声学语音学与语音测量

声音是随时间变化的气压#

说话推动空气形成微小压力变化，麦克风把变化转成电信号，数字录音再按固定时间间隔采样。波形横轴是时间，纵轴近似表示瞬时振幅；它能显示静音、爆破和周期性，却不会自动标出“这是一个音位”。

声学测量的对象是言语通道里的气压变化，不是语言系统本身。完整的语言也可以走手与身体，见语言、言语与手语。把频谱图上的条纹直接叫作「音位」，是把测量对象和范畴对象混在一起。

录音是测量链，不是透明窗口。麦克风频率响应、距离、房间反射、增益、压缩和文件格式都会改变信号。比较组间差异前，应固定设备与位置，记录采样率、位深、环境和后处理。

采样率限定可表示的频率#

离散采样能可靠表示的最高频率低于采样率一半，这来自奈奎斯特限制。语音研究常用 44.1 或 48 kHz 录音，足以覆盖多数可听语音信息；降低采样率前需要抗混叠滤波，否则高频会伪装成低频成分。电话通道常见 8 kHz 采样，可表示频率低于 4 kHz；许多擦音的能量正在这个上限之上。用电话录音去比较 /s/ 与 /ʃ/ 的谱重心，缺的不是精度，是相关频段本身。

位深影响可表示动态范围，但更高参数不能修复削波或噪声。保存无损主文件、另做发布副本，比反复转码有损格式更适合可复核研究。

频谱把复杂声波分解为频率成分#

周期或近周期声波可视为多个不同频率、振幅和相位成分的叠加。傅里叶分析把时间信号转换为频率表示。单一频谱描述一个时间窗，频谱图则把许多时间窗排列起来：横轴时间、纵轴频率、颜色或灰度表示能量。

时间窗有分辨率权衡。长窗更能分开相近频率，却模糊快速变化；短窗保留时间边界，却使频率带更宽。所谓“宽带”和“窄带”频谱图不是画质高低，而是针对共振结构或谐波结构选择不同窗口。

实验室里所谓频谱图，不是一张照片，而是短时傅里叶变换的可视化。1946 年，Koenig、Dunn 与 Lacy 在《美国声学学会杂志》介绍贝尔实验室的声音频谱仪：它把录音切成连续时间窗，每个窗做频率分解，再把能量画成灰度。今天的软件用快速傅里叶变换做同一件事。Cooley 与 Tukey 1965 年在《数学计算》发表的算法，把离散傅里叶变换从几乎不可用变成常规测量。窗长一旦选定，时间和频率分辨率就互相封死——这是信号处理里的不确定性，不是软件画质问题。宽带谱常用约 300 Hz 的分析带宽，能看见共振峰条纹和声门脉冲，却糊掉谐波；窄带谱常用约 45 Hz，谐波清晰，共振结构却被抹成横线。同一段元音，两张图讲的不是两种「真相」，是两种取舍。

声源与声道共同塑造语音#

声带振动、湍流或爆破提供声源，咽腔、口腔和鼻腔作为滤波器增强某些频率。源—滤波理论帮助区分喉头周期与声道共振，但真实发音存在耦合、非线性和快速协同，模型是近似而非身体的完整复制。

Gunnar Fant 1960 年在海牙 Mouton 出版《语音产生的声学理论》，把声源与滤波器写成可计算的工程模型：辐射声波的频谱近似等于声源频谱、声道传递函数和唇辐射特性的乘积。浊音的声源是准周期的声门气流脉冲，谐波大约按每倍频程 12 分贝衰减；声道作为滤波器，在某些频率形成峰值，这就是共振峰。模型假定声源与滤波器可以分开处理。真实发音里，声门阻抗会随声道负载变化，气声、爆破和鼻化都会打破简单相乘。Fant 自己把模型当作近似；后来的非线性与耦合研究是在标明近似的边界，而不是推翻那张框图。书中的列线图还给出另一条可检验的推论：收紧点的位置和唇圆展可以分别推动 F1、F2，舌位高低与前后只是这些几何变化的常用标签，不是共振峰的定义。

浊音的谐波间距主要跟随基频，谐波包络的峰值受声道共振影响。把两者混为一谈会把“声音高低”和“元音音色”错误合并。

基频不是听觉音高本身#

周期信号的基频 F0 近似对应声带振动重复率，并与听到的音高高度相关。音高是知觉量，还受强度、谐波、语境和听者影响。自动算法估计的是周期，不是直接读取心理体验。

倍频与半频错误常发生在气声、喉化、低强度或多声源片段。研究者应检查轨迹与波形，不应直接导出软件默认结果。跨说话者比较可使用半音或相对基线，但转换选择要与研究问题一致。

Praat 默认的基频估计来自 Boersma 1993 年的自相关方法：它在短时窗里找周期，并用窗函数的自相关做校正，以减少采样和加窗带来的倍频、半频误差。算法再好，也是在估计周期，不是在读取「听起来有多高」。气声、吱嘎声和两人同时说话时，轨迹仍会跳，必须对照波形与频谱图，而不是把默认数值直接送进统计模型。

