经过声学处理与未处理的高校教室中的远距离语音产生与感知

《Applied Acoustics》:Speech production and perception across distance in acoustically treated and untreated university lecture halls

【字体: 大 中 小 】 时间:2026年07月08日 来源:Applied Acoustics 4.3

编辑推荐:

  帕斯夸莱·博塔利科|弗吉尼亚·塔尔迪尼|安吉拉·瓜斯塔马基亚|阿里安娜·阿斯托尔菲•随着距离每增加一倍,说话者的音量会增加1.76分贝。•音高会随着说话者与听者之间的距离而系统性地变化。•伦巴第效应的反应会因教室的声学条件而有所不同。•语音清晰度会随着距离、噪音以及混响的增加而下

  帕斯夸莱·博塔利科|弗吉尼亚·塔尔迪尼|安吉拉·瓜斯塔马基亚|阿里安娜·阿斯托尔菲•随着距离每增加一倍,说话者的音量会增加1.76分贝。•音高会随着说话者与听者之间的距离而系统性地变化。•伦巴第效应的反应会因教室的声学条件而有所不同。•语音清晰度会随着距离、噪音以及混响的增加而下降。•嗓音上的调整并不能完全抵消语音感知质量的下降。1. 引言有效的口头交流在很大程度上取决于环境的声学特性,包括背景噪音、混响以及说话者与听者之间的物理距离。在教育环境中,这些因素会影响语音的清晰度、倾听难度、发声负荷,进而影响学习成果[1]、[2]、[3]。因此,许多国家都制定了教室声学标准,规定了可接受的噪音水平和混响时间限制,以保障清晰的沟通[4]、[5]。除了以听者为标准的准则外,教室声学规范也越来越考虑到说话者的需求,因为人们意识到房间声学条件不仅会影响语音的清晰度,还会影响教师及其他专业语音使用者的发声负荷和嗓音健康[6]。最近的综述和元分析进一步强调了在教育环境中采用综合声学设计策略的重要性,以此同时提升学习效果和发声舒适度[7]、[8]、[9]。教室里的交流本质上是一个相互关联的产生与感知过程。在不同的环境中讲话,既会改变说话者所获得的听觉反馈,也会改变传达到听者耳中的声学信号[10]、[11]、[12]。因此,嗓音输出反映了说话者生理特征、房间声学条件以及交流需求之间的相互作用[13]。说话者会根据距离、混响和噪音等环境限制,有意识地调节嗓音的强度、音调和时间安排[14]、[15]、[16]。在语音产生研究中,一个较为一致的发现是:随着与听者距离的增加,嗓音强度也会上升,这一上升幅度可以用声功率级来客观量化[10]。这种关系通常用每增加一倍距离的分贝补偿率来表示。在理想的自由场条件下,距离每增加一倍,声压级就会下降6分贝。沃伦[17]指出,在发出持续元音时,补偿率接近这个6分贝/倍的数值,这说明说话者可能在无形中抵消距离带来的衰减效应。不过,这种衰减仅适用于自由场传播情况,无法直接应用于封闭空间。后续的研究则报告了较低的补偿率。迈克尔等人[18]发现在有混响的教室里,发声的补偿率约为2.4分贝/倍,而连贯语料的补偿率则为1.3分贝/倍。希利等人[19]在有一个大面积铺有地毯的房间里进行阅读任务时,观察到的补偿率在4.5到5分贝/倍之间,而利纳尔和迪贝内代托[20]则在一家安静且配有家具的房间里,测量出从0.4米到6米不等的距离对应的平均补偿率为2.6分贝/倍。特劳恩缪勒和埃里克森[16]在一片安静区域的开阔地带,测试了从0.3米到187.5米不等的距离,得出的补偿率约为3.7分贝/倍。由此可见,不同研究报道的补偿率差异很大,从低于2分贝/倍到接近6分贝/倍不等。造成这种差异的一个可能原因就是声学环境。大多数关于距离补偿的实验都是在同一个房间里进行的[18]、[19]、[20],这就很难将距离带来的衰减效应与混响以及早期反射对听觉反馈的影响区分开来。由于室内声音的传播方式不同于理想的自由场衰减规律,实际的衰减程度取决于房间的容积、吸音性能以及声源与接收器的位置关系[21]、[22]。因此,补偿率实际上反映的是特定环境下的声音传播特性,而非普遍适用的6分贝规则[10]、[23]。扎霍里克和凯利[15]直接探讨了这个问题,他们在两种声学环境里测量了声音的物理衰减情况,并将其与说话者的调整行为进行了对比。他们选择了两种截然不同的环境来测量声级衰减:一处是户外自由场,即一片草地,面积为80×40米,20米范围内没有反射面;另一处则是室内有混响的走廊,尺寸为20×3.5×3米,墙壁和地面均为硬质材料,天花板具有吸音功能。他们还考虑了声源的方向(0°与180°)以及声源与接收器的位置关系。在这些环境下,声音的传播损耗在1.8到6.4分贝/倍之间,而说话者能够很好地调整自己的发声以匹配这些损耗。不过,参与者被要求在听者所在位置保持恒定的音量,这一要求与自然的交流方式有所不同。佩莱格林-加西亚等人[10]进一步证明,不同声学支撑条件的房间,其补偿率(1.3–2.2分贝/倍)以及整体嗓音功率级也存在系统性差异。综上所述,嗓音的调整既与距离有关,也与房间声学条件密切相关。房间声学条件通过改变说话者所能获得的听觉反馈来影响嗓音的产生[24]。早期反射减少(用EDT和T30这两个参数表示)以及房间增益降低(用GRG表示),都会导致嗓音功率级上升(用LW表示),基频也会升高(用f0表示)[23]、[25]。有研究指出,声学支撑较好的房间与支撑较差的房间相比,其平均嗓音功率级相差约2–4分贝[25]。嗓音的功率与房间增益呈反比关系,这意味着说话者会根据传回自己耳中的反射能量大小来调整发声强度。通过实验控制早期反射,可以发现,增加反射表面所带来的外部听觉反馈,能够在不改变混响时间的情况下,使声压级下降约0.8–1分贝[11]、[12]。房间声学条件还会影响音高和时间安排。在交流需求较高或混响较少的环境中,平均基频会上升10–40赫兹左右[10]、[26]。而混响较强的房间则往往伴随着更高的发声时间比率以及更为单调的语音模式,这表明声道能量的时间分布发生了变化[27]。这些研究结果表明,声学环境不仅会影响嗓音的强度,还会影响语音的韵律变化和音高波动。背景噪音也是促使说话者做出嗓音调整的另一个因素。根据伦巴第效应,当背景噪音水平超过大约45分贝时,每增加1分贝的噪音,说话者的嗓音强度就会上升约0.2–0.8分贝,同时基频也可能会上升,而且语音的频谱分布也会发生变化[26]、[28]、[29]、[30]。这种上升幅度会因交流目的和任务要求的不同而有所差异;比如教师这类专业语音使用者,面对每增加1分贝的噪音,其嗓音强度的上升幅度约为0.7–0.8分贝[31]。这些发声层面的调整并非单纯的生理反应,它们会直接影响传递给听者的声学信号,进而带来直接的感知效果。随着距离、混响时间和背景噪音的增加,语音的清晰度会下降[32]、[33]。