企业官网建设流程全解析

现代语言学研究中，数学工具并不是“能加分”的辅助手段，而是一套底层语言。语音学家用傅里叶变换把声音从时间域拆成频率成分，心理语言学家用混合效应模型把实验数据里的说话人差异、词条差异、被试差异分离出来。如果一个语言学研究者说自己“不碰数学”，那他实际能做的分析范围会非常窄。本文以两条主线展开：第一条是语音声学分析中的傅里叶变换与短时傅里叶变换，第二条是实验语言学研究中的混合效应模型。读完本文，你可以用 Python 对语音信号做频谱分析，用 R 或 statsmodels 拟合混合效应模型，并理解每一个统计参数在语言数据中的实际含义。

1. 现代语言学中的数学工具地图

1.1 为什么语言学需要数学

语言现象本身同时属于三种不同的实体：

• 语言是一套离散符号系统。音位、语素、词、句法规则都可以写成集合、映射、树结构和形式文法，因此集合论、自动机理论和离散数学可以描述它。
• 语言是一段连续的物理信号。人说话时产生的声波在每一个时刻都有确定的压强值，分析元音、辅音、声调和韵律都离不开信号处理和傅里叶分析。
• 语言是一组群体行为数据。语言使用者在词汇选择、句法判断、语音感知上存在系统性差异，但这些差异不是简单的“对或错”，而是连续分布，需要用概率统计模型处理。

当这三种实体同时出现在一个研究问题里时，数学就从“可选工具”变成了“分析语言现象的语言”。例如，研究声调的语言学问题，先要把音频录制为时域波形，再用傅里叶变换或线性预测系数提取基频和共振峰，最后用混合效应模型比较不同年龄组说话人的声学参数是否有显著差异。

1.2 语言学分科与数学工具对照

表格里的工具不是孤立的。一个完整研究可能同时需要信号处理、统计建模和离散建模。比如研究“英语元音在清辅音前是否更短”，需要先提取时长和频谱，再做统计建模，最后把结果归纳进音系规则。

1.3 两条贯穿全文的研究主线

为了让讨论足够具体，全文聚焦两条可操作的技术路线。

第一条是语音信号分析路线：从麦克风录制得到时域波形，到使用傅里叶变换获得频率成分，再到使用短时傅里叶变换观察频谱随时间的变化。这条路线主要回答“某个语音片段里有哪些频率成分，它们如何随时间移动”。

第二条是语言实验统计建模路线：从行为实验得到反应时或评分数据，到使用混合效应模型分离被试和项目带来的随机变异，再检验固定效应的显著性。这条路线主要回答“某个语言因素对行为指标是否有系统影响”。

