《PLOS Computational Biology》:Dynamics of jaw kinematics and fundamental frequency suggest vocal tract tuning in the indris’ song
编辑推荐:
修改喉上声道(supralaryngeal vocal tract)的能力,尤其是通过调节张嘴幅度(mouth opening),可使共振峰(formants)与谐波(harmonics)对齐,从而增强发声强度。这一现象被称为共振峰调谐(formant tun
修改喉上声道(supralaryngeal vocal tract)的能力,尤其是通过调节张嘴幅度(mouth opening),可使共振峰(formants)与谐波(harmonics)对齐,从而增强发声强度。这一现象被称为共振峰调谐(formant tuning),已在人类歌手以及多种哺乳动物和鸟类中被描述。然而,关于其在歌唱灵长类(singing primates)中的作用,目前所知甚少。本研究探讨了已知唯一会歌唱的狐猴——大狐猴(Indri indri)的垂直张嘴幅度是否与其发声的基频(fundamental frequency, fo)共变,而该参数与这一物种的第一共振峰(F1)直接相关。研究人员分析了来自19只野生大狐猴的83段视频记录,使用基于DeepLabCut的无标记姿态估计模型(markerless pose estimation model),逐帧提取张嘴幅度测量值,即上唇与下唇预测标志点之间的像素距离,并将其与从对应音轨中提取的fo值配对。广义线性混合模型(generalized linear mixed model, GLMM)揭示垂直张嘴幅度与fo之间存在显著正相关关系,表明较高频率的发声与较大的下颌张开相关。这些结果提供了首项直接的定量证据,证明大狐猴在发声时协调调控其嘴部形态与fo,支持其能够进行共振峰调谐的假说。这一能力可能有助于提高声音强度和传播范围,增强茂密森林环境中长距离通讯的效果。除增进对歌唱灵长类发声机制的理解外,本研究还将无标记姿态估计与逐帧声学分析相结合,从野外记录中量化发音动力学,为研究动物通讯中声道构型与声学输出之间的关系提供了一种多模态方法。
**论文解读:大狐猴歌曲中的声道调谐——基于无标记姿态估计的定量证据**
**一、研究背景与科学问题**
在包括人类在内的许多动物中,声道(vocal tract)形态——尤其是张嘴幅度——可影响声音的共振特性,进而改变发声强度与传播距离。这类现象被称为共振峰调谐(formant tuning),其机制在于将声道共振频率与声源信号的基频(fundamental frequency, fo)或谐波相对齐,从而提升辐射声压级。这一策略已在人类歌手和多种非人动物中得到记录,例如灰狼通过降低下颌将fo与第一共振峰(F1)对齐,草鼠将fo调谐至第二共振峰,鸟类则通过调节口咽-食管腔(OEC)体积实现类似功能。然而,关于非人灵长类中的共振峰调谐证据仍然稀少,尤其是在能够产生结构化歌曲的物种中。歌唱行为在灵长类中独立演化于四个系统发育上无关的类群,约覆盖16%的灵长类物种。尽管已有研究表明长臂猿能够像专业歌手一样调节声道以增强歌声传播,但这些证据主要来自单个个体,且定量分析声道构型与声学输出关系的研究仍然缺乏。大狐猴(Indri indri)是马达加斯加东北部雨林特有的狐猴,以其规律性频率调制的歌曲闻名,是检验声道调谐假说的理想模型。然而,由于大狐猴无法人工饲养且栖息于偏远地区,获取解剖样本和高品质自然发声视频记录极为困难。因此,本研究旨在利用无标记姿态估计技术,定量分析野生大狐猴在歌唱过程中垂直张嘴幅度与fo之间的关系,以验证其是否具备共振峰调谐的潜力。
