# 02 - 声音如何承载结构化信息：sonification / earcon 设计科学调研（RQ2）

> 项目：纯音频游戏交互设计研究（Audio-HCI）
> 检索日期：2026-08
> 检索语言：英文为主（ICAD / CHI / Human Factors / Sonification Handbook / 平台官方指南）
> 说明：文中每条发现附来源 URL；凡未找到一手来源的数据均明确标注「未找到一手来源，以下为推断」。

---

## ① 研究问题

**RQ2：声音如何承载结构化信息（状态 / 选项 / 空间 / 进度）？语音、音效、音乐、震动的分工与参数边界是什么？**

本游戏无画面，信息通道只有：TTS 语音、一次性音效、按状态切换的 BGM、10 种语义震型；输入只有 6 种手势。核心痛点是「玩家不知道自己处于什么状态、不知道当前手势各自是什么含义」。本报告回答：

1. 一组可区分、可记忆的状态音（earcon）应该怎么造？参数边界在哪里？能承载多少个状态？
2. 语音 / 拟真音（auditory icon）/ 抽象音（earcon）/ BGM / 震动各自适合承载哪类信息？认知成本差异有多大？
3. 语音播报的节奏、打断、混音规则；并发声音的上限。
4. 空间信息用什么技术承载、能区分几个方位。
5. 震动什么时候该与声音做冗余。

---

## ② 分主题发现

### 2.1 Earcon 设计指南：可区分、可记忆的状态音怎么造

**一手来源：Brewster《Guidelines for the Creation of Earcons》（Glasgow 大学，实验推导指南，基于 Brewster, Wright & Edwards 1995 年前后共 6 个对照实验）**
URL: https://www.dcs.gla.ac.uk/~stephen/earcon_guidelines.shtml
论文: https://www.semanticscholar.org/paper/c4fa0a5a72210a25de2918c63d22d31a83945405

具体参数边界（原文数字）：

| 参数 | 建议边界 |
|---|---|
| 音高上限 | 不高于 **5 kHz**（约 C3 上方四个八度） |
| 音高下限 | 不低于 **125–150 Hz** |
| 最短音符时长 | **≥ 0.0825 s**；仅 1–2 个音符的简单 earcon 可短至 **0.03 s** |
| 音符密度 | **1 秒内 ≤ 6 个音符**仍可用 |
| 响度 | 高于背景声阈值 **+10 dB ～ +20 dB**；不要只用响度做区分参数 |
| 串行复合 earcon 间隔 | **0.1 s** 静音间隙 |
| 音域（register）单独区分 | 绝对判断需 **2–3 个八度**差异；较小差异只适合相对判断 |
| 音色 | 选多谐波、主观上差异大的乐器音色（如 brass vs organ，而非 brass1 vs brass2） |

关键结论：

- **音高不能单独作区分参数**。Brewster 的评估工作明确建议：需要绝对判断时，音高必须与节奏/音色/音域等参数组合使用（转引自 Polotti & Rocchesso 2013, Int. J. of Design, http://www.ijdesign.org/index.php/IJDesign/article/view/1201/577 ）。
- **节奏是最强的区分维度**（引 Deutsch 的节奏分组研究，见 Brewster 1993 原文，https://eprints.gla.ac.uk/3257/1/CHI4493.pdf ）；不同节奏型（每小节音符数不同）区分效果最好。
- **吸引注意的手段排序**：优先用节奏或音高变化，而非加大音量——「新出现的声音即使响度很低也会抓住注意」。其他抓注意手段：高音区、宽音域、快起音/快收音、不规则谐波、无调性/无节奏。反之，想要「可忽略的声音」就用低响度 + 规律节奏。
- 每小节**重音放在第一个音符**（略响），最后一个音符略延长，便于分组感知。

**层级 earcon（family earcon）结构**（同上 Brewster 指南页 + Dingler & Lindsay 2008）：

- 第 1 级（家族）：为每个家族指定一个**音色 + 默认音域 + 声像位置**；
- 第 2 级（子类）：用**节奏型**区分子类；
- 第 3 级及更深：用**音高轮廓、强度、和弦、效果器（chorus/delay）、tempo** 细分；
- 子 earcon **继承**父级全部属性（所以听感上「同类」，又有差异）；
- 层级深度：Brewster 示例为 3 层；Dingler & Lindsay (2008) 总结为「理论上最多 5 层，对应 5 个可操纵参数（rhythm, pitch, timbre, register, dynamics）」，且实测 earcon 音效时长跨度 **0.25–4 s**。来源：https://www.icad.org/Proceedings/2008/DinglerLindsay2008.pdf

