1　引言

讨论了元音音质声学差异的核心在于前三个共振峰的频率分布，而传统基于线性预测系数（LPC）的共振峰提取算法存在明显局限：针对前高元音（如[i]）易出现"虚假共振峰"，针对后高元音（如[u]）则易出现"共振峰合并"，且LPC阶数需人工设定无法自适应调整，导致复元音音节分析过程繁琐低效。为解决上述问题，提出构建一种自动化提取模型，以帧为单位利用神经网络自动识别语音类型（清音段、前高元音段、后高元音段、其他浊音段），进而自适应选择不同LPC阶数进行共振峰提取。该模型直接在Praat语音学实验平台而非Pytorch框架上实现，以克服现有神经网络方案对编程能力要求高、环境配置复杂、硬件成本高等缺点，最终达到低成本、用户友好、易于复现的目标。最后以北京话和潮汕方言惠来县方言点的特定字例，验证了该方法在准确提取前高元音和后高元音共振峰、呈现音节内动态声学特征方面的有效性。

2　神经网络模型的原理

介绍了神经网络模型的基本原理及其在语音类型识别中的应用流程。神经网络通过非线性运算和可迭代训练的参数，能够对复杂且无解析解的映射关系进行建模，其多层结构以矩阵乘法为基础、层间通过非线性函数连接，使其具备拟合任意复杂关系的能力。针对语音帧分类任务，输入为LPC或MFCC等声学特征，输出为语音类型标签，需采用梯度下降法或Adam算法等优化方法训练参数。模型开发包含训练与测试两个核心步骤，数据集需划分为训练集和测试集，前者用于参数优化，后者用于评估泛化能力，且充足多样的数据是确保模型性能的关键前提。

3　汉语方言音频数据来源和预处理

介绍了汉语方言音频数据的采集与预处理方法。数据来自10个方言点12名发音人的单字音频，以《中国语言资源调查手册·汉语方言卷》为录音材料，在录音棚中使用专业设备以22050 Hz采样率录制。音频经Praat切分、国际音标标注后，以25 ms帧长、12.5 ms帧移分帧保存。声学特征提取方面，将MFCC（16阶）、LPC（16/24/32阶）及平均强度拼接为89维向量，并叠加前两帧特征扩展至267维，最终经z-score标准化后输入神经网络。

4　神经网络的结构及基于Praat实验平台的模型

介绍了Praat内置的3层全连接神经网络结构，各层特征数分别设置为2048、267、4，通过线性变换和非线性激活函数处理输入特征，最终输出4维向量预测清音、前高元音、后高元音和其他浊音的概率，并规定清音概率大于0.2即判定为清音段。同时详细说明了基于Praat平台的模型构建流程：创建存储267维声学特征的"PatternList"对象和存储4类语音标签的"Categories"对象，再通过"To FFNet"功能完成神经网络搭建。该方案在保证识别能力的同时降低了计算成本，适用于汉语方言实验语音学研究。

5　神经网络的训练和测试

介绍了神经网络训练与测试的完整流程。数据集划分上，将北京和惠来两个方言点作为测试集，其余方言点作为训练集。训练参数设置包括：最大训练周期数2,400、代价函数下降阈值采用默认值、选用交叉熵作为代价函数。经测试，模型在测试集上的语音帧语音类型识别准确率达89.67%，并以北京话"优"字为例展示了识别结果，表明模型能有效识别清音段、前高元音段、后高元音段等语音类型，仅在过渡段存在个别偏差。

6　基于自适应LPC阶数的共振峰提取

研究了基于神经网络模型自适应调整LPC阶数以实现精准共振峰提取的方法。针对不同语音类型，设定了差异化的LPC阶数参数：前高元音采用16阶以防止"虚假共振峰"，后高元音采用30阶以避免"共振峰合并"，其他浊音采用22阶，清音段则不提取共振峰。通过对比分析北京话"一""五""优""妖"四个单字音频的共振峰轨迹图，验证了传统固定阶数LPC算法的局限性——低阶数适用于前高元音但导致后高元音出现共振峰合并，高阶数虽能改善后高元音提取却引入虚假共振峰，而本文提出的自适应方法在单元音和复元音场景下均实现了准确的共振峰提取。实验结果表明，该方法提取的共振峰轨迹分布集中、频率值符合客观事实，且清晰呈现了复元音音节中韵母的动态变化过程。此外，还从"清晰原则"和语音量子理论两个角度，解释了复元音音节中周边元音区域轨迹点集中而过渡段不稳定的声学现象。

7　结语

讨论了传统固定阶数LPC共振峰提取算法在处理前高元音和后高元音时存在的固有矛盾，即低阶数易导致后高元音"共振峰合并"、高阶数易在前高元音产生"虚假共振峰"。针对此问题，本文设计并训练了基于Praat内置神经网络的自适应LPC阶数模型，以帧为单位动态识别语音类型并设定最优LPC阶数，显著提升了共振峰提取准确率与方言研究效率。该方法无需昂贵硬件，具有良好普及性，在汉语方言自动识别及语音信号底层分析中应用前景广阔。