不同类型的语音刺激,其识别效果也有所不同;例如,句子和数字序列在语境冗余度上存在差异,因而对应的识别阈值也不一样[34]、[35]。此外,说话者在房间中的位置也会改变声源与接收器的相对位置,以及早期能量与后期能量的比例,从而在不受整体混响时间影响的情况下影响语音的清晰度[36]。尽管人们已经分别研究了距离补偿、房间增益效应以及伦巴第效应,但仍有少数研究试图在一个统一的实验框架下,同时控制说话者与听者之间的距离、房间声学条件以及噪音水平,进而研究语音产生与感知结果之间的关系,而这些研究大多是以连贯语料作为测试素材的。本研究旨在解答以下问题:(1)在不同声学特性的房间里,说话者与听者之间的距离如何影响嗓音的强度、音调以及发声时机?(2)除了空间补偿之外,房间混响是否还会独立地影响嗓音输出?(3)在不同的距离和房间条件下,噪音又会如何影响嗓音的调节?(4)这些发声层面的调整与不同类型语音刺激以及不同距离下的语音清晰度之间存在怎样的关联?为了解答这些问题,研究人员在两间设有阶梯式斜坡地板的大学讲堂里对嗓音的产生和感知情况进行了量化分析,其中一间经过了声学处理,另一间则没有。2. 方法语音素材来自那些既担任说话者又担任听者的参与者,他们在不同的实验组别中交替扮演这两种角色。录音是在两个声学特性截然不同的房间里进行的。每位说话者需要在三种骨传导条件下各朗读一组语音素材:(1)不使用辅助设备;(2)使用辅助设备,同时伴有较低强度的教室背景噪音;(3)使用辅助设备,同时伴有较高强度的教室背景噪音。不同条件的顺序在参与者之间是随机安排的。所有的语音录像都被用来计算各种声学指标,包括声功率级、基频以及发声时间比率。通过分析听者对录制下来的语音素材的反应,可以计算出每种条件下的语音清晰度得分。2.1 参与者共有24名参与者参与了这项实验,其中17名为男性,7名为女性。所有参与者都是意大利语母语者,年龄在23岁到56岁之间。男性的平均年龄(标准差)为35.6岁(12.3岁),女性则为35.0岁(11.0岁)。所有参与者都自称没有过任何语音或嗓音方面的疾病史,并且在测试前都通过了听力筛查。该研究方案已经得到了都灵理工大学的伦理委员会的批准(批准编号为104575/2025)。2.2 实验场地本研究选择了都灵理工大学的两间讲堂作为录音场所。这栋建筑建于20世纪初,位于都灵市中心。由于这两间讲堂并不面朝公共街道,因此外部交通噪音可以忽略不计;主要的背景噪音来源则是建筑内的空调系统。虽然这两间房间位于同一校园内,但它们的几何结构以及内部装修存在明显差异——具体来说,是否有声学处理措施会导致混响时间的不同。那间未经声学处理的讲堂(12A室)的容积约为843立方米,地面为阶梯式反射面,天花板为平面结构,平均高度为3.25米,还有三扇窗户。该讲堂最多可容纳252人。而那间经过声学处理的讲堂(2号室)的容积约为1458立方米,地面同样是阶梯式反射面,天花板则具有吸音功能,平均高度为4.95米。该房间有六扇窗户,黑板墙则没有进行声学处理。它的座位容量为330人。2.3 实验设置与录音流程该实验的目的是研究说话者会根据与交流对象之间的距离如何调整自己的语音表达方式,以及这些调整又会如何影响听者对语音的清晰度理解。每位参与者都戴着耳机式麦克风,按照要求站在那里,面朝听者,朗读一张纸上写的三个句子。读完每个句子后,听者需要复述自己所听到的内容。之后,说话者需要随机想出三个四位数(比如1982),然后一个一个地告诉听者,并等待听者重复每个数字。本次实验所使用的语音素材是意大利语矩阵测试题。矩阵句子识别测试已经被多种语言所采用,它能够提供准确且具有国际可比性的语音清晰度测量数据[34]、[37]。这类测试是从一个固定的5×10单词矩阵中选取单词组合成句子,这样生成的句子在句法结构上是固定的,但在语义上却具有不可预测性,这一测试方法最初是由哈格曼为瑞典语设计的[38]。在本研究中,共使用了两份各包含27个意大利语句子的测试清单,这些句子的清晰度相当(例如,“Anna-vuole-sette-macchine-grandi”的意思是“安娜想要七辆大型汽车”)。通过结合句子朗读和数字传达两项任务,旨在在保证实验可控性的同时,也能体现一定的交流互动性。矩阵句子为不同实验条件提供了标准化且具有可比性的语音素材,而数字传达任务则增添了一种更具目标导向性的交流元素,要求听者必须准确理解信息。设计这一任务的目的,是为了促使说话者在发声力度和语音韵律方面做出自然调整,从而尽可能提高交流对象的清晰度理解。在这两间讲堂里,实验都在三种不同的说话者与听者之间的距离下进行,分别是5米、10米和15米。对于每一种距离,又设置了三种不同的背景噪音条件:无噪音、低噪音(大约65分贝)和高噪音(大约73分贝)。具体的数值及测量方法详见2.4节。说话者与听者之间的距离以及噪音条件在不同的参与者和不同的试验组之间都是随机分配的。为了研究房间声学条件的影响,两间讲堂都完成了完整的实验流程。图1展示了这两间讲堂的平面图,标出了测量位置以及相应的距离。下载:下载高分辨率图片(1MB)下载:下载全尺寸图片图1. 两间讲堂的平面图,标注出了说话者与听者之间的距离以及主要的几何特征。为了控制听觉掩蔽效应,同时尽量减少对房间内空气传播声学条件的影响,本研究采用了骨传导掩蔽技术。这种方法使得研究者能够单独分析听觉反馈变化对嗓音调节的影响,而不会大幅改变交流对象所处的外部声音环境。在每一组交流测试中,两位参与者都佩戴着骨传导耳机(IFECCO骨传导耳机,蓝牙5.4版本),这类耳机能够同时向说话者和听者传递相同类型和强度的背景噪音,从而确保两者所暴露在的噪音环境一致。参与者被要求将朗读用的纸张放低,避免遮挡住他们的嘴巴,让听者能够看清。无论被分配为说话者还是听者,参与者都会被告知,实验的首要目标是实现双方之间的相互理解。在整个实验过程中,每位参与者都需要轮流扮演两种角色。2.4两个演讲厅的室内声学测量是在无人员、家具齐全的情况下,依据ISO 3382–2标准进行的[39]。测量使用配有经校准的1级全向麦克风的声级计(NTi Audio AG公司生产的XL2音频与声学分析仪,配备M2230麦克风)来完成。声级计用于测量混响时间和背景噪声,而头部口部模拟器(HEAD acoustics公司生产的HMS V数字人工头部)则用于测量耳部输入的脉冲响应,以及计算与房间相关的声学反馈参数,包括语音支持度(STV)和房间增益(GRG)。在两个房间中,通过Delta Clapper脉冲源和NTi XL2声级计,在多个声源-接收器位置测量了500 Hz、1 kHz和2 kHz三个八度频段的平均混响时间(T20)。12A教室的2.5kHz频段的平均混响时间为2.17(0.05)秒,2号教室为1.32(0.08)秒。两个演讲厅在125 Hz至4 kHz频段内的混响时间数据见表1。

