《Annals of the New York Academy of Sciences》：Rhythm Across Species: Situating Human Speech in a Comparative Framework
编辑推荐：
摘要：在较小的语言单位层面（如词和音节），节奏表现出语言之间的高度异质性。这表明它与非人类动物交流不同，后者通常观察到潜在的等时性（isochrony）。在本研究中，研究人员使用与先前用于非人类动物相似的单元来检查言语节奏：交替起始间隔（interonset
摘要：在较小的语言单位层面（如词和音节），节奏表现出语言之间的高度异质性。这表明它与非人类动物交流不同，后者通常观察到潜在的等时性（isochrony）。在本研究中，研究人员使用与先前用于非人类动物相似的单元来检查言语节奏：交替起始间隔（interonset intervals, IOIs），即被静音间隔包围的声音元素。令人惊讶的是，在覆盖所有有人居住大陆的48种语言的全样本中，IOI持续时间相对相似，中位数约为2秒。IOI节拍也相对相似，约为0.5 Hz，人类言语在节奏变异性和节拍精度（beat precision, BP）方面介于典型的动物物种之间，即等时节拍模型拟合序列的程度。通过揭示跨语言规律并将其与其他动物物种的规律进行比较，研究结果有助于将人类言语定位在自然界中观察到的更广泛的节律发声行为谱系中。
论文解读：人类言语节奏在跨物种比较框架中的定位
一、研究背景与问题
节奏是跨物种交流的基本组成部分，它组织事件的时间结构、增强感知和认知加工，并使对即将到来的言语信号产生预测成为可能[1-3]。这种时间组织并非人类言语所独有，而是生物信号系统的普遍属性，为理解时间如何一方面受生物学特性塑造、另一方面在个体及社会互动中携带意义提供了有力的比较框架[4-11]。
然而，既有的人类言语节奏研究面临若干困境。传统类型学将语言划分为重音计时（stress-timed）、音节计时（syllable-timed）或莫拉计时（mora-timed）类型[13-15]，但这一框架已 largely 被基于片段的量化描述所取代[31]。在较小的语言单位层面（如词和音节），节奏表现出高度的语言间异质性，暗示其与非人类动物交流中普遍观察到的潜在等时性不同。更重要的是，现有方法通常依赖表征性假设或特定语言的切分单位（如语调单位，intonation units, IUs），这些单位无法适用于非人类动物，从而限制了跨物种可比性[40]。尽管Inbar等人[40]在40多种语言中识别出约0.6 Hz的低频节律并提出了IUs作为普遍的组织单位，但该研究仍受限于人类特定的语言分割层面，无法直接与动物交流节律进行比较。
鉴于上述问题，本研究旨在回答一个核心问题：人类言语产生中的节奏是否能拟合更广泛的动物节奏空间（就IOIs及相关结构变异性测量而言），还是与非人类动物存在本质差异？为回答此问题，研究人员采用数据驱动的方法，直接量化声学信号中言语和停顿的时间分布，不对底层语言或认知表征作任何推断，并将人类数据与采用相同方法学获得的非人类动物节律数据进行比较。
二、主要技术方法
本研究使用来自DoReCo语料库v2.0[46]的核心数据集，该语料库包含覆盖所有有人居住大陆、53种文化和结构多样的语言的录音及时间对齐转写。最终分析样本包含48种语言（排除Sümi后）、299位发音人、5527个序列和101,399个IOI单位，涵盖30个不同的谱系家族，其中大多数发音人代表非WEIRD（西方、受教育、工业化、富裕和民主）人群，且许多语言属于濒危、研究不足或低资源语言[47]。言语暂停依据DoReCo中标注的静音存在（不能归因于发音过程的静音）和可感知的言语流中断来确定。序列切分以数据驱动方式确定，阈值取全数据集静音停顿的99百分位数，即3.36秒；仅包含至少3个IOI的序列纳入节律计算。节奏分析使用RANTO软件（2024年10月版）[23, 25, 30]，计算了基于序列中位IOI时长的节拍频率（1/中位IOI，转换为Hz）、变异系数（coefficient of variation, CV）以及节拍精度（beat precision, BP）——一种衡量等时节拍模型对原始IOI序列拟合优度的指标，取值范围0至0.5，0表示完全拟合，0.5表示高度变异[22, 30]。