这两条路线会在一个完整分析项目中汇合：提取声学特征后，用混合效应模型检验声学特征对感知或产出行为的影响。下面先讲第一条路线。

2. 傅里叶变换：把语音从时域拉到频域

2.1 时域波形能看什么，不能看什么

打开一段语音的波形图，横轴是时间，纵轴是振幅。你从波形里能看出：

• 这段录音哪里有声音，哪里有静音；
• 声音是突然爆发还是平缓开始；
• 波形振幅大小，近似对应响度。

但波形图很难回答几个更关键的问题：

• 某个元音的第一共振峰在哪里；
• 两个说话人的发声音色为什么不同；
• [s] 和 [ʃ] 的频谱差异到底在哪一段频率；
• 基频是多少，基频曲线怎么走。

这些问题都要求把时间域信号转换到频率域。傅里叶变换做的是这件事：把一段信号拆解成许多不同频率、不同振幅、不同相位的正弦波的叠加。

一个最直观的理解是：时域波形是“声音如何随时间变化”的记账本，频域频谱是“声音由哪些频率成分组成”的配料表。

2.2 傅里叶变换的数学定义和工程解释

连续时间信号的傅里叶变换定义为：

X(f) = ∫ x(t) e^(-j2πft) dt

其中 x(t) 是时域信号，f 是频率，j 是虚数单位。实际计算机无法处理连续积分，所以使用离散傅里叶变换（DFT）：

X[k] = Σ x[n] e^(-j2πkn/N)，n=0..N-1

N 是采样点数，k 对应离散频率索引。实际计算时几乎从不手写 DFT，而是使用快速傅里叶变换（FFT）。FFT 是 DFT 的高效算法，不是另一种变换。

在语音分析中，记住三点：

• 频率分辨率等于 fs / N。采样率 fs 固定时，信号越长，频率间隔越小，频谱越“精细”。
• 奈奎斯特频率是 fs / 2，超过这个频率的成分无法表示。语音研究常用采样率 22050 Hz 或 44100 Hz，可以覆盖人耳和语音的主要频段。
• FFT 结果包含幅度和相位。大多数声学分析只看幅度谱或功率谱。

2.3 Python 实现：合成信号与 FFT 频谱

下面用一个合成信号演示 FFT 的核心流程。实际语音处理时，信号来自.wav文件，但合成信号便于检查频率是否准确。

import numpy as np import matplotlib.pyplot as plt fs = 22050 duration = 0.5 t = np.linspace(0, duration, int(fs * duration), endpoint=False) # 模拟三个频率成分：模拟基频附近能量、第一共振峰、第二共振峰 f0 = 120 f1 = 800 f2 = 2200 signal = ( 0.8 * np.sin(2 * np.pi * f0 * t) + 0.4 * np.sin(2 * np.pi * f1 * t) + 0.2 * np.sin(2 * np.pi * f2 * t) ) # FFT N = len(signal) spectrum = np.fft.rfft(signal) freqs = np.fft.rfftfreq(N, 1 / fs) magnitude = np.abs(spectrum) / N # 绘制频谱 plt.figure(figsize=(10, 4)) plt.plot(freqs, magnitude) plt.xlabel("Frequency (Hz)") plt.ylabel("Amplitude") plt.title("Frequency Spectrum") plt.xlim(0, 3000) plt.grid(True) plt.show()

这段代码里，rfft只计算正频率部分，因为对于实信号，负频率部分是正频率的镜像。rfftfreq生成对应的频率刻度。将原始 FFT 幅度除以 N，是为了把幅度缩放为与原始信号同量级，否则只能看到正确的峰值位置，数值含义不直观。

预期输出是三个明显峰值，分别位于 120 Hz、800 Hz、2200 Hz 附近，峰值高度与前面设定的系数 0.8、0.4、0.2 对应。

2.4 语音研究为什么关注共振峰

元音音色主要由声道的共鸣特性决定。声道可以被看作一个滤波器，某些频率的成分被加强，这些被加强的频率称为共振峰。第一共振峰 F1 和舌位高低相关，第二共振峰 F2 和舌位前后相关。用傅里叶变换得到频谱后，就可以看到 F1、F2、F3 在能量包络上的峰值位置。

实际操作中，直接从频谱找局部最大值并不一定稳定，因为谐波分量会干扰峰值检测。更常用的做法是使用线性预测编码（LPC）估计声道滤波器，再在估计出的包络曲线上找共振峰。但无论 LPC 还是倒谱分析，底层都离不开傅里叶变换。语音学教材里说“共振峰是频谱包络的极大值”，这句话听起来简单，实际从一段录音得到共振峰数值，需要经过预加重、加窗、FFT、平滑、峰值搜索等多步处理。

常见坑之一是直接对整段录音做一次 FFT 就声称得到了“共振峰”。整段录音包含不同语音事件，频谱是所有事件的平均结果，无法反映某个元音在某一时刻的属性。这个问题引出了短时傅里叶变换。

3. 短时傅里叶变换：语音是非平稳信号，必须分段处理

3.1 为什么直接用 FFT 处理整段语音会失真

傅里叶变换隐含一个假设：信号在时间段内是平稳的，即频率成分不随时间变化。语音显然不满足这个假设。一个音节里，辅音爆发段、送气段、元音段、鼻化段的频谱完全不同；即使同一个元音，基频也会随时间上升或下降。