表1. 两个教室各八度频段的T20值(秒)
演讲厅 125 Hz 250 Hz 500 Hz 1 kHz 2 kHz 4 kHz
12A教室 1.71 2.21 2.11 2.20 2.19 1.94
2号教室 1.45 1.15 1.24 1.36 1.38 1.24

在两个演讲厅的四个接收位置(D0、D1、D2、D3),于无人员情况下测量了背景噪声水平(BN),并以A计权等效连续声压级LA,eq(分贝)来表示。除背景噪声外,表2还列出了根据耳部输入脉冲响应计算得出的STV和GRG数值[40],这些数值反映了说话者可利用的声学反馈情况。Brunskog等人[25]定义的房间增益表示房间对说话者自身声音的放大作用,而类似Gade提出的客观支持度概念的STV,则用于量化耳朵处反射声与直达声之间的平衡关系。

表2. 两个教室四个接收位置测得的声学参数。所列数值为各通道及多次测量后的平均值,包括背景噪声水平(分贝)、STV(分贝)以及GRG(负值)。
空白单元格对应12A教室,2号教室则对应D0、D1、D2、D3各列数值。
12A教室 47.7 47.8 46.5 45.5 36.8 36.3 38.8 39.9
STV ?8.1 ?9.1 ?9.7 ?9.0 ?12.2 ?12.2 ?12.7 ?11.1
GRG 0.63 0.51 0.44 0.52 0.26 0.24 0.23 0.32

为量化不同房间间的声学差异,从口中发出粉红噪声,再由头部口部模拟器接收。在保持声源功率不变的前提下,分别在两个演讲厅重复进行测量。模拟儿童教室中的嘈杂声音,则通过开源格式在线获取[42]。在每位参与者进行测试时,通过骨传导设备播放教室里的嘈杂声,该设备要么同时为听者和说话者启用,要么同时关闭。通过骨传导设备输出的噪声水平在距离和听者与说话者组合上都是随机设定的,共有三种情况:无噪声、低噪声(100—10kHz频段的LA,eq值为64.6分贝)和高噪声(同一频段LA,eq值为73.4分贝)。骨传导耳机随后通过与临床听力计上的经校准骨传导换能器(丹麦Taastrup的MADSEN Astera2,GN Otometrics公司产品)对比校准。HATS被用作标准化参考平台,用于估算骨传导设备产生的声压级,其并非用于直接测定生理性的骨传导机制。相同的噪声信号会通过两种设备传递,然后在头部躯干模拟器(GRAS 45BB KEMAR公司生产)的耳朵处测量振动情况。调整听力计的输出水平,直到HATS耳朵处测得的振动与骨传导耳机产生的振动一致。由于听力计的换能器已经过校准,因此相应的听力计设置值(以分贝HL为单位)就被视为每种条件下耳机的等效输出水平。

为进一步描述两个演讲厅的声学状况,还计算了临界距离dc,即混响声场开始超过直达声场的距离,其计算公式为:dc=0.0566VT20,其中V为房间体积,T20为混响时间[43]。据此计算出的临界距离分别为12A教室约1.12米,2号教室约1.88米。由于所有测试过的说话者与听者之间的距离(5米、10米、15米)都超过了这些数值,因此实验条件主要对应于在混响声场内的交流情况。

