一项研究调查了上下文嵌入（CEs）能否预测从自发语音语料库中提取的7470个普通话单音节CV词的口语单词持续时间。结果表明，CEs在类型层面和单个词元层面均能显著预测持续时间，其预测能力高于随机水平。

  • 预测的持续时间足够精确，可以将f0轮廓从归一化时间反向转换到毫秒尺度。
  • 生成的预测轮廓近似于经验轮廓，并且优于置换基线模型。

这证实了CEs包含足够的信息来建模语音的时间方面，从而实现更准确的韵律合成。