**可区分数量上限：**

- Brewster, Wright & Edwards (1993, INTERCHI) 的验证实验使用 **27 个 earcon**（tools / graphs / menus 三个家族）：实验 1（未优化设计）识别率差，改进设计并训练后识别显著提升（二手转述数值约 62%→97%；**该百分比未从原文核对，以下为待核对的二手数据**）。原文: https://eprints.gla.ac.uk/3257/1/CHI4493.pdf
- Dingler & Lindsay (2008) 实测集合为 **20 个**声音目标。结论：**经过教学，一组 20–30 个 earcon 是可学习的**；但见 2.7 节——学习代价高。
- 未经训练的即时绝对判断上限：未找到直接的一手研究给出「N 个」；按 Cowan 短时记忆 4 chunk（见 2.8）与 Brewster 各实验设计推断：**无训练时同时引入的新 earcon 不宜超过 4–6 个**。**未找到一手来源，以下为推断。**

### 2.2 Auditory icon vs earcon vs 语音 vs spearcon vs BGM 的分工

**核心一手对比数据——Dingler & Lindsay (2008, ICAD)《Learnability of Sound Cues for Environmental Features: Auditory Icons, Earcons, Spearcons, and Speech》**（20 个环境特征、39 名被试、5 种声音类型）
URL: https://www.icad.org/Proceedings/2008/DinglerLindsay2008.pdf

- 达到 100% 正确所需训练轮次：**spearcon 1.14 轮、speech 1.14 轮、earcon 8.50 轮（SD 4.087）**——earcon 的学习成本约是语音/spearcon 的 **7.5 倍**；
- 聚合正确率：spearcon 与 speech 约 **99.64%**，显著高于 earcon；
- earcon-icon 混合体表现也不佳。

**元分析证据——Nees & Liebman (2023)《Auditory Icons, Earcons, Spearcons, and Speech: A Systematic Review and Meta-Analysis of Brief Audio Alerts in Human-Machine Interfaces》, Auditory Perception & Cognition, 6(3-4), 300–329**
URL: https://www.tandfonline.com/doi/pdf/10.1080/25742442.2023.2219201
结论：就**正确率与反应时**而言，**speech ≈ spearcon > 混合告警 > auditory icon > earcon**（earcon 最差）。

**菜单导航证据——Walker et al. (2013)《Spearcons (Speech-Based Earcons) Improve Navigation Performance in Advanced Auditory Menus》, Human Factors**
URL: https://journals.sagepub.com/doi/10.1177/0018720812450587
在层级听觉菜单中加入 spearcon（时间压缩的语音片段）后导航更快更准——即使 spearcon 让菜单项变得更长。

**分工结论（综合上述一手文献）**：

| 载体 | 认知加工 | 学习成本 | 适合承载 | 不适合 |
|---|---|---|---|---|
| 语音 (TTS) | 串行、带宽最高、即时可懂 | ≈0（1.14 轮） | 新手教学、一次性复杂信息、数字/名称 | 高频重复信息（慢、占注意）；Dingler 指出语音难以空间定位、占用心理资源大（边听语音边对话困难） |
| Spearcon | 快、短 | ≈0（1.14 轮） | 菜单/选项标签（6 个手势各自的含义） | 需要情绪/氛围的信息 |
| Auditory icon（拟真音） | 直觉映射（Gaver「自然声音的漫画化」，https://sonification.de/handbook/chapters/chapter13/ ） | 低 | 物理事件（开门、拾取、碰撞——因果直观） | 抽象状态（无自然映射） |
| Earcon（抽象动机） | 需记忆 | 高（8.5 轮） | **固定集合的状态/类别标签**、层级结构（继承属性可推理） | 频繁变化的临时信息 |
| BGM | 氛围化、并行、低侵入 | 低（用情绪/配器编码宏观状态） | 常驻状态流、进度/紧张度 | 需要精确辨认的具体信息（一组 BGM 只可靠表达 1 个宏观状态） |