2.5 语音录音的处理
语音录音通过MATLAB(R2024a版本,MathWorks公司,马萨诸塞州纳蒂克市)和Praat 5.4/5.4.17版本(荷兰阿姆斯特丹大学)进行分析。语音强度是通过声功率级LW来量化的,这是一种与环境无关、用于衡量总辐射声能的指标,在语音研究中被广泛采用[10]、[25]、[44]。要计算LW,需先计算25 Hz至20 kHz范围内各1/3八度频段的A计权声压级,再将它们相加得到LA,eq值。由于用声级计在30厘米处测得的声压级会受到不同房间及测量位置的声学特性影响,因此需要应用针对房间、位置和频率的校正因子。这些校正因子是通过让头部口部模拟器(德国赫尔佐根拉特市HEAD acoustics公司生产的HEAD测量系统)在两个房间的所有位置以恒定声功率播放粉红噪声,再减去相同距离处的无回声参考测量值来获得的。

PTR用于量化每段录音中发声的时间占比,其计算方式为将归类为有声的帧数占整个录音时长的百分比。在Praat软件中,通过50毫秒的帧长度以及一种基于自相关、且对噪声具有较强抗干扰能力的音高估计算法来进行有声检测。如果某帧的估计基频落在允许范围(75—500赫兹)内,且其强度和峰值幅度分别高于Praat默认的有声阈值(0.45)和静音阈值(0.03),则该帧被判定为有声;否则则为无声帧。对于有声帧,还会提取其基频f0。为消除不同说话者习惯性音高的差异,需为每位说话者计算一个个体参考f0,即所有录音中f0的平均值。之后,每段录音的f0均值和标准差就会以相对于该说话者特定参考值的百分比形式呈现:(1)Δf0/f0=1200log2?(f0f0,ref),其中f0,ref为对应说话者的平均基频。正值表示音高高于该说话者典型的说话基频,负值则表示音高较低。

2.6 统计分析
统计分析是在R 4.2.0版本(R核心团队,2021年)上,借助lme4包(版本1.1–10)[45]完成的。线性混合效应模型是采用受限最大似然法进行拟合的。随机效应结构的选择是基于方差解释比例、模型收敛性以及可解释性等因素。模型选择依据的是赤池信息量准则AIC[46],数值越低说明模型拟合度越高,此外还会通过似然比检验比较嵌套模型。对于声学指标(LW、Δf0/f0、σΔf0/f0、PTR)的分析,是使用lme4、lmerTest和multcomp这几个包来构建线性混合效应模型的。为了评估固定因素不同水平之间的差异,还进行了Tukey事后成对比较,这些比较采用成对z检验,p值则通过默认的单步法进行调整[47]。线性混合效应模型的输出结果包括估计的固定效应系数、标准误差、自由度、t统计量以及对应的p值。自由度和p值的计算则是采用Satterthwaite方法[48]来近似得到的。

语音清晰度得分IS被编码为二元结果(正确=1,错误=0),然后通过采用二项分布族和逻辑链接函数的广义线性混合效应模型GLMM来进行分析。GLMM模型是运用拉普拉斯近似的最大似然估计法来拟合的,模型选择标准也与前述一致。

3 结果
3.1 语音参数
语音产生的情况是通过LW、以参与者为中心的基频变化值Δf0/f0、基频的标准差σΔf0/f0以及PTR这几个指标来评估的。以参与者为中心的基频变化值是相对于每位参与者平均Δf0/f0值对应的个性化参考频率,以百分数形式表示的。同样,基频的标准差σΔf0/f0也以百分数形式呈现,以此为不同说话者之间的音高变化提供一种基于感知的标准化衡量标准。针对每一个指标,都建立了线性混合效应模型,其中的固定效应包括房间类型(12A教室与2号教室)、经过log2变换后的说话者与听者之间的距离(5米、10米、15米)以及噪声条件(无噪声、低噪声、高噪声)。距离是通过以2为底的对数来变换的,这样模型系数就能体现距离每增加一倍时的变化量(即每倍增对应的分贝数)。当加入交互项后能提升模型拟合度时,就会将其纳入模型。所有模型都包含了说话者的随机截距项,用以考虑重复观测的情况。

语音功率级LW
如表3所示,LW会随着说话者与听者之间的距离以及骨传导噪声水平的升高而持续上升。线性混合效应模型显示,经过log2变换后的距离对LW有显著的正向影响,也就是说,距离每增加一倍,LW就会上升1.76分贝(p<0.001),这一结果表明语音输出会随着距离的增加而明显增强。

表3. 预测Lw的线性混合效应模型的固定效应估计值。参考水平:房间为2号教室;噪声条件为无噪声。显著性标注:?p<0.05,???p<0.001。
| 预测因子 | β值 | 标准误差 | t统计量 | p值 |
|----------|------|----------|--------|------|
| 截距项 | 69.22| 1.40 | 49.43 | <0.001??? |
| log距离项| 1.76 | 0.36 | 4.88 | <0.001??? |
| 12A教室 | 2.93 | 0.83 | 3.53 | <0.001??? |
| 低噪声 | 5.15 | 0.82 | 6.27 | <0.001??? |
| 高噪声 | 8.14 | 0.83 | 9.85 | <0.001??? |
| 12A教室×低噪声 | ?1.83 | 1.16 | ?1.57 | 0.117 |
| 12A教室×高噪声 | ?2.89 | 1.16 | ?2.48 | 0.014? |

房间声学特性也会影响语音输出。在混响更强的12A教室中,说话者的LW明显高于经过处理的2号教室,估计增幅为2.93分贝(p<0.001)。不过需要注意的是,在无噪声条件下,两个教室的背景噪声水平存在差异(12A教室约为47分贝,2号教室为38分贝)。因此,所观察到的房间效应在一定程度上可能是由背景噪声的差异而非单纯的混响作用导致的。与这一推测相符的是,房间效应的幅度会随着掩蔽条件的不同而有所变化。在无噪声条件下,两个教室的LW差异约为3分贝。在低噪声条件下(65分贝的骨传导掩蔽声),这种差异降至约1分贝;而在高噪声条件下(73分贝的掩蔽声),两个教室之间的差异几乎消失。随着掩蔽声强度的提高,房间效应逐渐减小,这一现象可通过显著的“房间×高噪声”交互项体现出来,说明在高掩蔽声作用下,12A教室的语音提升幅度更小。总体而言,这些结果表明,当背景噪声水平差异最大时,房间对LW的明显影响最为显著,而随着掩蔽声水平的控制,这种影响会逐渐减弱。

