日语语音不同播放速率下听觉加工的神经响应：一项探索性功能磁共振成像研究

《Brain Sciences》：Neural Responses During Japanese Speech Listening at Different Playback Speeds: An Exploratory Functional MRI Study

　　

摘要专业翻译 背景/目标：语音播放速率变化对大脑活动的影响，可为高效信息处理与学习方法的发展提供重要见解。然而，既有研究主要集中于英语等印欧语系语言。本研究采用功能磁共振成像（functional magnetic resonance imaging, fMRI）技术，考察了两种播放速率下日语语音聆听过程中的神经响应。方法：42名日语母语成年人（平均年龄21.5 ± 1.8岁，女性24名）被动聆听《小王子》的合成语音朗读，播放速率分别为正常语速的0.75倍（慢速）和1.5倍（快速），聆听结束后进行理解力测试。结果：两种条件下均诱发了以颞横回（transverse temporal gyrus, TTG）和颞上回（superior temporal gyrus, STG）为中心的稳健双侧激活。两种条件间的直接对比未发现显著体素，感兴趣区（region-of-interest, ROI）分析为六个听觉区域中的五个提供了支持点零模型的适度证据（支持零假设的贝叶斯因子为3.7–6.0），但右侧赫氏回（Heschl's gyrus, HG）的结果不具决定性（贝叶斯因子为2.1）；经多重性校正的检验在六个区域中的三个排除了超出敏感性推导界限的效应，但分类结果取决于运动处理方式。两种条件下的响应均呈左侧偏侧化，但不同速率间的偏侧化差异不显著。九项理解测试的准确率为61.4%；快速与慢速条件之差为?5.83个百分点（95%置信区间[?17.28, 5.61]）；83.3%的参与者正确识别了较快的播放段。播放速率在参与者内部与叙事内容存在混淆；速率顺序在参与者间进行了平衡。结论：本研究为日语语音提供了探索性基线，并表明在该速率范围内，播放速率与听觉皮层响应的幅度或偏侧化的可检测差异无关。

论文解读

一、研究背景与问题提出

语音理解是人类日常活动中最复杂的认知行为之一，其加工过程高度依赖声学信号中精密的“时间地标”。即使传达相同语义，语音信号也会因音高和速率的变化而在声学特征上产生差异。近年来，数字媒体中变速播放功能的日益普及，引发了关于语音播放速率对学习效果和信息处理效率影响的关注。

从神经机制层面看，语音理解的经典解释模型——韦尼克-利希海姆-格施温德（Wernicke–Lichtheim–Geschwind, WLG）模型——强调左半球的主导作用。然而，近年基于功能磁共振成像（fMRI）、脑电图和脑磁图的研究表明，WLG模型无法充分解释语音理解的神经基础。双流模型（dual-stream model）等新框架应运而生，区分了支持语音理解的腹侧流和支持语音产生的背侧流。同时，累积证据挑战了严格的左半球优势观点，证明双侧半球均参与语音加工。尽管各模型存在差异，但均认同语音信号处理始于初级听觉皮层和颞上回（STG），随后通过广泛的双侧脑网络进行加工。

已有研究探讨了语音播放速率与脑活动的关系，部分研究报告了时间压缩语音期间脑活动增强，但这类研究通常采用主动聆听任务（如句子验证），被动聆听条件下速率与脑活动的关系仍不明确。此外，既往研究主要集中于英语等印欧语系语言，对日语等类型学上不同的语言关注不足。本研究利用基于深度学习的语音合成技术生成两种播放速率的日语语音刺激，采用fMRI考察被动聆听过程中的脑活动，旨在填补日语语音播放速率神经机制研究的空白。据研究人员所述，这是首个针对日语语音播放速率的fMRI研究。

二、研究设计与主要发现

本研究招募了42名来自新潟医疗福祉大学的学生参与者（平均年龄21.5 ± 1.8岁，女性24名），均为日语母语者且自报听力正常。研究采用组块设计（block design），每个运行包含五个交替的40秒静息期和40秒语音聆听任务组块，随后附加20秒静息期。每位参与者完成两个运行，分别对应慢速（0.75×）和快速（1.5×）条件，速率顺序在参与者间进行了平衡。语音刺激使用谷歌文本转语音（Google Text-to-Speech）的ja-JP-Neural2-C模型生成，仅设定语速参数，未进行后续的时间尺度修改、音高移动或响度归一化。参与者被要求在扫描仪内闭眼放松，无需做出行为响应，但事先被告知扫描后将进行内容理解测试，以确保注意力投入。

研究得出三个主要发现：第一，慢速和快速条件下均观察到从双侧颞横回（TTG）延伸至颞上回（STG）的稳健激活，这与听觉皮层在语音加工中的核心作用一致；第二，播放速率与听觉皮层响应的幅度或偏侧化之间未检测到显著关联，等效性检验在六个听觉区域中的三个排除了超出敏感性界限的效应，但该分类取决于运动处理方式，且无法排除较小效应；第三，双侧听觉激活模式与印欧语系语言研究报告的模式相似，但单一语言设计不允许得出跨语言普遍性的结论。