**混用规则——「earcon 前缀 + 语音正文」**：
「先用短 earcon 标记信息类别，再播报语音内容」是听觉界面/VUI 的通行实践（如语音信箱中用 earcon 提示「新留言到达」再进入语音内容；Material Design 的声音层级指导亦按 voice / UX sound / music 分层）。来源：
- Material Design, About Sound / Applying Sound to UI: https://m2.material.io/design/sound/applying-sound-to-ui.html
- VUI 设计指南中的 earcon 前缀实例（语音信箱示例）：https://www.scribd.com/document/899795906/VUI
- ETSI EG 202 116（电话语音服务的听觉显示/earcon 人因标准）：https://www.etsi.org/
- **注意**：「前缀能降低语音加工成本」的对照实验证据未找到一手来源，此条按实践惯例采用（推断，但风险低）。

### 2.3 结构化状态播报：节奏、打断、ducking、信息分级

**混音/ducking 参数（行业实践来源，非学术）**：

- 侧链 ducking 起始参数：**ratio 4:1–8:1，attack 1–10 ms**（语音出现前音乐必须先让位）；来源：https://infinitecreation.io/tutorial-ducking-music 、https://borisfx.com/blog/what-is-sidechain-compression-and-how-to-use-it/
- **release 300–600 ms，或加 hold ~500–1500 ms** 防止句间「抽吸」；来源：https://vi-control.net/community/threads/ducking-music-volume-to-make-way-for-voice-narration-is-there-a-better-way-than-side-chaining.83139/ 、https://www.reddit.com/r/obs/comments/ered4h/looking_for_duckingsidechain_guidance/
- duck 深度常规 **−6 ～ −12 dB**；响度分离经验值：对白应比音乐床高 **~6 LU**。来源：https://www.reddit.com/r/AudioPost/comments/1js4xav/what_lufs_should_dialogue_sit_around/
- 游戏整体响度参考：主机 **−23 LUFS (±2)**、便携设备 **~−18 LUFS**、true peak ≤ **−1 dBTP**；游戏音频长期没有强制响度标准。来源：https://ansoaudio.com/2016/07/27/loudness-and-metering-in-game-audio/ 、https://www.stephenschappler.com/2013/07/26/listening-for-loudness-in-video-games/
- 中间件最佳实践：建立**以对白为最大值的音量参考类别**，其余类别相对其缩放。来源：Audiokinetic 官方博客《Scalable Loudness Processing for Games》 https://www.audiokinetic.com/en/community/blog/loudness-processing-best-practice-chapter-3-scalable-loudness-processing-for-games

**语音打断规则**：
- Wwise/FMOD 均提供 sidechain ducking 与总线音量自动化两种 ducking 实现，各有取舍。来源：https://www.reddit.com/r/GameAudio/comments/ltpsm1/performance_of_methods_of_ducking/ 、https://qa.fmod.com/t/best-way-to-duck-all-other-audio-for-the-audio-for-one-event-without-sidechaining/19559
- 「在语句边界打断、新语音顶替旧语音、允许重听」：**未找到直接一手研究来源，以下为推断**——依据是 (a) 语音串行加工特性（Dingler 2008），(b) 语音检索中断造成的记忆损失（Cowan 工作记忆模型，见 2.8）。

**信息三级分级在听觉通道的实现（依据 Brewster 注意机制研究，https://www.dcs.gla.ac.uk/~stephen/earcon_guidelines.shtml ）**：
- 常驻信息 → BGM/环境声（规律、低响度、可忽略的设计）；
- 事件信息 → 一次性音效（短促、新声音）；
- 告警 → 「新声音 + 高显著声学特征（快起音、宽音域、无规律节奏）+ 多模态冗余」。**注意分级的三层结构本身即来自 Brewster「吸引注意 vs 可忽略」的声学参数清单**。