对整段录音做一次 FFT，得到的频谱是所有时间段的混合产物。你可能看到三个模糊的能量峰，但无法知道它们在时间的哪一毫秒出现，也无法判断它们属于哪个音段。语音研究的核心问题是“某个时刻/某个短时段里的频谱特征”，所以必须把信号切成小段，对每一段分别做 FFT，再把结果拼接成一张“频率随时间变化”的图，这就是短时傅里叶变换（STFT）。

3.2 STFT 原理：加窗、滑动、频谱图

短时傅里叶变换分三步：

1. 用一个固定长度的窗函数从信号起点截取一小段；
2. 对窗内信号做 FFT，得到这一段时刻的频谱；
3. 窗函数向右滑动一段距离，重复第 1 和第 2 步。

每一步得到一列频谱向量。把多列按时间排列，横轴是时间、纵轴是频率、颜色深浅表示能量强弱，就得到语谱图。

窗函数的选择直接影响频率分辨率和谱泄漏：

• 矩形窗频率分辨率最高，但旁瓣泄漏严重，会在真实峰值周围产生虚假波纹；
• 汉宁窗和汉明窗旁瓣更低，谱泄漏更小，但主瓣更宽；
• 选择窗长时，要权衡时间分辨率与频率分辨率。窗越短，时间定位越准，但频率分辨率越差；窗越长，频率分辨率越好，却无法准确定位短暂的频谱变化。

一个经验值是：元音声学分析常使用 25 到 50 毫秒的窗长，窗移 10 毫秒左右；分析塞音爆发或音高突变时，可以使用更短的窗和更高重叠。

3.3 Python 实现：用 scipy.signal.stft 生成语谱图

SciPy 提供了现成的 STFT 实现：

from scipy.signal import stft import numpy as np import matplotlib.pyplot as plt fs = 22050 duration = 1.0 t = np.linspace(0, duration, int(fs * duration), endpoint=False) # 合成一个频率随时间变化的线性调频信号 f_start = 100 f_end = 3000 phase = 2 * np.pi * (f_start * t + (f_end - f_start) * t**2 / (2 * duration)) signal = 0.6 * np.sin(phase) f, t_spec, Zxx = stft(signal, fs=fs, nperseg=1024, noverlap=512, window="hann") plt.figure(figsize=(10, 5)) plt.pcolormesh(t_spec, f, np.abs(Zxx), shading="gouraud", cmap="magma") plt.xlabel("Time (s)") plt.ylabel("Frequency (Hz)") plt.colorbar(label="Magnitude") plt.ylim(0, 4000) plt.show()

参数含义：

• nperseg=1024：每次 FFT 的采样点数，在 22050 Hz 下约 46 毫秒；
• noverlap=512：相邻窗重叠 512 点，即窗移 512 点；
• window="hann"：使用汉宁窗抑制频谱泄漏。

如果合成信号的频率从 100 Hz 线性升到 3000 Hz，语谱图上会看到一条从左下到右上的亮线。使用真实语音时，亮带和暗区的分布模式对应元音、浊音、清音和塞音爆发。

3.4 窗长、重叠率与频率分辨率取舍

这里说的时间分辨率高，指的是语谱图能在时间轴上分辨出更短暂的变化；代价是窗内有效数据变短，频域两个相邻频率峰被混淆的概率增加。实际处理中如果只需要某一段元音的共振峰，可以先用标注工具切出元音稳定段，再对稳定段做 FFT 或 LPC，而不是对整个录音跑 STFT。

3.5 STFT 相关常见坑

还有一个需要优先检查的步骤：判断信号进入 STFT 之前是否做过预加重。预加重会提升高频能量，对共振峰检测尤其是 F2、F3 有帮助；但如果只做感知研究不关心高频细节，预加重可做可不做，必须在文章方法部分说明。