三、关键技术方法

研究人员采用了以下主要技术方法：（1）基于深度学习的神经语音合成技术，使用Google Text-to-Speech的ja-JP-Neural2-C模型生成高质量日语语音刺激，实现精确的语速控制和高可重复性；（2）功能磁共振成像（fMRI）数据采集，使用3-T Vantage Galan扫描仪（佳能医疗系统公司），配备32通道头部线圈，采用回波平面成像序列获取功能图像；（3）基于统计参数映射（SPM12）的预处理流程，包括运动校正、共配准、分割、标准化至蒙特利尔神经学研究所（MNI）标准空间及空间平滑；（4）广义线性模型（GLM）一级和二级分析，采用符号翻转置换检验控制全脑家族误差（FWE）；（5）感兴趣区（ROI）分析，基于哈佛-牛津皮层图谱定义赫氏回（HG）、颞上回（STG）及其联合区域，结合配对t检验、双单侧检验（TOST）和贝叶斯因子分析；（6）偏侧化分析，采用速率×半球重复测量方差分析、偏侧化指数（LI）和体素级偏侧化分析三种方法；（7）行为数据分析，包括理解准确率的t检验、广义估计方程（GEE）模型和二项检验。

四、研究结果

4.1 参与者特征

42名参与者均完成两个运行并纳入分析。平均框架位移（framewise displacement, FD）为0.20 mm，无参与者的两运行均值超过0.5 mm。运行间（t(41) = ?0.62, p = 0.540）及快慢条件间（0.21 vs. 0.19 mm; t(41) = 1.28, p = 0.207）的头动均无显著差异。在个体体积层面，17556个体积中有582个（3.3%）的FD超过0.5 mm。

4.2 扫描后理解测试

九项计分题目的扫描后理解准确率显著高于随机水平（61.4%，标准差19.5；随机水平33.3%；t(41) = 9.31, p < 0.001）。36名报告两次运行速率不同的参与者中，35名正确识别了较快运行（97.2%）；全样本中35/42名（83.3%）报告顺序正确。快速与慢速条件间的准确率差异不显著（59.9% vs. 65.7%；差异为?5.83个百分点，95%置信区间[?17.28, 5.61]）。第一运行呈现章节的准确率显著高于第二运行（75.6% vs. 50.0%），且准确率随章节位置线性下降。

4.3 脑激活区域组分析

组水平分析显示，慢速和快速条件下均存在以颞横回（TTG）和颞上回（STG）为中心的显著双侧激活。两种条件间的直接对比（快速>慢速和慢速>快速）在全脑范围内未发现显著体素。空间分布的高度相似性通过Dice相似系数（DSC）0.911（评为“优秀”）得到量化。感兴趣区分析结果与速率效应缺失一致：左侧联合听觉区域（d_z = 0.02，贝叶斯因子BF₀₁ = 5.96）和右侧联合听觉区域（d_z = ?0.06，BF₀₁ = 5.63）。经多重性校正的等效性检验在六个听觉区域中的三个（右侧颞上回、左侧联合听觉区域、右侧联合听觉区域）拒绝了大于d_z = 0.44的效应。除右侧赫氏回（BF₀₁ = 2.08，不具决定性）外，所有听觉区域的贝叶斯因子均超过3。第一与第二运行间的对比揭示了稳健的双侧颞上区效应（1577个体素，峰值t = 7.73），左侧听觉皮层效应量大（d_z = 1.02）。

4.4 偏侧化分析

两种播放速率在赫氏回均诱发左侧偏侧化（半球主效应：F(1,41) = 11.08, p = 0.0019）。各区域均未检测到速率与半球间的显著交互作用（所有F ≤ 1.03，所有p ≥ 0.316），表明不同速率间的偏侧化差异不显著。各阈值下的偏侧化指数在两种条件间具有可比性，全脑偏侧化分析亦未发现差异体素。

五、讨论与结论

讨论部分总结：研究人员在讨论中指出，被动聆听条件下未观察到前额叶皮层的显著激活，这与主动聆听任务（如句子验证任务）中报告的前额叶参与形成对比，可能反映了被动与主动任务间认知需求差异，与“核心语言网络”和“多需求（MD）网络”的功能分离观点一致。两种速率均诱发左侧偏侧化，与早期听觉区域对语音时间结构敏感性的观点相符，但置信区间包含两个方向，无法确定相对半球参与是否存在速率差异。速率效应缺失可能受限于仅测试两种速率、被动任务可能弱化血流动力学差异等因素。第一与第二运行间的显著效应不应归因于播放速率，因为运行、叙事内容和会话内位置完全混淆。日语语音的激活模式与印欧语系语言研究相似，但需直接跨语言比较加以确证。合成语音与自然语音在速率调节方式上的差异（如停顿调整模式不同）也可能影响结果的普适性。

研究结论翻译：本研究提供了日语语音不同播放速率下神经响应的探索性fMRI表征，产生三个主要发现。第一，慢速和快速条件下均观察到从双侧颞横回延伸至颞上回的稳健激活，该发现与听觉皮层在两种播放速率语音加工中的核心作用一致，也与先前研究结果相符。第二，播放速率与听觉皮层响应的幅度或偏侧化的可检测差异无关。经多重性校正的等效性检验表明，在主要分析中六个听觉区域中的三个可排除大于敏感性界限的效应，但该分类取决于运动处理方式，且无法排除较小效应。右侧赫氏回的贝叶斯因子不具决定性。扫描后测得理解准确率在条件间亦无显著差异，但无法排除快速条件下降低超过10个百分点的可能性。第三，双侧听觉激活模式与印欧语系语言研究报告的模式相似，但单一语言设计不允许得出跨语言普遍性的结论。本研究的意义在于为日语语音播放速率研究建立了基础基线，为未来与多语言fMRI数据集的比较提供参考，有助于阐明跨语言的人类语言加工机制。