This article explores an exemplar-theoretic approach to the integration of phonetics and phonology in the prosodic domain. In an exemplar-theoretic perspective, prominence categories, here specifically, pitch-accented syllables and unaccented syllables, are assumed to correspond to accumulations of similar exemplars in an appropriate perceptual space. It should then be possible, as suggested for instance by Pierrehumbert (2003), to infer the (phonological) prominence categories by clustering speech data in this (phonetic) space, thus modeling acquisition of prominence categories according to an exemplar-theoretic account. The present article explores this approach on one American English and two German databases. The experiments extend an earlier study (Schweitzer, 2011) by assuming more acoustic-prosodic dimensions, by excluding higher-linguistic or phonological dimensions, and by suggesting a procedure that adjusts the space for clustering by modeling the perceptual relevance of these dimensions relative to each other. The procedure employs linear weights derived from a linear regression model trained to predict categorical distances between prominence categories from phonetic distances using prosodically labeled speech data. It is shown that clusterings obtained after adjusting the perceptual space in this way exhibit a better cluster-to-category correspondence that is comparable to the one found for vowels, and that both the detection of vowel categories and the detection of prominence categories benefit from the perceptual adjustment.

本文探讨了韵律领域中语音和语音学整合的一种示例性理论方法。从示例理论的角度来看，假定突出类别（在这里为音高重读音节和未重读音节）对应于在适当的感知空间中相似示例的累积。然后，如Pierrehumbert（2003）所建议的那样，应该有可能通过在此（语音）空间中对语音数据进行聚类来推断（语音上的）突出类别，从而根据示例性理论模型对突出类别的获取进行建模。本文在一个美国英语和两个德国数据库上探讨了这种方法。这些实验通过假设更多的声学韵律维度来扩展了之前的研究（Schweitzer，2011年），通过排除较高语言的或语音的维度，并建议一种通过对这些维度彼此之间的感知相关性进行建模来调整聚类空间的程序。该过程采用线性权重，该线性权重是从线性回归模型中获得的，该线性回归模型经过训练可以使用语音标记的语音数据从语音距离预测突出类别之间的分类距离。结果表明，以这种方式调整感知空间后获得的聚类表现出更好的聚类与类别的对应关系，与元音所发现的聚类相当，并且元音类别的检测和突出类别的检测均受益于元音。知觉调整。并建议一种通过对这些维度彼此之间的感知相关性进行建模来调整聚类空间的过程。该过程采用线性权重，该线性权重是从线性回归模型中获得的，该线性回归模型经过训练可以使用语音标记的语音数据从语音距离预测突出类别之间的分类距离。结果表明，以这种方式调整感知空间后获得的聚类表现出更好的聚类与类别的对应关系，与元音所发现的聚类相当，并且元音类别的检测和突出类别的检测均受益于元音。知觉调整。并建议一种通过对这些维度彼此之间的感知相关性进行建模来调整聚类空间的程序。该过程使用线性权重，该线性权重是从线性回归模型中获得的，该线性回归模型经过训练可以使用标记为语音的语音数据根据语音距离预测突出类别之间的分类距离。结果表明，以这种方式调整感知空间后获得的聚类表现出更好的聚类与类别的对应关系，与元音所发现的聚类相当，并且元音类别的检测和突出类别的检测均受益于元音。知觉调整。该过程采用线性权重，该线性权重是从线性回归模型中获得的，该线性回归模型经过训练可以使用语音标记的语音数据从语音距离预测突出类别之间的分类距离。结果表明，以这种方式调整感知空间后获得的聚类表现出更好的聚类与类别的对应关系，与元音所发现的聚类相当，并且元音类别的检测和突出类别的检测均受益于元音。知觉调整。该过程采用线性权重，该线性权重是从线性回归模型中获得的，该线性回归模型经过训练可以使用语音标记的语音数据从语音距离预测突出类别之间的分类距离。结果表明，以这种方式调整感知空间后获得的聚类表现出更好的聚类与类别的对应关系，与元音所发现的聚类相当，并且元音类别的检测和突出类别的检测均受益于元音。知觉调整。