4. 混合效应模型：处理语言实验中的个体差异和项目差异

4.1 语言实验数据为什么不能用普通线性回归直接分析

假设一个心理语言学研究：判断一个句子是否是合乎语法的中文句子，记录被试的反应时。数据结构通常包含：

• 多个被试，每个被试看多个句子；
• 多个句子，每个句子被多个被试看；
• 同一被试对同一句子只能产生一条记录；
• 句子有不同长度、不同词汇频率、不同句法复杂度；
• 被试有不同阅读速度、不同语言背景、不同疲劳程度。

如果忽略被试差异，把所有数据放在一起做普通线性回归，会违反“观测独立”的前提，因为同一个被试的多条反应时高度相关。如果忽略项目差异，只对被试平均，又会损失每个句子的特有信息，比如某个句子本身特别长或特别生僻。

混合效应模型（mixed-effects model，也叫线性混合模型 LMM）把这两类变异都放进模型：

• 固定效应：研究者主动操纵或特别关心的变量，例如句法复杂度、词频、实验条件；
• 随机效应：数据来自抽样得到的被试和项目，它们只是一个更大总体的随机样本，因此每条记录里的“个体偏差”被建模为随机截距或随机斜率。

4.2 固定效应与随机效应的区别

一个常见误区是：把所有被试当作固定效应放入回归。如果实验只有 10 个被试，还可以做固定效应编码；但一旦被试数量达到 50 或 100 个，固定效应参数会非常多，且结果无法推广到总体。随机效应通过“随机截距”只估计方差，而不是为每个被试单独估一个完整参数，因此更节省自由度，也更能推广。

混合效应模型的公式通常写作：

response ~ fixed_effect1 + fixed_effect2 + (1 | subject) + (1 | item)

中文读法是：反应时受固定效应一和固定效应二的系统影响，同时不同被试和不同项目各自有自己的基线偏移。

4.3 R 和 Python 中的模型写法

R 的lme4包是心理学和语言学研究中最常用的混合效应模型工具：

library(lme4) # rt: 反应时 # condition: 实验条件（无语法歧义 / 有语法歧义） # word_freq: 词频（连续变量，已做中心化） # subject: 被试编号 # item: 句子编号 model <- lmer( rt ~ condition + word_freq + (1 | subject) + (1 | item), data = experiment_data ) summary(model)

如果研究者认为，实验条件的影响在被试之间和项目之间都存在差异，需要加入随机斜率：

model_full <- lmer( rt ~ condition + word_freq + (1 + condition | subject) + (1 + condition | item), data = experiment_data )

Python 中可以使用statsmodels的mixedlm：

import statsmodels.api as sm from statsmodels.formula.api import mixedlm import pandas as pd df = pd.read_csv("experiment_data.csv") model = mixedlm( formula="rt ~ condition + word_freq", data=df, groups=df["subject"], re_formula="~1" ) result = model.fit() print(result.summary())

这里的groups指定随机效应的分组变量，re_formula="~1"表示只有随机截距。如果希望每个被试在condition上有随机斜率，需要写成re_formula="~condition"。

4.4 一个最小示例：音素感知实验

设计一个最小但完整的音素感知实验：

• 刺激材料：16 个合成的 CV 音节，一半是 [pa]，一半是 [ba]；
• 关键变量：VOT（嗓音起始时间），取值从 -20 ms 到 +40 ms；
• 被试：20 名母语者；
• 任务：每个音节听一遍，判断听感是 [ba] 还是 [pa]；
• 因变量：听到 [pa] 的概率，或用于连续声学判断的反应时。

假设你已经得到数据perception_data.csv，包含列：subject、item、vot、is_pa、rt。先拟合一个最简单的线性混合模型，预测rt：

df = pd.read_csv("perception_data.csv") df["vot_c"] = df["vot"] - df["vot"].mean() model_rt = mixedlm( "rt ~ vot_c", data=df, groups=df["subject"], re_formula="~1" ) res_rt = model_rt.fit() print(res_rt.summary())

如果因变量是二元分类is_pa，则要使用广义线性混合模型。在 R 中：

model_logit <- glmer( is_pa ~ vot_c + (1 + vot_c | subject) + (1 | item), data = perception_data, family = binomial ) summary(model_logit)

