配音听起来赶了或拖了，能不能靠「每秒多少音节、音量抖了几次」判定这句合不合格？不能。源片经常噪音大、被剪过、说话不清楚，时间戳也不准。包络法和强制对齐得到的音节率，都可能与实际听感不一致。相对的听感语速，即配音相对原片拉长或压短的程度，再按这个语言对的习惯校正，在下面 14 句里和耳朵同向。
人配音时，片子长短主要跟译文走，对不上更愿意松时间，也不愿猛改语速（Brannon et al., 2023）。当时间窗口过于严格时，合成语音会过快、过慢、或邻句不匀；边界稍松，听感会好一些（Federico et al., 2020）。合成后再整段变速，可懂度和自然度会掉（Sahipjohn et al., 2024；Choi et al., 2025）。所以我们对齐：少改播放速度，先展开邻句时间，再改写译文。变速放最后。材料是线上反馈语速不均的 14 句印地语配印度英语。
语音学已经知道什么
跨语言比较很少用词/分钟，通常数音节或音素。实验室能解释「日语往往比汉语说得快」；配音要问的是这句译语听着自然不自然。
Pellegrino et al.（2011）七种语言：信息装得密的，音节往往说得慢。他们那批材料上，日语大约每秒 7.84 个音节，英语 6.19，普通话 5.18。快慢对冲并不保证每秒信息量一样：日语相对越南语大约 0.74，英语大约 1.08。Coupé et al.（2019）扩到 17 种语言，信息量均值大约每秒 39 bit（标准差约 5），音节率均值大约 6.63。这是整体倾向，不是每一句配音的及格线。这次也没有估信息量。
这次用到的两种算法，先用白话说。
第一种叫包络方法。不看字，只看音量曲线上鼓起来的包，把能量峰值作为音节核的近似，据此估计单位时间内的音节数，再除以时长（Mermelstein, 1975；Morgan & Fosler-Lussier, 1998；Wang & Narayanan, 2007；De Jong & Wempe, 2009）。好处是不用转写。这些方法多半在同一种语言、干净材料上对照人工音节位置做过验证。源片一切、底噪一跳，鼓包就不再等于音节。
第二种叫强制对齐的音节率。将文本与语音强制对齐，再统计时间窗内的音节数。工具是 Montreal Forced Aligner（McAuliffe et al., 2017；GitHub）。源片和配音各数一次再相除：大于 1 像是配音更快。短句、说话不清楚、印地语对英语时，切分误差会被放大。音节率和音素率衡量的是不同层面的语速特征，不能直接互换。（Trouvain & Möbius, 2014）。
听感也不等于某一种计数。Pfitzinger（1998, 1999）发现人觉得快慢，往往要同时看音节率和音素率（相关大约 0.88–0.91）。听外语时，人还常常觉得对方更快（Pfitzinger & Tamashima, 2006；Bosker & Reinisch, 2017）。配音面对的是译语听众加画面，不是实验室平均音节率。
四种情况
每种情况听成片。材料：14 句印地语配印度英语。
情况一：包络为什么有时会失效
听成片：并不拖，还略快。Madam, No, Saturn with Rahu can go to hell, sorry. Every child brings their own karma. 包络判比源片慢，听感语速不慢。源片有剪辑硬切，底噪跟着跳，能量峰被抬高，源侧被算快，译文就被误判成慢。
成片：
源片（能听到切音和底噪跳变）：
情况二：强制对齐的音节率为什么有时会失效
听成片：不慢。She needs training, she doesn't need remedies. 14 句里最短的一句。强制对齐的音节密度明显低于源片，听感语速正常。短窗上切分一歪，跨语言再比音节率，就会把正常短句判慢。
成片：
源片：
情况三：听感语速能抓住「配过来不自然」
听成片三句。中间这句：Child, the area around your home is opening up, because she can read energy. 听感语速和包络都判慢，和耳朵同向。音素率、音节率相对源片却大于 1，像是配音更快。源片本身也慢，咨询谈话本来就不赶；跨语言直接比较音节率，无法区分“目标语言本身的节奏差异”和“配音相对于画面的实际听感偏差”。
成片（三句）：
源片（三句）：
情况四：按听感语速微调邻句，快慢可以更顺
还是这三句。邻句一个偏赶、一个偏拖。我们正在实验：按听感语速把边界挪一点点。还不是线上默认。先听当前成片，再听微调之后。
当前成片（三句）：
同一段三句，打开听感语速邻句边界微调之后（实验中）：
对齐和改写怎么保自然语速
Chaume（2012）把对白同步拆成三件：出声起止跟不跟这张嘴、口型像不像、动作讲不讲得通。时长对上，只是第一件。它不要求译语用和源语言一样的说话速度把字说完。
Brannon et al.（2023）看了 54 部成片、三百多个小时。译文长短和配音时长的相关大约 0.52（0 为无关，1 为完全跟着走），语速和时长大约 0.16。西、德语配音员的语速波动还低于英语原片。人被迫二选一时，更愿意打破时间约束，也不愿改语速。
对齐上，位置还是要靠近原片，否则口型对不上；起止可以稍松，合成语音就不必被拉得过快或过慢（Federico et al., 2020）。合成上，有一类模型开口时就把长度说对，而不是生成后再整段拉伸；后一种会伤可懂度（Sahipjohn et al., 2024；Choi et al., 2025）。改写译文也是一条路（Saboo & Baumann, 2019）。我们仍然保留变速，只是放在最后。
所以现在这套是：展开相邻块、必要时改写，播放速度放最后。
听感语速：配音相对原片的倍速，再按这个语对常见的快慢习惯校正。它问的是落进时间线之后偏快还是偏慢，不是改写前后两版原速谁更快。这 14 句里和耳朵同向；包络、音素、音节密度各有反例。用来解释，以及情况四那种邻句微调实验，不拿来卡每一句。
过快仍然值得拦。过慢如果再设一条必须过的线，我们抽过 50 条听感偏慢的生产句：大多数时间窗已经不能再短，否则容易出现口型仍在继续、声音却已经结束的情况。
展开邻块能少改倍速。改写译文长短，才改得了「说了多少字」，听感和口型可以一起变好，也和 Saboo 把时长约束写进翻译同向。