English listeners categorize murmured stops based on aspiration, not prevoicing
Notice bibliographique
Résumé
Previous perceptual studies of English stop voicing focus on Voice-Onset Time (VOT). Aspiration is generally subsumed into VOT, yet [1] complicates this, evincing a trading relation between intensity of aspiration noise and VOT. Our study is the first to examine the role of VOT and aspiration in English listeners’ perception of non-native plain and murmured stops. We recorded Marathi talkers producing /CVsV/ nonce words beginning with /t/, /tʰ/, /d/, /dʰ/, e.g. /dʰaːsaː/, or their velar counterparts. The following acoustic measures were taken for each token: — Duration of prevoicing — After Closure Time (ACT) [2], i.e., the interval between release and periodicity — Pre-Vocalic Interval (PVI) [3], which includes ACT and the murmured portion of the vowel — Intensity of aspiration noise Canadian English listeners rated the stops on a 6-point scale from voiced to voiceless. Only results for murmured stops are discussed here. Despite variability of prevoicing duration in these tokens (range = 200ms, sd = 43), the factor did not correlate significantly with a token’s average rating (p>0.60). However, ACT (r=.53, p<0.001), PVI (r=0.39, p<0.001), and the mean intensity of aspiration noise (r = 0.58, p<0.02) did. Thus, aspiration, not prevoicing, best accounts for perceptual differences between murmured stops. [1] Repp, “Relative amplitude of aspiration noise…,” Lang. Speech 22, 1979; [2] Mikuteit & Reetz, “Caught in the ACT…,” Lang. Speech 50, 2007; [3] Berkson, “Capturing breathy voice…,” Kans. Work. Pap. Ling. 33, 2012.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».