4.5 混合效应模型的常见坑

这里的最重要原则是：不要一开始就拟合“满随机结构”模型。随机斜率能提高结论可推广性，但对数据量要求很高。小样本研究里，最大随机效应结构经常导致不收敛，经验做法是先拟合随机截距模型，再用似然比检验判断增加随机斜率是否显著改善拟合。

5. 从傅里叶到混合效应模型：一个完整分析链路

5.1 研究问题与数据设计

把两条路线连起来，设计一个真实感较强的完整研究：

研究问题：送气时长（VOT）变化是否影响普通话母语者对浊音和清音塞音的分类，以及这种影响是否受元音类型调节。

数据设计：

• 由 8 位说话人录制 20 个 CV 音节；
• 每个音节包含清塞音 [p] 或浊塞音 [b]，后面的元音分 [a]、[i]、[u]；
• 对每个音节的 VOT 和 F2 进行声学测量；
• 让 30 名听者做感知判断，记录反应时rt和判断结果is_pa。

本研究的处理链路是：先对音频做 STFT 和 LPC 分析，提取声学参数；再把声学参数和感知行为数据汇总成宽表；最后用混合效应模型检验 VOT 和元音类型对感知结果的影响。

5.2 声学特征提取

用 librosa 读取音频，并基于短时傅里叶变换计算频谱特征：

pip install librosa numpy pandas scipy

import librosa import numpy as np import pandas as pd audio_path = "stimuli/p_a_01.wav" sig, fs = librosa.load(audio_path, sr=22050, mono=True) # 短时傅里叶变换 D = librosa.stft(sig, n_fft=1024, hop_length=256, win_length=1024, window="hann") magnitude = np.abs(D) # 从语谱图中找到元音稳定段的平均频谱 # 这里用固定时间范围做示范，实际项目中应根据标注切分 start_frame = int(0.1 * fs / 256) end_frame = int(0.2 * fs / 256) segment_spectrum = magnitude[:, start_frame:end_frame].mean(axis=1) # 把频谱写回数据行 feature_row = { "file": audio_path, "mean_magnitude": segment_spectrum.mean(), "peak_freq": np.argmax(segment_spectrum) * fs / 1024, }

声学参数的提取最终要得到每个刺激的vot_ms和f2_hz。实际项目中通常用 Praat 脚本或语音强制对齐工具完成切分，再读回 Python。这一阶段最重要的是记录参数：窗长、窗移、窗函数、共振峰搜索范围，这些直接影响统计分析结果。

5.3 整理实验数据

把声学参数和判断结果合并为一个长表：

acoustic = pd.read_csv("acoustic_features.csv") perception = pd.read_csv("perception_results.csv") merged = perception.merge(acoustic, on=["speaker", "item", "syllable"]) merged["vot_c"] = merged["vot_ms"] - merged["vot_ms"].mean() merged["f2_c"] = merged["f2_hz"] - merged["f2_hz"].mean() merged.to_csv("merged_for_model.csv", index=False)

在整理数据这一步，务必检查：

• 每个subject是否覆盖了全部刺激；
• 每个item是否被所有被试判断过；
• 是否有缺失 VOT 或 F2 的音频；
• 是否存在同一被试、同一刺激重复出现的数据。

5.4 混合效应模型建模

用 Python 拟合反应时模型：

from statsmodels.formula.api import mixedlm df = pd.read_csv("merged_for_model.csv") model = mixedlm( "rt ~ vot_c * f2_c", data=df, groups=df["subject"], re_formula="~1" ) result = model.fit(reml=True) print(result.summary())

用 R 拟合分类判断逻辑回归混合模型：

library(lme4) model_glmer <- glmer( is_pa ~ vot_c * f2_c + (1 + vot_c | subject) + (1 | item), data = merged_for_model, family = binomial, control = glmerControl(optimizer = "bobyqa") ) summary(model_glmer)

