时长为何可能承载词的身份
语音在多个层级上携带时间信息。在有音系长短对立的语言里，音段时长本身就能区分词；在没有这种对立的语言里，元音时长也有助于提示某些对立。时长是否还能标记整个词的身份，而不只是词内部的音，是另一个问题。这篇论文把词时长当作检验该问题的切入点。
产出研究给出了预期这种联系的理由。跨语言来看，包括普通话在内，高频词往往比低频词更短。如果听者储存了这种关联，一个更短的语音样本就可能指向同音词对中更常用的那个成员。论文的实验要问的是：当时长是唯一可用的差异时，听者是否真的会用这种对应关系。
同音词把时长与其他线索隔开
选择普通话，是因为它有大量双音节同音词：这些词对共享相同的音段和声调，但意义和词频不同。由于一对同音词在音段和声调上完全相同，两者之间任何系统性的声学差异都不能归因于它们的音。这使同音词成为检验词层级线索的干净材料。
实验设计进一步去掉了其他识别支撑。目标词被嵌入中性载体句中并用噪声掩蔽，因此一对词之间唯一的差异就是时长。参与者听到词对后，要在两个按钮中选择自己听到的顺序，两个按钮以相反的词频顺序显示这对同音词。如果时长承载词的身份，听者就应把较短的刺激对应到更高频的词。
三种解释给出不同预测
论文提出三种解释，并用它们解读结果。语境整合解释认为时长只是间接起作用，例如给听者更多时间调用句子语境。频谱整合解释认为时长影响听者如何解读周围的声学信号。直接提示解释则认为，词时长本身在心理词典中与词的身份相关联。
在本实验设计下，三种解释的预测截然不同。当语境和频谱线索被固定或移除时，语境整合和频谱整合都预测成绩处于随机水平。只有直接提示预测成绩高于随机水平。正是这一对比，使同音词任务具有判别力，而不只是提示性。
首词更短时选择偏向高频词
实验一检验了从汉语词汇数据库选出的16对目标同音词。每对恰好有两个成员，都是双音节，词性一致，主导词性至少占出现次数的90%，且两个成员在词汇判断任务中都被超过80%的参与者识别为熟悉。高频词的Zipf值为3.8至4.8，低频词为2.0至3.0，平均相差1.58。
刺激由一名20多岁的男性普通话母语者录制。每对中的高频成员被处理成比低频成员短25%，以接近词频对时长的预期影响。在关键分析中，听觉刺激类型显著预测所选顺序（β = 0.24，SE = 0.08，z = 3.01，p = .003）：当第一个词比第二个词短时，参与者更可能选择高频在前、低频在后的顺序。试次顺序不能预测反应（p = .793）。
参与者筛选影响对这一结果的解读。200名参与者中有164人通过LexTALE任务，标准是原始正确率0.73、校正正确率28，报告的分析只涉及这些通过者。填充试次确认噪声操纵影响了感知：在低噪声下，非同名同音词的填充词对正确率在Prolific参与者中为96.7%，在小红书参与者中为95.3%；在高噪声下分别降至82.7%和75.2%。
完全没有语音信号时效应仍存在
实验二把检验推得更远，完全移除了语音信号。目标试次只呈现65 dB的噪声，没有任何可懂语音，同时保留每对中高频词与低频词之间的时长差异。因此听者只能依赖时间信息。
效应依然存在。参与者仍把较短的时长对应到更高频的词，论文报告两种噪声条件下效应大小没有可靠差异。这是论文中支持直接提示的最强证据，因为当没有信号可供整合时，语境整合和频谱整合都不预测高于随机水平的成绩。
时长作为储存的词汇细节
作者把这一模式解读为证据，说明词时长能直接提示词的身份，并可能是纳入词汇表征的一种语音细节。按这一解读，听者的心理词典编码了词层级的时间信息，这种信息在词汇通达时可用。论文将此与结合抽象音系范畴和精细语音细节的混合言语感知模型联系起来，词时长就是这种细节的一个维度。
这是作者对一种行为选择模式的解释，而不是对储存表征的直接观察。实验表明，当时长是唯一区分线索时，听者能够使用它。实验没有说明时长在自然言语中如何与语境和频谱信息结合，论文也明确指出，在普通聆听中这三种解释并不互斥。
效应不大，刺激集也有限
报告的效应不大，刺激来自单一说话人、16对词和一个固定的25%时长比例。这些约束限定了结论能推广多远。论文提出，需要检验不同程度的时长差异、多位说话人和其他语言，才能确定该机制的普遍性。
任务与普通聆听还有一处具体不同：参与者在两个印刷顺序之间做选择，论文指出，同时呈现选项和音频可能增强位置偏差，使听者偏向第一个与语音信号相容的字形。设计刻意控制语境和频谱线索以分离直接提示，这也意味着它没有测量当这些线索存在时时长贡献了多少。
无信号条件为何是关键比较
论文中最具判断价值的比较，是实验一与实验二之间的比较。部分掩蔽仍留下一些信号，因此那里的正结果仍可与间接解释相容。移除语音信号但保留时长差异，堵住了这条退路，而效应依然存在。这就是为什么支撑直接提示论证的是无信号条件，而不只是掩蔽条件。
对于在权衡词层级时间信息是否应纳入口语词识别模型的读者，论文的贡献正是这一具体演示：一个与词频相关的时长差异，施加在音段完全相同的词上，即使其他什么都听不到，也能让听者的选择朝预测方向偏移。论文留下的开放问题不是时长在此设置下能否提示词的身份，而是在自然言语中，这一线索与语境和频谱信息并行时作用有多强。
本文引用的文献
Direct cueing of word identity through word duration: evidence from Mandarin homophones
在强制选择的排序任务中，普通话听者把较短的时长对应到更高频的同音词；当语音信号被等时长噪声替代时，这一效应仍然存在，支持直接提示解释。