骨传导掩蔽效应会引发明显的隆巴德效应,且这一效应与房间环境无关。与无噪声条件相比,低噪声条件下LW上升了5.15分贝(p<0.001),高噪声条件下则上升了8.14分贝(p<0.001)。为进一步量化这一效应的幅度,通过低噪声条件(65分贝)和高噪声条件(73分贝)之间的差异来估算隆巴德斜率,相当于噪声强度增加了约9分贝。在经过声学处理的2号教室中,这9分贝的噪声增加会导致LW再上升约3分贝,对应的隆巴德斜率为0.34分贝/分贝。而在混响更强的12A教室中,同样的9分贝噪声增加仅会导致LW上升约2分贝,对应的斜率为0.22分贝/分贝。由此可见,在混响较小的房间里,每增加1分贝噪声所带来的语音水平上升速度要快于混响较大的房间,这说明房间声学特性会影响隆巴德效应的强度。

总体来看,LW受距离、房间声学特性以及局部掩蔽效应的共同影响。在距离更远或存在骨传导噪声的情况下,说话者会提高语音强度,而房间的混响程度则会进一步影响这些适应性变化的幅度。

图2展示了说话者与听者之间的距离以及骨传导噪声对两个演讲厅LW的影响情况。对于每个房间,图中同时展示了带有95%置信区间的实际测量数据点以及模型预测的趋势曲线。
下载:下载高分辨率图片(239KB)
下载:下载完整尺寸图片
图2. 两个演讲厅中LW随说话者与听者之间的距离以及骨传导噪声水平的变化关系。图中同时展示了带有95%置信区间的实际测量数据点以及模型预测结果。

基频变化值Δf0/f0
如表4所示,线性混合效应模型表明,Δf0/f0的变化值(以百分数表示)会受到距离、房间声学特性、骨传导噪声以及说话者位置(上方与下方)的显著影响。

表4. 预测Δf0/f0相对变化百分比的线性混合效应模型。
| 预测因子 | β值 | 标准误差 | t统计量 | p值 |
|----------|------|----------|--------|------|
| 截距项 | ?509.83| 37.04 | ?13.76 | <0.001??? |
| log距离项| 91.57| 10.24 | 8.94 | <0.001??? |
| 12A教室 | 133.69| 23.42 | 5.71 | <0.001??? |
| 低噪声 | 179.32| 23.95 | 7.49 | <0.001??? |
| 高噪声 | 306.24| 24.05 | 12.73 | <0.001??? |
| 上方位置 | 27.21| 13.49 | 2.02 | 0.044? |
| 12A教室×低噪声 | ?59.83| 33.06 | ?1.81 | 0.071 |
| 12A教室×高噪声 | ?87.65| 33.13 | ?2.65 | 0.009?? |

参考水平:房间为2号教室;噪声条件为无噪声。显著性标注:?p<0.05,??p<0.01,???p<0.001。
Δf0/f0会随着经过log2变换后的距离的增加而显著上升(β值为91.57,p<0.001),这意味着随着说话者与听者之间距离的每增加一倍,基频平均会上升91.57百分数,这一现象表明说话者会随着交流距离的增大而主动提高发音音高。