如果模型不收敛，第一步是扩大迭代次数并更换优化器；第二步是精简随机结构，比如去掉随机斜率；第三步才是检查数据是否有极端值。不要为了保住随机斜率强行凑模型。

5.5 结果解释要点

混合效应模型输出中需要关注：

• 固定效应系数：vot_c的系数表示 VOT 每增加 1 ms，反应时变化的平均量；
• 随机效应方差：subject的随机截距方差表示不同听者基线反应速度的差异；
• 显著性检验：statsmodels输出中查看P>|z|，lme4中可以使用lmerTest获取 p 值。

结果解释时不要只报告 p 值，还要报告系数估计值、标准误和随机效应的方差成分。例如可以这样写：

“VOT 每增加 1 ms，判断为 [pa] 的 log-odds 增加 0.08（SE = 0.01, z = 8.0, p < 0.001）。被试随机截距的方差为 0.42，表明不同听者之间存在明显基线差异。”

5.6 检查点清单

6. 学习环境与生产环境：工具链配置与可复现分析

6.1 学习环境：Python、R、Jupyter 的快速配置

建议初学者使用同一套环境同时跑通信号处理和统计建模，避免在多个工具之间切换：

# Python 基础包 conda create -n ling-math python=3.11 conda activate ling-math pip install numpy scipy matplotlib pandas statsmodels pip install librosa jupyterlab # R 环境（在 R 会话中安装） install.packages("lme4") install.packages("lmerTest") install.packages("tidyverse") install.packages("praatpicture")

在 Jupyter Notebook 中，Python 和 R 可以通过rpy2或reticulate互通。不过刚入门时不建议追求“在一个 Notebook 里同时运行两种语言”，更清晰的做法是：Python 负责音频特征提取，导出 CSV，R 负责统计分析，最后用 Python 画图汇总。每种工具只用它最擅长的部分。

6.2 科研协作环境：版本控制、数据字典与日志

当分析从个人学习走向论文或团队协作时，必须引入工程化约束：

• 音频原始文件应放在只读目录，不修改原始录音；
• 特征提取脚本、统计分析脚本、画图脚本分离；
• 使用 Git 管理代码，使用requirements.txt或renv锁定依赖版本；
• 写出README，说明从哪里下载数据、运行哪个脚本、输出哪些文件；
• 每一步都保留中间输出，比如acoustic_features.csv、merged_for_model.csv，避免从头重复运行；
• 记录随机种子和模型参数，保证轨迹可复现。

一个最小目录结构如下：

project/ ├── data/ │ ├── raw_wav/ │ ├── annotations/ │ └── processed/ │ ├── acoustic_features.csv │ └── merged_for_model.csv ├── scripts/ │ ├── extract_features.py │ ├── merge_data.py │ ├── fit_models.rmd │ └── plot_results.py ├── results/ │ ├── figures/ │ └── model_outputs/ ├── requirements.txt └── README.md

6.3 可复现分析清单

• 记录操作系统、Python 版本、R 版本；
• 保存pip freeze或conda list输出；
• 对音频特征提取结果做抽样人工验证，比如用 Praat 对比随机抽取的 20 个共振峰数值；
• 对随机效应模型，记录优化器和迭代次数；
• 论文或报告中明确写出公式，而不是只给代码；
• 确保所有随机种子固定后，两次运行得到相同结果。

7. 常见问题排查：傅里叶分析与混合效应模型

7.1 排查顺序：先看数据，再看代码，再看模型

无论遇到傅里叶相关还是混合效应模型相关的问题，都按以下顺序排查：

1. 输入数据是否正确：采样率、变量类型、缺失值、数据对齐；
2. 参数是否合理：窗长、窗移、频率范围、中心化、对比编码；
3. 边界条件：信号太短、样本量太少、某些分组只有一条记录；
4. 模型结构：是否过度复杂，是否出现完全共线性；
5. 随机种子和依赖版本：不同版本可能导致结果微小差异，但不会完全相反；
6. 日志和输出：记录每一步输出的 shape 和统计值，避免错误被带进下一步。