### 2.4 并发声音限制：人耳同时能解析几路？

- **听觉场景分析（ASA, Bregman）**：听者一般只能把注意维持在 **1–2 条声流**上；「鸡尾酒会效应」即是从多路声音中选择性跟踪 1 路的体现。来源：https://tlr-hub.asha.org/cred/auditory-scene-analysis-an-attention-perspective/ 、https://en.wikipedia.org/wiki/Auditory_scene_analysis 、Bregman 原著框架 https://www.ee.columbia.edu/~dpwe/copies/www.cis.ohio-state.edu/pnl/WCA/files/Bregman.PDF
- **并发 earcon 实证——McGookin & Brewster (2004, ACM TAP)《Understanding Concurrent Earcons》**：实验设置 1/2/3/4 个 earcon 同时播放（https://dl.acm.org/doi/doi/pdf/10.1145/1024083.1024087 ）；McGookin 博士论文报告并发呈现时**整体识别率仅 ~30%**（https://theses.gla.ac.uk/14/ ）；后续研究表明**音色分离 + 声像分离**可改善并发识别（ICAD 2003: https://www.icad.org/websiteV2.0/Conferences/ICAD2003/paper/10%20McGookin.pdf ）。
- 引用该工作的后续研究明确指出：**2 路并发 earcon 的准确率高于 3 路**。来源：https://www.sciencedirect.com/science/article/pii/S1071581923001325

**结论**：安全上限为 **1 路语音 + 1 路非语音事件音**；任何需要辨认的选项/状态音**必须串行**播放；确需并发（如多生命值监控）不超过 2 路，且必须用音色+声像分离。

### 2.5 听觉空间化：HRTF vs 立体声 pan

- **最小可听角（MAA）**：正前方 ~**1°**；45° 处 ~1.3°；75° 处 ~2.4°；正侧方 90° 恶化到 ~7.5°（Mills 1958/1960，综述见 Blauert《Spatial Hearing》与 Acoustics Today 教程 https://acousticstoday.org/ ）；**仰角**分辨差得多：噪声脉冲 ~3.6°–7°（Zwiers 2001; Grantham 1997）。
- **前后混淆（front-back confusion）**：正常条件下约 **5–10%** 的响应为前后反转（Wightman & Kistler）；高频谱线索（耳廓）被破坏时升到 **~35%**（Middlebrooks 1992）；**头部运动可显著降低混淆**（Wallach 1940; Brimijoin & O'Neill 2010）。
- **HRTF vs 简单 pan**：Ferrand et al. (2019)《HRTF and panning evaluations for binaural audio guidance》：**动态测试中 HRTF 的定位 RMSE 显著优于 panning**，静态/动态均更精确。URL: https://hal.science/hal-02948557/document
- 简单立体声 pan 只能产生**左右弧线**上的方位感，无法提供前后/上下线索（社区与文献一致）。来源：https://forum.dcs.world/topic/102070-no-true-headphone-3d-audio-in-games/ 及 Ferrand 2019。
- **可辨方位档数**：**未找到直接给出「可区分方位档位数」的一手研究**；按 MAA 数据与 pan/HRTF 工作方式推断：立体声 pan 可靠档位 ≈ 左/中/右（3 档，可扩展到 5 档）；HRTF 在耳机上可支撑 8 方位以上的粗定位，但前后混淆需靠头部运动或额外提示解决。**以下为推断。**
- 移动端可行方案：无 HRTF 时用「pan + 音量/低通随距离衰减」承载左右与远近；关键前后判定不要只用音频（混淆率 5–35%）。

### 2.6 震动 + 声音的多模态冗余：什么时候有效？

- **节律知觉在听觉与触觉间共享神经机制**（Bernard et al. 2022, PMC）：音频与触觉信号很可能由共同的神经机制加工节奏——这为「震动节奏型与音效节奏型同构」提供依据。URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC8907191/
- **冗余不总是有效**：Applied Ergonomics 元分析（2022）《When to use vibrotactile displays?》指出，跨视觉/听觉/触觉的**组合式冗余警告可能反而更慢**（引 Lee et al. 2006）。URL: https://www.sciencedirect.com/science/article/abs/pii/S0003687022001259
- 平台指南：Apple HIG 主张触觉作为多通道反馈的一环（设备静音/不看屏幕时仍可达），语义化预置模式（notification/impact/success/warning/error）：https://developer.apple.com/design/human-interface-guidelines/playing-haptics 、https://developer.apple.com/design/human-interface-guidelines/feedback ；Android 触觉设计原则要求简单、短促、避免刺耳的长震动，提供语义原语（EFFECT_CLICK / EFFECT_HEAVY_CLICK / PRIMITIVE_*）与振幅-时长波形数组：https://developer.android.com/develop/ui/views/haptics/haptics-principles 、https://m2.material.io/design/platform-guidance/android-haptics.html
- 手机 LRA 马达有效感知带宽约 **80–300 Hz**（Pacinian 感受器主导），设计震型应在此范围内做「尖锐度/强度/节奏」变化。来源：https://swmansion.com/blog/haptics-is-music-how-to-design-haptic-patterns-that-feel-right/
- **结论**：冗余有效条件 = (a) 两种模态**信息同构**（同一节奏/时长结构）；(b) 用于**少量关键事件**（告警、手势确认）而非所有反馈；(c) 通道本身可靠（震动在嘈杂环境、静音场景补足听觉）。

