Acoustic and articulatory qualities of smiled speech
Notice bibliographique
Résumé
Studies on smiled speech have shown that listeners can easily identify speech that was produced while based solely on the acoustic signal (c.f. Tartter, 1980; Quene, Semin, & Foroni 2012; Quene & Schuerman 2012; Torre, 2014). In general, these studies have primarily focused on the acoustic and perceptual effects of on speech; surprisingly little work has been done on the ways in which while talking affects speech articulations, and how those articulatory changes map onto the acoustic differences. The current study aims to address this gap through a production experiment examining both the articulation and acoustics of vowels in smiled versus non-smiled speech. The experiment examined the effect of on formant values, lip spreading, lip protrusion, lip angle, and larynx height in the production of vowels by 10 native English speakers. Facial movement and positioning were measured following Fagel (2010), using dots on participants’ faces, and larynx height was measured with laryngeal ultrasound following Moisik and colleagues (Moisik, Esling, Bird, & Lin 2011; Moisik & Esling, 2011; Moisik, Lin, & Esling, 2014). We hypothesized that smiled speech, in comparison to neutral speech, would be characterised by a higher F0, higher formant frequencies, a raised larynx, and spread lips with corners turned up in a typical smiling configuration. Preliminary results show that is indeed characterized by higher F0 and lips spread with corners turned up. However, formant frequencies were only significantly different in smiled speech for /?/, not for /u/ or /i/. Further, larynx height was not significantly different between smiled and neutral speech, despite the differences in F0. Implications to the theory of smiled speech will be discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».