7.2 傅里叶分析问题排查表

7.3 混合效应模型问题排查表

7.4 数据诊断：最容易被忽略的一步

在拟合任何模型之前，先绘图：

• 因为变量分布严重偏斜时，需要先做对数变换或选择其他分布族；
• 因为离群值可能完全改变固定效应方向；
• 因为缺失值会导致模型默认删除整行数据，而不是只删除一个变量。

import seaborn as sns sns.histplot(df["rt"]) sns.boxplot(data=df, x="condition", y="rt")

8. 最佳实践与扩展方向

8.1 语言数据分析的最佳实践

第一，把“数据质量”放在统计复杂度的前面。一个机器标注错误百出的语料库，无论用多高深的模型修复，结论都可能不可靠。声学数据要抽样与人工标注对比，行为数据要检查按键正确率和异常反应时。

第二，模型选择从简单开始。先拟合固定效应最小模型，再逐步加入随机斜率。不要一开始就试图复制一篇论文里的最大随机效应结构。

第三，在报告里明确写出公式、参数和软件版本。傅里叶分析的窗长、窗函数和重叠率，混合效应模型的固定效应、随机效应结构，这些细节决定了结果能否被复现。

第四，连续变量要中心化，分类变量要明确参考水平。否则截距的含义不直观，固定效应系数也可能受到无关变异影响。

第五，不要只看显著性，要报告效应量。比如 VOT 对反应时的影响是 3 ms 还是 30 ms，所代表的语言学意义完全不同。

8.2 傅里叶方向的高级扩展

傅里叶分析只是语音声学的基础。继续深入的方向包括：

• 倒谱分析：用于区分声源和声道贡献，辅助基频和共振峰估计；
• 线性预测编码：用滤波器模型估计声道传递函数，比直接频谱峰值更稳定；
• 语谱图上的深度学习：把 STFT 幅度谱作为输入特征，训练语音识别或情感识别模型；
• 小波变换：很多语音事件在宽松的时间尺度上同时变化，小波可以做到可变分辨率。

如果目标是计算语言学，还可以进一步学习将语谱图转成梅尔频谱图，再使用预训练模型做特征提取。

8.3 混合效应模型方向的高级扩展

经典线性混合模型对应连续反应变量，比如反应时。但语言数据经常是分类的：判断是否语法正确、选 [pa] 还是 [ba]、上声变调是否发生。这时需要使用广义线性混合模型（GLMM），把正态分布换成二项分布或泊松分布。

如果研究目标是估计声学感知曲线的拐点，可以改用贝叶斯混合效应模型，例如 R 的brms、Python 的PyMC。贝叶斯方法适合小样本、复杂随机结构和高阶交互，代价是计算量更大、先验设置需要论证。

如果预测变量之间关系非线性，比如音高曲线、共振峰轨迹，可以考虑广义加性混合模型（GAMM）。

8.4 对初学者的下一步建议

如果你刚接触这个方向，先不要急着把所有模型都跑一遍。建议按这个顺序练习：

1. 录一段自己的元音录音，用 Python 绘制波形和频谱，对比 [a]、[i] 的共振峰差异；
2. 用 Praat 和 Python 分别提取同一段录音的共振峰，确保自己理解了窗长和预加重的效果；
3. 找一份公开的心理学反应时数据，用lme4拟合随机截距模型，报告固定效应和随机效应方差；
4. 把音频特征提取和混合效应模型连接起来，做成一个从.wav文件到统计报告的脚本；
5. 为整个流程写 README，确保三个月后还能按步骤复现。

数学对语言学的重要性，不在于每个语言学家都要证明数学定理，而在于当你面对一段音频、一批实验数据或一个语料库时，有能力把“大概听起来更高”“反应更快一些”这样的话，变成可检验、可复现、可反驳的数量结论。傅里叶变换和混合效应模型只是这趟旅程的开始，但它们足够说明一个事实：语言学研究在今天本质上是一项需要严谨技术基础设施的实证工作。