与经过处理的2号教室相比,混响更强的12A教室的Δf0/f0平均高出133.7百分数(p<0.001)。

骨传导噪声同样会引发与隆巴德效应相关的显著音高变化,且这一效应也与房间无关:与无噪声条件相比,低噪声条件下Δf0/f0上升了179.3百分数,高噪声条件下则上升了306.2百分数,这两组的p值均小于0.001。此外,向下俯冲式的音高变化相比向上俯冲式具有略高的Δf0/f0值(β=27.21,p=0.044)。在低噪声水平下,房间条件与噪声条件之间的交互作用具有轻微显著性(β=?59.83,p=0.071),而在高噪声水平下则十分显著——在12A房间中,Δf0/f0的上升幅度相较于2号房间有所减弱(β=?87.65,p=0.009)。这些研究结果表明,音高调整受到距离、局部掩蔽效应、房间声学特性以及说话者位置的共同影响,而在最高噪声水平以及经过声学处理的房间中,Δf0/f0的上升幅度最为明显。图3通过展示说话者与听者之间的距离以及骨传导噪声如何影响两个讲堂中的语音响应,同时呈现实际观测数据(95%置信区间)与模型预测趋势,以此说明这些效应。下载:下载高分辨率图像(247KB)下载:下载全尺寸图像图3. 两个讲堂中,说话者与听者之间的距离以及骨传导噪声水平对Δf0/f0的影响。实际观测数据点连同95%置信区间一同显示,同时给出模型预测值。Δf0/f0的标准差(σΔf0/f0)基频的波动程度受骨传导噪声的影响较为有限。混合效应模型显示,在低噪声条件下,σΔf0/f0与无噪声基准值相比并无显著差异(β=?4.09,p=0.414)。相反,在高噪声条件下,σΔf0/f0显著下降(β=?11.00,p=0.029),这说明在较强的局部掩蔽效应作用下,音高波动性降低。如图4所示,噪声水平越高,音高波动性趋于下降。总体而言,这些结果表明,与平均音高不同,音高波动性仅受骨传导噪声的适度影响,且主要出现在高噪声条件下。下载:下载高分辨率图像(193KB)下载:下载全尺寸图像图4. 噪声与房间声学特性对(a) σΔf0/f0以及(b) PTR的影响。a面板展示了三种噪声条件(无噪声、低噪声、高噪声)下的平均σΔf0/f0值及95%置信区间。b面板则显示了两个房间(经处理与未处理)的平均PTR值,可见在混响更强的12A房间中,发声时间更短。发声时间比(PTR)PTR主要受房间声学特性的影响。混合效应模型显示,与经过声学处理的房间相比,未经处理的12A房间中的PTR显著降低(β=?3.27,p<0.001),这意味着在混响更强的环境中,说话者发声的时间占比更低。相比之下,说话者与听者之间的距离以及骨传导噪声的存在(无论是低噪声还是高噪声)均未能带来PTR的显著变化,相关效应均不显著。如图4所示,两个房间间的PTR存在明显差异,但在不同噪声条件下保持稳定。这些研究结果表明,与语音强度和基频不同,发声时机对房间声学特性更为敏感,而非噪声或距离。3.2 语音清晰度语音清晰度是通过带有二项链接函数的广义线性混合模型进行分析的(见表5)。该模型包含了经过对数转换后的距离、房间类型、噪声条件、刺激类型(句子与数字)以及说话者位置(下方与上方)等固定效应,同时还为听者设置了随机截距。随着距离加倍,语音清晰度显著下降(β=?0.59,p<0.001),对应的比值比为OR=0.55,意味着正确识别的概率大幅降低。与2号房间相比,12A房间的语音清晰度也更低(β=?0.59,p<0.001)。表5. 预测语音清晰度的广义线性混合模型的固定效应估计值。参考水平:房间=2号房间;噪声=无噪声;刺激=句子;位置=下方。显著性标注:?p<.05,???p<.001。预测变量β标准误差z值p值比值比截距5.700.4412.91<0.001???298.5对数距离?0.590.10?5.89<0.001???0.5512A房间?0.590.13?4.46<0.001???0.55低噪声?0.920.18?5.02<0.001???0.40高噪声?1.610.18?9.19<0.001???0.20数字(对比句子)?0.470.13?3.71<0.001???0.63上方位置(对比下方)?0.340.14?2.490.013?0.71噪声条件具有显著影响:与无噪声基准值相比,低噪声(β=?0.92,p<0.001)和高噪声(β=?1.61,p<0.001)均显著降低了语音清晰度。刺激类型也会影响清晰度,数字的识别清晰度低于句子(β=?0.47,p<0.001)。最后,当说话者位于楼梯上方而非桌子前方的下方位置时,语音清晰度也会降低(β=?0.34,p=0.013)。此外,如图5所示,在两种房间中,语音清晰度都会随着距离和噪声水平的增加而系统性下降。下载:下载高分辨率图像(274KB)下载:下载全尺寸图像图5. 在不同噪声条件和教室环境中,语音清晰度随听者与说话者距离的变化情况。圆圈表示在每种距离、噪声条件及房间组合下的正确识别率平均值(±1标准误差)。实线、虚线和点线分别代表无噪声、低噪声和高噪声条件下的逻辑回归曲线;阴影带和误差条则表示相应的95%置信区间。更多关于语音清晰度的研究结果见补充材料,其中包含两个教室中说话者位置(上方与下方)的比较,以及按刺激类型(四位数数字与语义不可预测的句子)划分的清晰度得分情况。4 讨论本研究探讨了在两所大学讲堂中,说话者与听者之间的距离、房间声学特性以及局部骨传导噪声如何影响语音适应与语音清晰度。通过系统地改变距离和声学条件,该研究设计有助于区分因空间分离导致的语音输出变化与由房间听觉反馈变化引发的变化。这些结果为说话者在真实教学环境中的声音调节方式,以及这些调节与语音清晰度之间的关系提供了定量依据。4.1 与距离相关的声音补偿本研究的一个主要目标是量化在真实讲堂环境中,语音输出随说话者与听者距离变化的规律,并将这些调节与已有的“补偿率”理论相联系。尽管此前已有多项研究在不同环境中探讨过声音补偿现象[10]、[15],但许多研究仍仅在单一声学环境下进行,或主要关注语音产生过程,而没有同时考察语音清晰度方面的变化。本实验通过在两种具有不同声学特性的房间中,让说话者执行有目标的交流任务,测量了在5、10、15米三种距离下的连贯语音及数字传递情况,从而拓展了现有研究范围。与关于距离补偿的诸多研究结果一致,LW值会随着说话者与听者距离的增加而显著上升。混合效应模型表明,经过对数2转换后的距离具有显著的正面效应(每增加一倍距离,增幅为1.8dB;见表3),这说明当交流对象逐渐远离时,说话者会切实提升其发出的语音功率。这一增幅处于封闭环境中连贯语音补偿斜率范围的较低端。