人怎样发出语音

一股气流怎样变成一句话#

大多数口语声音从呼气开始。肺部推动气流经过气管和喉头，随后进入咽腔、口腔，有时也进入鼻腔。沿途的组织改变气流，使连续的压力变化成为可以被耳朵和仪器区分的语音。

这不是“肺负责声音、嘴负责字”的简单流水线。呼吸、喉部振动、舌唇位置、软腭开合和时间控制持续协调。快速说话时，相邻动作还会互相重叠，这就是为什么真实语音不像拼读表那样由整齐方块组成。

语音学把这套过程分成三个相连的问题：身体怎样产生声音，声波具有哪些物理性质，听者怎样感知并分类它们。本文从第一步开始。

能量来源：不只有呼气#

世界多数语音使用肺部呼出的气流，称为肺呼气机制。普通话、英语、斯瓦希里语和日语的大部分声音都属于这一类。

但人类语言还利用其他气流机制。某些南部非洲语言的搭嘴音通过口腔内形成的压力差产生；一些语言有利用喉部动作形成的挤喉音或内爆音。这些声音不是异国“特技”，而是特定语言中区分词义的正常单位。

Catford 1977 年在《语音学基本问题》里把气流机制分成肺、喉、软腭三类。肺呼气最常见；挤喉音与内爆音靠喉头上下移动改变口腔压力；搭嘴音则在口腔里做成封闭腔再突然释放。Ladefoged 与 Maddieson 1996 年的《世界语言的声音》把搭嘴音写成南部非洲若干语言的正常辅音，不是表演特技。一种语言用不用某类气流，是音系选择，不是器官种类不同。

因此，发音图不能把某一语言的库存当成人类能力的边界。国际音标之所以需要不同区域，就是为了记录跨语言可观察的发音差异。

喉头：振动、打开与调节#

喉头中的声带是两条可调节的组织褶皱。气流通过时，声带可以相对打开，也可以靠近并发生周期振动。

许多语言用振动与否区分声音。普通话拼音中的差异主要不是英语式的“清浊”对立，而更显著地依赖送气时间。这提醒我们，字母相似不等于发音机制相同。

1958 年，荷兰语音学家 van den Berg 在《言语与听力研究杂志》提出肌弹—空气动力理论：声带并不是神经逐周触发的扬声器。声门先靠喉内肌靠拢，肺下气压把褶缘吹开，组织弹性和气流再把它们拉回中线，循环自持。Husson 1950 年代的神经时序说认为每一周振动都由喉返神经脉冲触发；肌弹—空气动力模型把它换成了自持振荡。

后来的体—盖模型把声带分成更硬的本体和更软的黏膜盖，用来解释为什么黏膜波可以落后于本体运动。Hirano 1974 年在《Folia Phoniatrica》把肌层写成较硬的本体、黏膜写成可滑动的盖。气声、喉化和不同音质，是同一套振荡里盖与本体相位关系的变化，不是另造一套喉头。

Lisker 与 Abramson 1964 年在《WORD》测量了十一种语言的词首塞音。他们把「嗓音起始时间」定义为除阻与声带振动开始之间的间隔。跨语言数据大致落在三条带上：浊音超前约一百毫秒、短滞后、长滞后约七十五毫秒。

英语的送气清塞音落在长滞后，西班牙语的清塞音更靠近短滞后。所以字母表上的「清浊」并不是同一把尺子。

声带振动的速率与听到的基频相关，但“音高”不是喉头唯一产物。喉部还参与声门塞音、气声、喉化等发声类型。声调语言则把音高走向组织成词汇或语法对立；非声调语言也会用语调表达疑问、焦点和态度。详见声调与韵律。

不能把声音粗略分为“有声”和“无声”就结束分析。真正的语言会利用振动开始时间、声门张力和气流强度等连续参数，再由听者归纳成语言特定的类别。

声道：一个不断改变形状的共鸣腔#

声带以上的咽腔、口腔和鼻腔统称声道。舌头、嘴唇、下颌和软腭改变声道形状，从而改变哪些频率得到增强。

元音通常让气流较自由地通过口腔。舌位高低、前后和嘴唇圆展会改变共振峰。把“衣”和“乌”拉长说出，可以感觉舌位和唇形不同；仪器则能观察到对应的频谱变化。

Fant 1960 年在海牙 Mouton 出版《语音产生的声学理论》，把声源频谱、声道传递函数和唇辐射写成可相乘的工程模型。浊音声源近似准周期的声门脉冲，谐波大约按每倍频程十二分贝衰减；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。真实发音里，声门阻抗会随声道负载变化，气声和鼻化都会打破简单相乘。Fant 自己把模型当作近似；声学语音学处理的是同一事件的测量投影。

