模型检验性别与地域差异，最强证据是性别对五个元音均显著而地域对其中三个显著，但轨迹中段差异与单点分析结论不一致的代价是模型复杂且可视化解释受限。

针对羌语和藏语变体等缺乏参考共振峰、无人看就容易系统性测错的问题，NewAppVoice 把多种基频与共振峰算法放在同一波形—语图—测量界面中同步对照并允许直接改表，最强证据是白马藏语/dzɑ̀/中 STRAIGHT 法 F4 高估到 4861 附近而 Praat 法与频谱峰在 3500 至 4000 赫兹一致，代价是仍需逐段人工核查且 HNR 等高频段与自 …

该研究以塔希提语、马克萨斯语和鲁鲁图语的口语塞音为对象，用强制对齐加手工校对与线性混合效应模型检验 VOT，最强证据是三语均为约 20 ms 的短延迟清塞音且后接元音是主要变异来源，代价是语料不平衡且仅覆盖朗读体、未能分离词重音与短语重音。

该研究以线性探针检验预训练语音嵌入与声学、语音和结构特征的关联，最强证据是振幅与频谱特征在测试集上可解释约五成方差，而形态句法特征几乎不可线性读取，代价是中值池化和线性假设可能压低结构信息的真实含量。

针对无对齐句子重音检测中深层语义表示压制细粒度韵律的问题，ProWhistress 用冻结 Whisper 隐式流加可训练声学显式流做门控融合，在英汉五套基准上以 SinoStress 合成到真人录音几乎不掉点的证据支撑跨域鲁棒性，代价是新增声学编码器与融合头的训练与调参负担。

论文用 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发话语提取 41 个魅力相关声学韵律特征并以混合效应模型做方差分解，报告说话人中位 ICC 为 0.56 而语言仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末 F0 和卢森堡语更强的中频谱能量，但合成魅力指数无语言主效应。

该研究用 10 名政客各 20 句卢森堡语加 20 句法语共 400 句自发话语的辅元音标注与成对检验，显示元音时长与语速随语言系统性重组而辅音保留说话人指纹，且语言与性别无稳健交互，但样本限于精英政客与聚合分析。

该研究用母语语料的上下文相关音素类中心加截断奇异值分解建立母语参照坐标，把每条二语话语的同名音素类投影进去算距离，在自发口语上与综合熟练度呈负相关，在朗读上与发音质量呈负相关，但偏离中仍混有流利度和覆盖度因素。

该研究用同一说话人相同句子的去噪磁共振语音与干净语音对比声学到发音反演，固定以磁共振轮廓为目标比较 M2M、M2C、C2C 三种可运行组合，最强证据是 C2C 平均误差为 1.56 mm 接近 M2M 的 1.51 mm，代价是未经适配的 M2C 退化到 1.64 mm 且全程依赖逐音素分层对齐。

针对单说话人声学到完整声道轮廓反演跨说话人几何失配问题，论文用一帧/u/标定的 12 点仿射加 14 点薄板样条映射复用固定模型预测，在 8 个新说话人上把 Full10 误差从未适应的 8.87 mm 降到 3.19 mm，但喉部与唇部改善不均匀且 P4 出现回退。

该研究用西班牙语主导的西英双语者在线词语影子任务检验对真人与合成语音的语音趋同，发现元音时长和嗓音起始时间总体发生趋同但受语言与社会因素调节，而英语嗓音起始时间的负距离差需用抽象音位目标解释。

该研究把对儿童说话检测放在 182 名儿童共 22 小时多语长程录音上，用儿童中心录音预训练的 BabyHuBERT 加 10 秒上下文窗口做三分类，最强证据是验证集平均 F1 从无上下文约 53.2% 提升到 10 秒约 67.0%，代价是训练时间从 22 分钟涨到 2 小时以上且自动切分下性能大幅回落。

论文以最小对立体偏移方向的余弦检验听觉与文本两流是否共享区别性特征方向，最强证据是仅清浊特征在两个 Qwen2.5-Omni 模型中通过多重校正，而随机配对基线在模型间相差达 7 倍，说明不能对零比较。

该研究用同一套英语元音辨别任务比较荷兰籍英语学习者与三种神经模型，显示语音大语言模型在多人 babble 训练后提升趋势最接近人类且在稳态噪声下绝对准确率最接近人类，但匹配噪声训练比 babble 训练带来更大提升，代价是结论受限于 100 个训练试次和未分 proficiency 的样本。