三、研究结果
3.1 IOI持续时间在语言间高度相似
研究分析了48种语言共5527个序列中的101,399个IOI（在按阈值切分并排除短序列后，共移除3.01%的数据）。结果显示，所有语言的IOI持续时间呈现轻微右偏的单峰分布（图1D），中位数约为2秒，对应0.5 Hz的节奏。各语言间IOI时长分布密度曲线高度相似（图2A），考虑到这些语言在音系、形态和句法结构上存在显著差异，这一相似性尤为引人注目。各语言中位IOI时长介于1.4秒（Cabécar）至2.7秒（Nisvai）之间，总中位数为2.02秒（均值2.25秒）。63%的分析语言显示中位IOI时长介于1.8至2.2秒之间，且语系和地理区域在该连续体上均匀分布。此外，测试了年龄、性别以及形态和韵律因素对IOI时长的影响，均未发现一致性效应。
3.2 变异系数揭示与动物相当的节奏变异性
序列级CV值呈单峰分布，均值和单位数均为0.5，无明确偏斜。绝大多数语言的CV值大体相似，离群值对应于样本量小或发音人少的语言（如Yali、Ruuli）。将人类言语的归一化IOI时长与三种代表性动物物种（鱼类：灰鲂鮨Sciaena umbra；哺乳类：海角毛皮海狮Arctocephalus pusillus pusillus；鸟类：云雀Alauda arvensis）比较发现，分布呈现显著重叠（图3A）。人类CV值（0.5）与某些蝙蝠物种的回声定位呼叫序列相当[45]，但低于云雀飞行歌曲的极高变异性（CV=1.3）[30]，也高于海角毛皮海狮吠叫声的极低变异性（CV=0.08）[44]和抹香鲸点击尾音（CV=0.14）[25]。
3.3 节拍频率呈现正态分布
以每序列中位间隔计算节拍频率（1/中位IOI，见公式1），48种语言的5527个序列的节拍频率呈正态分布（图S2A），均值为0.5 Hz，标准差为0.07 Hz。各语言平均节律范围从Nisvai和Asimjeeg Datooga的0.38 Hz到Pnar的0.71 Hz，语言间大体相似（图S2B）。个体发音人层面，节律范围从0.25 Hz（跨5个序列）至0.8 Hz（跨3个序列）。
3.4 节拍精度表明人类言语介于动物物种之间
BP值作为每序列的汇总值，0表示等时模型完美拟合，0.5表示高度偏离。所有语言中单个序列的BP值介于0.0136至0.5之间，表明某些序列极为严格地遵循等时节拍，而其他序列则非常多变。总体中位数为0.37（图4），人类言语落在海角毛皮海狮（平均BP=0.32）[44]和灰鲂鮨（平均BP=0.38）[9, 21]之间（图3C）——这两个物种此前均被描述为高度规律且具有等时性。48种语言的平均BP值相似，大多数语言同时包含低值（良好拟合）和高值序列（较差拟合）。
四、总结与讨论
讨论部分指出，人类言语在该时间尺度上的平均IOI时长（2.02秒）是所比较物种中较慢的节律之一，但作为序列内部变异性独立指标的CV（0.5）与许多非人类动物相当。就BP而言，尽管人类数据中存在一些高度偏离等时模型的序列，但整体并不构成离群值，而是很好地拟合于其他物种的BP范围内。研究强调，节律性可能应被理解为连续体或模块化系统[22]而非二元特征。人类言语中观察到的变异可能受身体状况（身高、肺活量）、个体差异、录音主题与体裁（如仪式性讲述、赞美歌等偏表演性或歌曲性的叙述类型）等因素影响。IOI与IUs的关键区别在于：IUs嵌入特定语言的音系学中，构成韵律层级的一部分[41]，在非人类动物发声中没有明确对应物；而IOI以连续发声和停顿间隔来定义，构成人类和非人类交流的普遍构建单元。
研究结论部分可翻译为：通过采用统一的、数据驱动的方法研究交流中的时间组织，研究发现来自六个有人居住大陆的48种多样化语言的IOI时长均聚集在约2秒左右，其节奏变异性程度与非人类动物相当。本研究强调人类之间可能存在源于共同生理和生物力学机制的可比性与共享约束。这一比较框架将人类交流定位于更广泛的生物节律景观中，为理解时间如何跨物种组织行为提供了洞见。未来工作应解决等时性节律定义中可容忍的变异量问题，将分析扩展到更广泛的非人类物种以获得更全面的比较视角，并纳入允许计算IOI、CV和BP的额外开放数据集。最后，跨不同地理区域或大陆的种内比较有助于区分物种特异性节律属性与种群水平变异。
