摘要
自闭症语言具有高度异质性，但组间比较可能掩盖有意义的个体声学特征模式。本研究采用无监督机器学习方法，识别塞浦路斯希腊语母语者（包括自闭症和神经典型成人）的数据驱动型声学特征画像。参与者在受控的语音和重音条件下产出双音节伪词。十六项声学指标——包括基频、共振峰、时长、倒谱峰值突出度、梅尔频率倒谱系数、抖动、微扰、谐波噪声比和强度——在参与者层面进行汇总并适当归一化。主成分分析保留八个成分，解释了总方差的81.4%，随后进行k-means聚类。三聚类方案在测试方案中提供了最佳轮廓系数，并表现出良好的自举稳定性。聚类归属与诊断组显著相关：一个特征画像完全由自闭症者组成，一个相对均衡，一个以神经典型者为主。主要声学维度主要由嗓音质量和频谱指标驱动，尤其是倒谱峰值突出度、强度、微扰、谐波噪声比和抖动，而基频和共振峰指标的贡献相对较小。这些发现表明，无监督声学特征画像可以揭示稳定的、具有诊断相关性的语音表型，而这些表型是传统二元组间比较所无法捕捉的，突显了自闭症语言中显著的组内异质性，并支持更加个体化的嗓音变异表征方法。