辅音通常在某处形成收窄或闭塞。双唇可以闭合，舌尖可以接近齿龈，舌背可以接近软腭。分析辅音时常问三个问题：阻碍发生在哪里，以什么方式发生，喉部处于什么状态。

例如一个塞音先完全阻断气流，再释放。擦音保留狭窄通道，使湍流产生噪声。鼻音让口腔某处闭塞，同时软腭下降，使气流通过鼻腔。

发音部位与发音方法#

发音部位描述主动器官和被接近的位置。常见类别包括双唇、唇齿、齿、齿龈、龈后、硬腭、软腭、小舌、咽和声门。不同语言使用的边界并不完全相同，转写是分析近似而非身体的像素级地图。

发音方法描述气流如何受控，包括塞音、鼻音、颤音、闪音或弹音、擦音、边擦音、近音和边近音等。把部位、方法和发声状态组合起来，就能对许多辅音作可比较描述。

舌头不是一块只会前后移动的肌肉。舌尖、舌叶、舌面和舌根可以相对独立地塑造声道。发音动作也不是静止姿势，而是带有目标、速度和重叠关系的运动轨迹。

Ladefoged 与 Maddieson 1996 年的世界语音调查表明：部位—方法网格是比较工具，不是身体的像素地图。某些语言的龈后与卷舌边界，并不能从英语的齿龈范畴直接读出。转写选择了可观察的对立，也放弃了连续细节。

协同发音：声音没有整齐边界#

在自然说话中，发音器官会提前准备后面的声音，也会保留前面的动作。这叫协同发音。它不是失误，而是运动系统为了速度和省力，让相邻目标互相渗透。

例如元音可能受相邻鼻音影响而出现鼻化；辅音的舌位可能因后续元音而略有改变。听者通常不会把这些变化理解成全新的词，因为其感知系统利用上下文恢复稳定类别。

Öhman 1966 年在《美国声学学会杂志》测量瑞典语、美式英语和俄语的元音—塞音—元音序列。频谱图显示：中间塞音的过渡并不是把两端元音切断，而是叠在一条连续的双元音姿态上。Haskins 实验室的「位点」理论曾假定每个辅音有固定的共振峰目标；Öhman 的数据迫使人们把协同看成叠加的姿态，而不是一串互不重叠的目标。

Lindblom 1990 年在 Hardcastle 与 Marchal 主编的《言语产生与言语建模》里提出 H&H 理论：说话人沿「超清晰—欠清晰」连续体调节输出。信号里找不到不变体，是因为说话人按听者已有信息和情境需求调节清晰度。不变性的研究任务因此换成：什么叫足够可区分。言语感知要从听者一侧回答同一问题。

这解释了一个重要事实：字典里的音标是有用抽象，但声波中通常找不到与每个符号完全重合的边界。语音分析需要在连续物理信号和语言类别之间来回推理。

怎样看见发音#

镜子可以观察唇形，却看不到口腔内部。研究者使用多种方法补足视野：频谱图显示时间、频率与能量；超声成像追踪舌面；电磁发音描记记录小型传感器的运动；喉镜和电声门图研究喉部状态。

Maureen Stone 从 1990 年代起用超声追踪舌面：探头贴在下颌下，实时看到矢状面的舌形，却看不到舌尖最前和咽壁。电磁发音描记在舌唇上贴小型传感器，记录三维轨迹，但传感器本身会改变触感。电子腭位图把假牙托上的电极接触当成舌—腭接触图。电声门图测量声门两侧的阻抗变化，用来估计开合周期，不是直接拍照。

每种方法只捕捉过程的一部分。频谱图不是舌头照片，超声也不能直接给出听觉类别。可靠结论通常需要把发音、声学、感知和语言对立结合起来。

研究还要考虑个体差异。声道尺寸、年龄、健康、语速和社会风格都会影响测量值。不能拿单个说话者的绝对频率直接定义整种语言。

从身体到语言系统#

人体能产生的差异多于任何单一语言实际使用的差异。一门语言会从连续可能性中选择某些对立，并通过习得让使用者对这些差异格外敏感。

Stevens 1989 年在《语音学杂志》重述「量子理论」：声道几何的某些区域，小幅姿势变化几乎不改变声学；另一些区域则对微小移动极度敏感。语言倾向把对立放在稳定区附近，这样发音可以有噪声，听者仍能恢复类别。这不是说身体预先装好了音位，而是连续执行里有不连续的声学悬崖。