例如,Pelegrín-García等人[10]在四种不同环境(无回声室、讲堂、走廊以及混响室)中测量到的补偿斜率介于每倍距离1.3至2.2dB之间,这些环境的声学反射程度各不相同。本研究的数值与在讲堂和走廊等封闭且具有混响特性的环境中所测得的数值一致,因为在这些环境中,反射作用会减少有效的距离衰减效应,同时这一数值也低于早期以元音为研究对象的研究中报告的接近自由场环境下的斜率值[16]、[17]、[19]。这些数值也与Zahorik和Kelley[15]所报告的室内走廊中的混响测量结果相当。与此同时,以参与者为中心的基频Δf0/f0也出现上升,这进一步支持了距离会增加语音输出需求的观点。Δf0/f0会随着说话者与听者距离的增加而显著上升,平均而言,距离每增加一倍,该值大约上升92分音。这些发现与相关研究结果一致,即与距离相关的声音调节不仅体现在强度上,还伴随着音高调整以及更广泛的韵律变化[10]、[16]。从补偿率框架的角度来看,本研究结果的一个关键意义在于,即便在不存在自由场衰减效应的混响型反射空间中,也存在由距离驱动的语音输出增加现象。这一点非常重要,因为传统的dB/dd解释往往基于平方反比定律(距离每增加一倍,衰减6dB),这可能让人误以为说话者是为了弥补自由场中的损耗而刻意调整声音。而我们的数据则表明,说话者会根据具体情境采取适当的调节策略——在需要连贯语音交流的情况下,他们会随着距离增加而提升语音输出,而这种提升的幅度则取决于房间声学特性以及掩蔽效应的程度。换言之,所观察到的距离效应与这样一种观点相符,即说话者是根据环境中可获得的综合感官信息来调节语音输出的,包括由反射作用形成的自我监测信号以及他们对交流难易程度的感知,而非机械地遵循某种固定的6dB规则。从实际应用角度来看,LW中距离效应的幅度和稳定性都表明,说话者与听者之间的距离不仅是听者的感知限制,也是说话者的表达限制。即便在本文研究的相对较小的教室距离范围内(5–15米),距离的增加也会导致语音功率和音高的可测量上升,而这些因素都会在反复或长时间的类似教学性质的交流中增加说话者的声音负担。这对于教育场所而言具有重要意义:当教学互动需要与距离较远的听者交流时(如后排学生、分层座位或分散式的小组活动),声音补偿很可能会增加说话者的负荷,尤其是当还存在噪声或声学支撑不足等其他压力因素时。因此,距离应与混响和噪声一起被视为设计时需要考虑的重要变量,那些能够有效缩短实际交流距离的策略——比如合理安排教师位置、采用分布式扩音设备,或是设计避免过大声源与接收器间距的房间布局——或许有助于减少因补偿而增加语音输出的需求。4.2 房间声学特性、听觉反馈与局部掩蔽除了几何距离之外,本研究结果还表明,语音调节还受到房间声学特性与局部掩蔽效应的共同影响,而这两者都会影响听觉反馈。先前的研究已经表明,语音输出与GRG和STV有关,通常情况下,说话者耳部接收到的反射能量越大,语音强度就越低[10]、[25]。然而在本研究中,这两个讲堂不仅在声学支撑方面存在差异,背景噪声水平也有区别。与2号房间相比,12A房间的环境噪声更高(约为46–48分贝,而2号房间约为37–40分贝),GRG值更高,STV的负值则更小。对于LW而言,房间类型具有显著的主效应——在无噪声条件下,12A房间中的说话者产生的声音功率大约高出2.9dB。尽管12A房间的反射能量更强,但其较高的背景噪声很可能削弱了有效的自我监测能力,并部分掩盖了反馈信号,从而导致语音输出增加。值得注意的是,随着掩蔽效应的增强,这种房间间的差异会逐渐缩小:在无噪声条件下,两个房间间的LW差异约为3dB,而在低噪声条件下降至约1dB,在高噪声掩蔽条件下则几乎可以忽略不计。这种房间与噪声之间的交互作用表明,在安静环境下观察到的房间效应,实际上是反射能量与背景噪声掩蔽效应共同作用的结果,而非仅仅由混响时间决定。局部骨传导掩蔽效应还会导致LW和Δf0/f0出现类似Lombard效应的上升现象。在低噪声与高噪声掩蔽条件下,估算出的Lombard斜率处于文献报道的较低范围之内(大约为0.2–0.8dB/dB)[30]、[49],不过在经过声学处理的房间中,这一斜率要大于未处理房间。这一规律表明,Lombard效应的强度取决于初始的反馈条件:当背景噪声已经较高时,语音进一步升高的可用动态范围就会缩小。由于骨传导掩蔽效应会直接干扰说话者耳部的听觉反馈,其作用机制不同于弥漫性的环境噪声,即便在声学条件较好的环境中,它也可能加剧语音幅度的上升。在音高变化方面,也观察到了与房间相关的调节现象。平均Δf0/f0值会随着说话者与听者距离的增加而上升,12A房间的这一数值更高,而在骨传导掩蔽效应作用下,其上升幅度更大。这些发现与先前关于在语音需求增加或听觉反馈条件改变时音高升高的研究结果基本一致[10]、[28]、[30]、[35]。不过,在12A房间中,由掩蔽效应引起的Δf0/f0上升幅度要小于2号房间,尤其是在高噪声条件下。这种增幅的减弱表明,12A房间中原本就较高的背景噪声以及改变的听觉反馈条件,可能已经减少了进一步出现Lombard效应式音高调整的动态范围。说话者在教室内的位置也会影响音高变化,与在楼梯上方位置说话相比,从下方桌面对话时的Δf0/f0值略高。这一发现表明,语音调节可能还取决于说话者在教室空间中的位置与朝向,这可能反映了不同的语音传播需求以及与房间相关的听觉反馈信号差异。相比之下,音高波动性(σΔf0/f0)则表现出不同的变化规律。在高噪声条件下,波动性反而有所下降,这说明在较强的局部掩蔽效应作用下,音高的动态调节能力会减弱。这一发现表明,在听觉反馈要求更为严格的条件下,说话者可能会采取更为稳定或受限的音高生成策略,而非增加韵律上的变化幅度[26]、[29]。与平均音高不同,σΔf0/f0受掩蔽效应的影响较为轻微,在低噪声条件下也没有出现显著变化,这表明音高变化主要是在听觉反馈受到更强烈干扰时才会出现。而PTR则与Room 12A的情况相反,这与以往研究中关于混响更严重的房间会导致发音时间更长的结论一致[27]。这种差异可能源于任务特性、房间结构,或是混响与背景噪声共同对发音时序的影响。本研究的一个重要方法学特点在于采用了骨传导掩蔽而非空气传播的噪声。这种方法具有诸多优势:它能够可控且可重复地调节听觉反馈的强度,同时几乎不会改变房间的空气声场,进而也不会影响听者接收到的信号。这样一来,就可以将自我监测变化对发声调节的贡献与交流对象所处的外部声场变化区分开来。不过,骨传导掩蔽也存在局限性。由于它绕过了部分空气传播路径,因此其对自我监测的影响可能与通过空气和骨传导两种途径到达耳朵的环境噪声有所不同。此外,掩蔽效果是对说话者和听者对称施加的,虽然这样能确保两者承受的噪声水平一致,但与实际教室中常见的非对称噪声条件有所不同。