### 2.7 一致性与学习成本：玩家要听几次才能记住一个 earcon？

- **8.5 轮**：Dingler & Lindsay (2008) 实测 earcon 平均需 **8.50 轮（SD 4.087）** 训练才达到 100% 正确，而语音/spearcon 只要 1.14 轮。URL: https://www.icad.org/Proceedings/2008/DinglerLindsay2008.pdf
- Brewster (1993) 评估中识别率随训练显著上升（27 个 earcon，改进设计 + 训练后大幅提高；具体百分比见 2.1 待核对标注）。URL: https://eprints.gla.ac.uk/3257/1/CHI4493.pdf
- Georgia Tech 评估研究：earcon 和 auditory icon 相比语音**从训练中获益更多**（即学习曲线更陡但有回报）。URL: https://repository.gatech.edu/bitstreams/f1ebdf0a-6a34-4417-88e1-465abf896c83/download
- **设计含义**：(a) 状态音集合必须**全游戏一致**（同一状态永远同一音，同一手势永远同一音+震）；(b) 用**家族层级**让新 earcon 可从已知家族推理（降低表观学习量）；(c) 新音前 3–5 次出现必须伴随语音标签或即时后果，把「8.5 轮训练」内嵌进玩法。

### 2.8 记忆与注意力限制：听觉工作记忆 & TTS 语速

- **听觉短时记忆纯容量 ≈ 4 chunks**（Cowan 2001, Behavioral and Brain Sciences「The Magical Number 4」；7±2 已被修正为含复述/组块的估计）。URL: https://pubmed.ncbi.nlm.nih.gov/11515286/ 、https://pmc.ncbi.nlm.nih.gov/articles/PMC2864034/
- **回声记忆（echoic memory）持续 ~2–4 s**；Baddeley 语音回路以 ~2 s 排练时间为容量单位——**一条连续语音播报超过 ~2–4 秒且包含 >4 个信息点就会被丢失**。URL: https://thedecisionlab.com/reference-guide/psychology/working-memory 、https://www.sciencedirect.com/topics/social-sciences/sensory-memory
- **TTS 语速**：正常说话 ~150–160 wpm；**>225 wpm 时理解率加速下降**（Jones 2007，基于 Foulke & Sticht 1969，转引）；Syrdal et al. (2012, Interspeech) 系统测了 **200–450 wpm** 的合成语音可懂度（快速档主要服务熟练屏幕阅读器用户）。URL: https://www.isca-archive.org/interspeech_2012/syrdal12_interspeech.pdf ；另见 Hux et al. 2019（TTS 语速 × 理解，临床人群）https://pmc.ncbi.nlm.nih.gov/articles/PMC7231913/
- **中文 TTS 语速的可懂度曲线：未找到一手研究**（上述均为英文 wpm 数据）。按中文播音/语音交互惯例推断：正文 **~240–300 字/分钟**，教学/数字信息放慢到 ~200 字/分钟，且关键数字允许重听。**以下为推断。**

---

## ③ 对本项目的可操作设计规则（可直接写进设计规范）

**状态音（earcon）**

1. 【应该】状态音按「家族层级」组织：用**音色**区分信息大类（如：战斗类/资源类/系统类各定一种乐器），**节奏型**区分子类，**结束音高**区分同类内的具体状态；子状态音继承父类音色与节奏，保证「听得出是一家人」。
2. 【应该】每个 earcon 的参数边界：时长 **0.25–1.5 s**（层级复合音最多 4 s）；音符最短 **0.08 s**；每秒 **≤6** 个音符；频带 **125 Hz–5 kHz**；响度高于当前环境声 **+10～+20 dB**；复合音串行时留 **0.1 s** 间隙。
3. 【不应该】**不要只用音高**区分两个状态（尤其相邻音高）；必须同时改变节奏/音色/音域中至少一个参数（组合区分，绝对判断下音域差需 ≥2 个八度）。
4. 【应该】全游戏 earcon 总集控制在 **20–30 个以内**并做教学关；单个场景内**同时引入的新状态音 ≤4 个**（推断：未找到无训练上限的一手数据）。
5. 【应该】新状态音第一次出现及之后的前 3–5 次，**必须伴随语音标签**（「这是补给点音」）或直接因果后果——earcon 实测需要 ~8.5 轮接触才能稳定识别，语音只需 ~1.1 轮。