共振峰帮助描述元音#

共振峰是声道传递函数中的共振区域，常以 F1、F2 等中心频率近似。许多元音中，F1 与舌位高低相关，F2 与前后位置相关，但关系受唇形、声道长度和协同动作影响，不能把二维图当作舌头照片。

1952 年，Peterson 与 Barney 在《美国声学学会杂志》报告贝尔实验室的元音测量：76 名说话人——成年男性、女性和儿童——念 10 个 /hVd/ 音节，70 名听者做识别。他们把每个元音的第一、第二共振峰画在一张 F1–F2 图上。这张图后来几乎成了「元音空间」的默认形象：/i/ 低 F1 高 F2，/ɑ/ 高 F1，/u/ 低 F1 低 F2。但同一张图已经显示类别重叠。不同说话人的同一元音可以落在别人另一个元音的区域内。听者仍然几乎总能听出说话人打算发的那个元音。所以 F1、F2 是有用的描述，不是充分的身份证件。

线性预测编码会按模型阶数寻找共振峰。设置过低会漏峰，过高会把谱形细节当成峰；儿童、高基频说话者和后元音尤其容易追踪错误。应人工检查、报告参数，并用可重复脚本保存修正规则。

元音空间必须处理说话者差异#

绝对 F1/F2 同时反映语言类别与声道尺寸。直接比较成人男性、女性和儿童，可能把解剖差异误当方言差异。元音归一化尝试保留类别关系、减少说话者尺度影响，但不同方法会改变距离和分布。

没有对所有问题最好的归一化。研究应展示原始值与变换值，说明参考元音是否齐全、算法是否适合样本，并避免把群体平均点当成每个成员的固定发音。

1995 年，Hillenbrand、Getty、Clark 与 Wheeler 用更新的线性预测方法重做这件事：45 名男性、48 名女性、46 名儿童，共 139 人，12 个英语单元音。静态取样的 F1、F2 比 Peterson 与 Barney 的数据重叠更大，判别分析也更分不开。把时长和频谱随时间的变化加进去，分类才重新变准。听辨实验里，听者仍然几乎总能听出说话人打算发的元音。结论不是「共振峰没用了」，而是：一张稳态 F1–F2 散点图丢掉了听者实际使用的线索。跨说话者比较若只用绝对赫兹值，会把这类样本里儿童与成人的解剖差异，读成不同的元音系统。

辅音留下时间与频率线索#

塞音可观察闭塞、爆破和嗓音起始时间，擦音可比较噪声谱重心、离散度与时长，鼻音有低频共振和反共振，边音与近音则改变共振峰过渡。任何单个指标都很少等于一个类别。

例如嗓音起始时间受发音部位、语速、元音和说话者影响。跨语言对立需要看分布及知觉边界，而不是用英语阈值给所有语言分类。

Lisker 与 Abramson 1964 年在《Word》比较十一种语言词首塞音的嗓音起始时间，发现清浊对立可以落在不同的时延区间：有的语言区分负值与短正值，有的区分短正值与长正值。把英语里短时延与长时延的分界输出成普遍分类，不是测量，是把一种语言的边界写成所有语言的尺子。这一时间差如何被定义、跨语言分布如何被切开，见 嗓音起始时间。

时长测量依赖边界定义#

“元音从哪里开始”可能按周期性、共振峰可见度、能量或听觉判断定义。不同定义在清晰样本上接近，在弱化和共发音中会分叉。标注指南应给正例、边缘例与优先规则。

测量者一致率不只是报告一个相关系数。连续时长可用绝对差、组内相关或 Bland–Altman 图检查系统偏差；类别边界可用一致率和校正偶然一致的指标。分歧本身能暴露定义不足。

强度与响度也不能直接等同#

声压级以对数尺度表示物理振幅，响度是频率、时长、听者和背景共同决定的知觉。录音增益未校准时，文件中的振幅不能比较真实声压。相对强度仍可研究重音或韵律，但要控制麦克风距离。

自动增益、降噪和视频会议压缩会压平动态变化。采集自然在线互动时必须把这些处理作为数据生成条件记录。

语调需要形状、对齐与范围#

语调研究不只看平均 F0。重音峰出现在哪个音节、相对边界何时转折、说话者整体范围和短语末尾怎样变化都可能承载意义。ToBI 等标注体系把音高事件和韵律边界编码，但需要语言特定分析。