在将这些研究结果推广到现实教室的噪声环境中时,需充分考虑这些方法学因素。总体而言,这些结果进一步证明了发声调节是由人耳所感知到的自身声音的有效清晰度所决定的,而这又取决于直接声波、反射声以及周围噪声之间的平衡关系。由于两个演讲厅中所有测试距离都超过了估算的临界距离,因此交流主要在混响较强的环境下进行,这进一步凸显了与房间相关的听觉反馈的重要性。仅凭整体混响时间是无法预测发声行为的。从实际角度来看,不同房间之间辐射声功率相差约3 dB,就已经意味着发声负荷的显著差异,这说明在设计教室声学环境时,除了传统的混响指标外,还需考虑背景噪声和反馈结构。4.3 语音清晰度本研究结果表明,在模拟的教室环境中,语音清晰度受声学距离、房间特性、背景噪声、语音信号特征以及说话者位置等多方面因素的共同影响。正如预期的那样,与说话者的距离越远,语音清晰度就越低,这一现象与听者与说话者距离增大时直接声波与混响声波的比例下降以及语音信号与噪声信号的比例降低是一致的。这一结果与已有研究结果相符,即在混响较大或噪声较高的环境中,随着距离的增加,语音识别性能会呈指数级下降[32][33]。不同房间之间的显著差异进一步强调了声学环境的重要性。与Room 2相比,Room 12A的语音清晰度明显更低,这表明该房间的混响时间、早期反射声或其他整体清晰度相关因素可能不太有利。即便房间声学特性的差异较小,也可能会对语音理解造成明显影响,这就凸显了在评估交流需求时必须考虑教室的声学特性。背景噪声有着显著的负面影响,无论是低噪声还是高噪声条件,都会大幅降低正确识别语音的概率。这些影响的程度(对应概率比分别为0.40和0.20)表明,即使噪声水平只是适度上升,也会严重削弱儿童和成人提取语音信号的能力。这些发现与先前的研究结果一致,即教室中的噪声水平往往高于推荐标准,而这会对学生的听力与学习能力产生即时且累积性的影响[2][3]。语音材料的类型也会影响识别效果。数字类语音的识别准确率低于句子,这是因为数字类语音缺乏足够的上下文、语义和句法线索[34][35]。已知上下文信息有助于促进感知恢复和自上而下的补偿机制,而缺乏这类信息会使数字语音更容易受到声学掩蔽的影响。这一差异表明,并非所有语言材料对语音处理的要求都是相同的,这一点在评估设计以及教学沟通方面都很重要。最后,语音清晰度还会因说话者的位置而有所不同。从上层楼梯发出的语音比从靠近讲台的较低楼层发出的语音更难理解。入射角度的差异以及局部房间声学特性可能是造成这一现象的原因。尤其是当说话者位于上层楼梯并朝下方坐着的听者讲话时,人声的垂直方向性起着关键作用;事实上,向下辐射的声波强度会比水平方向的声波强度更低,定向性测量结果显示,与轴线方向相比,下半球区域的声强可降低数dB[50]。在真实的教室环境中,这样的位置差异与常见的教学行为(如在教室各排之间走动、边走边讲课)相呼应,这说明说话者的位置确实会显著影响整个教室内的语音接收效果。这些结果强调了教室中语音清晰度的多因素复杂性。声学环境、听者与说话者之间的几何关系、噪声以及语音材料的语言特性,都会影响学生获取重要听觉信息的难易程度。这些发现凸显出有必要采取综合策略,如优化声学设计、控制噪声、做好教室管理以及开展沟通培训,从而为教育环境中的有效口语交流提供支持。4.4 发声与感知的整合通过同时分析发声适应与语音清晰度,本研究将两个通常被分开研究的领域联系在了一起。研究结果表明,环境因素会同时影响发声行为和感知结果,但这两个过程并非完全同步。发声强度的调整遵循一定的补偿规律,但语音清晰度仍然主要受房间声学特性和空间几何结构的影响。这些结果进一步强调了在评估教室交流环境时,需要同时考量发声端的适应情况以及听者端的感知表现。那些能够减少混响并保持良好信噪比的设计,不仅可以降低人们提高发声强度的需求,还能提升语音清晰度。4.5 研究局限与未来方向本研究仅在两个演讲厅中进行,尽管这两个场所的声学处理方式存在很大差异,但如果能对更多不同尺寸的房间及其混响特性进行采样,将有助于提高研究结果的普遍适用性。未来的研究应扩展到更多不同的建筑结构,并增加语音暴露的时间长度,以探讨其对发声负荷的累积影响。此外,本研究选择的语音任务也可能影响了人们的发声行为以及对房间声学特性的感知。先前的研究表明,阅读任务会改变人们的发声调节策略以及他们对声学环境的感知。虽然本研究通过数字传递任务加入了互动交流元素,但未来的研究还应进一步探索自然、贴近现实课堂环境的交流场景。此外,还应该研究涉及多名听者及动态移动的复杂课堂场景,以及在不同声学支持条件下的语音负荷累积情况。另外,尽管本研究使用了骨传导掩蔽和半结构化语音任务,且在实验上进行了严格控制,但这些方法可能无法完全模拟现实中课堂交流的复杂性。5 结论本研究探讨了在两个大学演讲厅中,说话者与听者之间的距离、房间声学特性以及局部骨传导掩蔽效应如何共同影响发声适应与语音清晰度。随着距离每增加一倍,LW会增加1.76 dB,Δf0/f0则会增加92 cents,这表明存在与房间无关的系统性空间补偿机制,同时在与教室相关的距离范围内还存在明显的距离依赖型发声补偿效应。局部掩蔽效应引发了类似Lombard效应的明显反应:在低噪声条件下,LW会增加5.15 dB,在高噪声条件下会增加8.14 dB,而且低噪声与高噪声条件下的Lombard斜率也因房间而异(Room 2为0.34 dB/dB,Room 12A为0.22 dB/dB)。在无噪声条件下,房间对发声输出的影响最为显著,而随着可控掩蔽效应的增强,这种影响会逐渐减弱,这表明除了混响之外,背景环境噪声和自我监测信号也会产生影响。语音清晰度会随着距离、噪声水平的升高以及未经过处理的房间环境而降低,其中数字语音的清晰度低于句子语音,且来自上层位置的说话者发出的语音清晰度也更低。总体而言,发声端的适应机制并未完全抵消感知层面的退化现象,这表明教室中的交流受到说话者和听者双方相互作用的制约。CRediT作者贡献说明Pasquale Bottalico:写作——审稿与编辑,写作——初稿撰写,可视化处理,研究监督,项目管理,方法设计,实验研究,正式分析,数据整理,概念构思。Virginia Tardini:写作——初稿撰写,可视化处理,正式分析,数据整理。Angela Guastamacchia:实验研究,数据整理。Arianna Astolfi:写作——审稿与编辑,研究监督,项目管理,概念构思。伦理审批所有参与者均签署了书面知情同意书。本研究方案已获得都灵理工大学的伦理委员会批准(方案编号为104575/2025)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号