**手势选项播报**

6. 【不应该】**不要并发播放** 6 个手势的选项音/语音；任何需要玩家辨认的声音一律**串行**播放，间隔 ≥0.1 s。确需并发的场合（如双状态监控）最多 2 路，且两路必须音色不同 + 左右声像分离。
7. 【应该】选项列表每屏**最多 3 项**（听觉工作记忆 ≈4 chunk，留 1 chunk 余量给操作）；超过 3 项必须分页，每页播报开头用 earcon 前缀标记页类别。
8. 【应该】手势含义标签优先用 **spearcon/短语音**（学习成本 ≈0、反应最快，元分析显示优于 earcon），状态音才用 earcon。

**语音播报**

9. 【应该】TTS 语速正文 **150–180 wpm（中文约 240–300 字/分钟）**，上限 **225 wpm**；教学、数字、坐标类信息降速 ~15% 并支持一键重播。
10. 【应该】同一时刻**只允许 1 路 TTS**；新播报打断旧播报时在**语句边界**切断，且被打断的信息可通过手势重听（防止信息丢失）。
11. 【应该】语音播报前加 **0.3–0.6 s 的类别 earcon 前缀**（危险/拾取/系统/剧情各一个），让玩家在语音开始前预判信息类别（实践惯例，风险低）。

**混音与信息分级**

12. 【应该】BGM 常驻并编码宏观状态（探索/战斗/结算），用**配器、调式、速度**渐变切换而非硬切；语音出现时对 BGM 做 ducking：**−6～−12 dB，ratio 4:1–8:1，attack ≤10 ms，release 300–600 ms + hold ~500 ms**；全混音以对白为响度基准（目标整体 ~−18 到 −23 LUFS，true peak ≤−1 dBTP）。
13. 【不应该】**不要让 BGM/环境声承载需要精确辨认的信息**（如具体剩余血量）；它只表达宏观状态与紧张度。信息分级：常驻→BGM/环境声；事件→一次性音效；告警→earcon 前缀+语音+震动三重呈现，并用快起音/宽音域/不规则节奏制造显著度。

**空间与震动**

14. 【应该】空间信息默认用 **stereo pan（左/中/右 3 档）+ 音量/低通衰减表达远近**；若启用方位训练玩法，用 HRTF（检测到耳机才开启）并在教学关配合确认反馈训练；**不要**用纯音频做「前 vs 后」的生死判定（正常也有 5–10% 前后混淆，谱线索差时可达 35%）。
15. 【应该】10 种震型只绑**关键事件与告警**（不做装饰性反馈）；震型的**节奏/时长结构与对应音效同构**（同拍点、同长度），利用听触共享的节律加工；所有震型能量集中在引擎有效带内、短促（<1 s）不连续长振，遵循 Android/Apple 语义触觉原则。