把一门语言的高低调标签直接套给另一门语言，会忽略声调、重音和语调的接口。声调语言中，词汇声调与句子语调可同时改变 F0，分析需建立局部基线和替代线索。

声音类别是多线索概率判断#

听者利用共振峰、时长、基频、噪声、过渡和词汇语境组合识别。相同物理值在不同说话者或相邻音中可被听成不同类别，这称为知觉归一化与语境效应的一部分。

声学图上“看起来分开”不保证听者使用该差异；听觉上明显也不保证某一仪器指标单独解释。产出测量应与感知实验互相约束。

统计模型必须尊重重复结构#

语音数据通常包含每位说话者多个词、每个词由多人产生。把所有标记当独立样本会低估不确定性。混合效应模型可同时表示说话者和项目差异，并检验斜率是否因个体变化。

测量选择、排除阈值和变换应在观察结果前尽量确定。探索多个参数后只报告显著者会放大偶然结果；完整脚本和稳健性分析比一张漂亮元音图更重要。

自动语音技术不是中性测量仪#

强制对齐、说话人分离和自动转写可处理大语料，但模型在训练语言、口音、年龄、噪声和障碍言语上的误差不同。错误会集中在研究最关心的变体，而非随机消失。

自动标注应抽样人工核验、按群体报告错误，并保留原始音频与模型版本。不得因系统只支持某些语言，就把其他使用者排除出“可分析语音”。

语音数据具有可识别性#

声音包含身份、健康、情绪和环境线索，即使删除姓名也可能被熟人认出。公开语料前要说明下载、声纹模型训练和未来商业使用，允许限制音频而开放派生测量。

儿童、政治敏感社群和濒危语言记录尤其需要分级访问。研究可复现不等于原始声音必须对任何用途无限公开。

一套可复核的测量流程#

先把理论构念写成操作定义，确定采样、设备和目标片段；再用小样本试测参数与边界规则。正式分析保存原始文件、无损工作副本、TextGrid 或同类标注、测量脚本和版本信息。

随后检查轨迹异常、测量者差异和群体不均衡，报告原始分布、模型不确定性与替代参数。Praat 等工具提供测量能力，真正的科学证据来自透明定义、校准和可复核决策。

跨域连接#

• 波与声学：语音的物理基础就是管腔声学——声带提供准周期声源，声道作为可变形的共鸣管选择性放大某些频率。共振峰不是「元音的属性」，而是管腔几何的解，这也是为什么改变舌位就改变元音：你改的是共鸣腔的形状，不是发出的声音本身。
• 傅里叶分析 与 快速傅里叶变换：频谱图是短时傅里叶变换的可视化，而窗长的选择直接制造了时间分辨率与频率分辨率的取舍——宽带谱看得清声门脉冲却看不清谐波，窄带谱正好相反。语音学里许多「测量分歧」，本质上是窗参数分歧。
• 信号处理：采样率决定可表示的最高频率，这是奈奎斯特限制的直接后果。用 8 kHz 采样的电话语音去研究擦音，不是精度不够，而是相关频段根本不在数据里——这类限制必须在设计研究时就确认，事后无法补救。
• 统计学：同一说话人的多次发音高度相关，把它们当作独立观测会系统性高估证据强度。语音数据几乎总是嵌套结构（重复 × 词 × 说话人），混合效应模型不是可选的精细化，而是正确性要求。
• 音位与音系系统：声学测量给出连续值，音系分析处理离散范畴，两者的接口是多线索概率判断——没有任何单一声学参数能划出范畴边界，听者整合的是一组彼此可替代的线索。

参考文献#

• Ladefoged, Peter, and Keith Johnson. A Course in Phonetics. 7th ed., Cengage, 2015.
• Johnson, Keith. Acoustic and Auditory Phonetics. 3rd ed., Wiley-Blackwell, 2012.
• DiCanio, Christian. “Visualizing the Phonetics of Speech.” Language Documentation & Conservation 15 (2021).
• Koenig, W., H. K. Dunn, and L. Y. Lacy. “The Sound Spectrograph.” Journal of the Acoustical Society of America 18.1 (1946): 19–49.
• Cooley, James W., and John W. Tukey. “An Algorithm for the Machine Calculation of Complex Fourier Series.” Mathematics of Computation 19.90 (1965): 297–301.
• Fant, Gunnar. Acoustic Theory of Speech Production. Mouton, 1960.
• Peterson, Gordon E., and Harold L. Barney. “Control Methods Used in a Study of the Vowels.” Journal of the Acoustical Society of America 24.2 (1952): 175–184.
• Hillenbrand, James, Laura A. Getty, Michael J. Clark, and Kimberlee Wheeler. “Acoustic Characteristics of American English Vowels.” Journal of the Acoustical Society of America 97.5 (1995): 3099–3111.
• Lisker, Leigh, and Arthur S. Abramson. “A Cross-Language Study of Voicing in Initial Stops: Acoustical Measurements.” Word 20.3 (1964): 384–422.
• Boersma, Paul. “Accurate Short-Term Analysis of the Fundamental Frequency and the Harmonics-to-Noise Ratio of a Sampled Sound.” Proceedings of the Institute of Phonetic Sciences 17 (1993): 97–110.

延伸阅读#

• Boersma, Paul, and David Weenink. Praat: Doing Phonetics by Computer. 官方手册