**二、研究开展与主要结论**
研究人员收集了2008年至2024年间在马达加斯加东部Maromizaha森林和Mitsinjo保护区录制的83段野生大狐猴歌唱视频,涉及11个群体共19个个体(11雌8雄)。为定量测量张嘴幅度,研究人员在预先训练的DeepLabCut模型基础上,额外手动标注了630个新帧中的13个面部标志点,并重新训练模型,最终测试集上的均方根误差(RMSE)为4.55像素,约为所追踪特征尺度(平均眶间距45.5像素,平均垂直张嘴幅度50.6像素)的9–10%。研究人员逐帧提取上唇与下唇标志点之间的欧氏距离作为垂直张嘴幅度,并使用眶间距进行归一化,以消除拍摄距离差异的影响。同时,通过Praat软件中的交叉相关算法提取同步音频的fo值,最终建立了包含3598帧数据的配对数据集。广义线性混合模型(GLMM)分析显示,垂直张嘴幅度对fo有显著正向影响(p < 0.001),而性别效应不显著(p = 0.23),表明大狐猴在发出较高频率声音时倾向于张大口部,且这一模式不具性别特异性。此外,研究人员利用两个大狐猴头骨复制品构建了声道管状模型,模拟不同张嘴幅度下的共振峰变化,发现fo与F1和F3的估计值之间存在显著Spearman相关(F1: rho = 0.698, p < 0.001;F3: rho = 0.698, p < 0.001),说明观察到的张嘴幅度范围足以产生与fo或其谐波对齐的共振峰偏移。
**三、关键研究方法概述**
本研究采用的关键技术方法包括:第一,基于DeepLabCut的无标记姿态估计模型,通过迁移学习扩展现有面部标志点检测模型,从野外视频中自动提取逐帧张嘴幅度测量值;第二,基于Praat的交叉相关基频检测算法,从同步音频中提取fo值,并与视频数据进行时间对齐;第三,利用头骨复制品和VTAR软件构建声道管状模型,模拟不同张嘴幅度下的共振峰频率;第四,应用广义线性混合模型进行统计分析,以个体身份和视频文件为随机效应,检验张嘴幅度与fo的关系。研究样本来自马达加斯加野外自然种群的视频记录,无侵入性操作。
**四、研究结果分述**
**1. 垂直张嘴幅度与fo的正相关关系**:通过GLMM分析发现,垂直张嘴幅度对fo有显著正向影响(χ2 = 2520.8, df = 2, p < 0.001),模型残差检验未违反假设(dispersion = 0.999, p = 0.872)。这一结果表明,大狐猴在唱歌时确实根据音高调节嘴部形态。
**2. 声道模型与共振峰分析**:声道管状模型模拟显示,随着张嘴幅度从0.2 cm增至5.0 cm,F1–F3共振峰频率系统性地升高。Spearman相关分析显示,fo与对应张嘴幅度下的F1和F3估计值显著相关,表明共振峰与声源频率之间存在潜在对齐关系。
**3. 性别差异分析**:模型结果显示性别对fo没有显著影响(p = 0.23),说明声道调谐是物种水平上的共性特征,而非性别特异性表现。
**五、讨论与结论总结**
讨论部分指出,垂直张嘴幅度与fo之间的显著正相关为共振峰调谐假说提供了定量支持。尽管无法直接证明大狐猴主动或刻意地进行共振峰调谐,但fo与建模F1和F3值的强相关性有力地支持了声源-过滤器耦合机制的存在。与鸟类、灰狼和白掌长臂猿的研究相比,大狐猴的声道调谐能力可能与其依赖长距离歌曲进行领域防御的生态需求相关。该研究也存在若干局限性,包括二维视频投影可能引入测量误差、头部姿态变化影响标志点检测,以及无法捕捉其他发音器官(如舌位、唇形)的调节作用。然而,通过保留近正面视角的帧并使用眶间距归一化,这些误差部分得到控制。研究结论总结如下:本研究增进了对歌唱灵长类共振峰调谐机制的理解,并提供了一种从野外视频记录中定量测量发音行为的实用方法。通过部分自动化数据提取流程,该方法使得分析大规模档案和野外数据集更加可行。由于其工作流程可适应其他物种和形态,为跨分类群的声道调谐比较研究提供了有前景的途径。