---

## ④ 参考来源列表

**经典文献 / 一手实验**
1. Brewster, S.A. — *Guidelines for the Creation of Earcons*（Glasgow）: https://www.dcs.gla.ac.uk/~stephen/earcon_guidelines.shtml
2. Brewster, Wright & Edwards (1995) — *Experimentally Derived Guidelines for the Creation of Earcons*: https://www.semanticscholar.org/paper/c4fa0a5a72210a25de2918c63d22d31a83945405
3. Brewster, Wright & Edwards (1993, INTERCHI) — *An Evaluation of Earcons for Use in Auditory Human-Computer Interfaces*: https://eprints.gla.ac.uk/3257/1/CHI4493.pdf
4. McGookin & Brewster (2004, ACM TAP) — *Understanding Concurrent Earcons*: https://dl.acm.org/doi/pdf/10.1145/1024083.1024087
5. McGookin (2003, ICAD) — *An Investigation into the Identification of Concurrently Presented Earcons*: https://www.icad.org/websiteV2.0/Conferences/ICAD2003/paper/10%20McGookin.pdf
6. McGookin 博士论文（Glasgow）— *Understanding and Improving the Identification of Concurrently Presented Earcons*: https://theses.gla.ac.uk/14/
7. Dingler & Lindsay (2008, ICAD) — *Auditory Icons, Earcons, Spearcons, and Speech (Learnability)*: https://www.icad.org/Proceedings/2008/DinglerLindsay2008.pdf
8. Nees & Liebman (2023) — *Auditory Icons, Earcons, Spearcons, and Speech: A Systematic Review and Meta-Analysis*, Auditory Perception & Cognition 6(3-4): https://www.tandfonline.com/doi/pdf/10.1080/25742442.2023.2219201
9. Walker et al. (2013, Human Factors) — *Spearcons Improve Navigation Performance in Advanced Auditory Menus*: https://journals.sagepub.com/doi/10.1177/0018720812450587
10. Gaver — *Auditory Icons*（Sonification Handbook Ch.13）: https://sonification.de/handbook/chapters/chapter13/
11. McGookin & Brewster — *Earcons*（Sonification Handbook Ch.14）: https://sonification.de/handbook/chapters/chapter14/
12. Arons (1992) — *A Review of the Cocktail Party Effect*（MIT OCW）: https://ocw.mit.edu/courses/mas-632-conversational-computer-systems-fall-2008/resources/arons_cocktail/
13. Ferrand et al. (2019) — *HRTF and Panning Evaluations for Binaural Audio Guidance*: https://hal.science/hal-02948557/document

**记忆 / 语速 / 感知基础**
14. Cowan (2001) — *The Magical Number 4 in Short-Term Memory*: https://pubmed.ncbi.nlm.nih.gov/11515286/
15. Syrdal et al. (2012, Interspeech) — *TTS Intelligibility Across Speech Rates (200–450 wpm)*: https://www.isca-archive.org/interspeech_2012/syrdal12_interspeech.pdf
16. Hux et al. (2019) — *Effect of TTS Rate on Comprehension*: https://pmc.ncbi.nlm.nih.gov/articles/PMC7231913/
17. Bernard et al. (2022) — *Rhythm Perception Is Shared Between Audio and Haptics*: https://pmc.ncbi.nlm.nih.gov/articles/PMC8907191/
18. *When to Use Vibrotactile Displays? A Meta-Analysis*（Applied Ergonomics 2022）: https://www.sciencedirect.com/science/article/abs/pii/S0003687022001259
19. 听觉场景分析综述/综述页: https://en.wikipedia.org/wiki/Auditory_scene_analysis 、https://tlr-hub.asha.org/cred/auditory-scene-analysis-an-attention-perspective/

**工程与平台指南**
20. Material Design — *Applying Sound to UI*: https://m2.material.io/design/sound/applying-sound-to-ui.html
21. Android — *Haptics Design Principles*: https://developer.android.com/develop/ui/views/haptics/haptics-principles
22. Apple HIG — *Playing Haptics*: https://developer.apple.com/design/human-interface-guidelines/playing-haptics
23. Audiokinetic — *Scalable Loudness Processing for Games*: https://www.audiokinetic.com/en/community/blog/loudness-processing-best-practice-chapter-3-scalable-loudness-processing-for-games
24. Ducking 实践: https://infinitecreation.io/tutorial-ducking-music 、https://vi-control.net/community/threads/ducking-music-volume-to-make-way-for-voice-narration-is-there-a-better-way-than-side-chaining.83139/
25. 游戏响度: https://ansoaudio.com/2016/07/27/loudness-and-metering-in-game-audio/ 、https://www.stephenschappler.com/2013/07/26/listening-for-loudness-in-video-games/
26. Haptic 引擎带宽（80–300 Hz）: https://swmansion.com/blog/haptics-is-music-how-to-design-haptic-patterns-that-feel-right/

**标注为推断、未找到一手来源的条目汇总**
- 无训练条件下同时可学的新 earcon 数量上限（推断 4–6 个）；
- 「可区分方位档位数」的直接研究（推断 pan 3 档 / HRTF ≥8 档）；
- 「earcon 前缀降低语音加工成本」的对照实验（实践惯例）；
- 语音打断的语句边界策略（推断自语音串行加工与工作记忆证据）；
- 中文 TTS 语速可懂度曲线（推断 240–300 字/分钟正文）；
- Brewster 1993 识别率 62%→97% 的具体百分比（二手转述，待从原文核对）。