这一步把发音语音学带向phonemes-and-sound-systems：相似的身体动作何时只是变体，何时会改变词义？phonetics-and-ipa则提供跨语言记录这些动作与声音的符号工具。

语音也连接医学、物理与计算机科学。声带病变会改变发声，声学解释压力波和共振，语音识别系统则把连续波形映射到语言单位。但任何技术模型若忽略口音、方言和多语差异，都可能把训练数据中的狭窄范围误当成人类语音的正常标准。

发音控制不是逐个器官发命令#

说话速度可达到每秒多个音节，人不可能在意识中逐块安排每条肌肉。运动系统把发音目标、节奏和感知反馈组织成协调动作。一个目标可由稍有不同的动作实现，这种运动等效性让说话者在含着食物、提高音量或改变语速时仍能保持可懂度。

控制也依赖反馈。听觉让说话者监测声学结果，触觉与本体感觉提供舌唇位置和压力信息。反馈被延迟或改变时，发音会发生补偿；但熟练语音也大量依靠提前建立的前馈控制，不会每个音都等待听觉确认。

1950 年，Lee 在《美国声学学会杂志》报告延迟听觉反馈：把自己的声音用磁带延迟约四分之一秒送回耳机，说话人会放慢、提高音量，或在试图保持原速时重复音节。延迟必须盖过骨导，才会生效。这说明熟练语音大量依靠前馈，但听觉监测一旦错位，协调就会瓦解。临床上不能只问某个器官在不在，还要问计划和监测是否完好。

这解释了为什么语音障碍不能只从某个器官是否完整判断。神经计划、运动执行、听觉监测和语言音系都可能影响表现，临床评估需要区分层次。

声学值为什么需要归一化#

儿童与成人的声道尺寸不同，同一个元音类别的绝对共振峰不会完全相同。性别、年龄和个体解剖也造成系统差异。听者却能跨说话者识别相似类别，说明感知利用相对位置和上下文。

研究比较群体时常进行说话者归一化，但每种算法都保留和消除某些差异。若社会身份本来就是研究对象，过度归一化可能把重要变异当噪声删除。

采样率、麦克风、房间噪声和标注边界也会改变测量。开放研究应保存原始录音条件、处理脚本与不确定标注，而不只公布最终平均值。

特殊发音不代表特殊能力#

某语言拥有搭嘴音、复杂声调或罕见辅音，不表示使用者需要不同的人类器官。儿童通过环境输入掌握本地协调模式，成人外语学习困难更多来自既有感知和运动分类，而不是身体绝对不能完成动作。

反过来，某类声音在世界语言中常见，也不说明它“最自然”或应成为技术默认。语音识别和语音合成必须以真实社群资料检验，尤其关注口音、障碍语音和低资源语言。

跨域连接#

• 信号处理：声道是一根形状不断变化的共鸣管，喉部的周期性振动提供声源，声道的形状决定哪些频率被放大——这正是「声源—滤波器」模型。共振峰不是发音器官的直接产物，而是管腔几何的数学后果，所以从声学信号反推发音姿势总有多解性，这是语音技术长期困难的根源之一。
• 声学语音学：生理侧与声学侧记录的是同一事件的两个投影。归一化之所以必要，是因为声道长度因人而异——同一个元音在儿童与成年男性口中的绝对频率可以相差近一倍，听者却能毫不费力地判断为同一个音，这本身就是一个尚未完全解释的知觉问题。
• 语言与大脑：发音控制不是给每块肌肉逐个下命令，而是以「达成某个声学目标」为单位的协调——同一个音在不同语境里由不同的肌肉组合实现。这种目标导向的控制方式，是运动控制研究与语音学共享的核心议题。
• 手语结构：把「语音产生」理解为「用嘴发声」会漏掉一半事实。手语同样有一套产出系统（手形、位置、运动、朝向）与协同发音现象——相邻手势会互相影响，正如相邻音段会互相影响。语言的产出层不必依赖声道。
• 音位与音系系统：协同发音意味着物理信号里没有整齐的音段边界，而音系分析却以离散音段为单位。这两者并不矛盾：离散性是语言系统的性质，连续性是执行它的物理过程的性质。

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.
• International Phonetic Association. Handbook of the International Phonetic Association. Cambridge University Press, 1999.
• International Phonetic Association. The International Phonetic Alphabet and the IPA Chart.
• van den Berg, Janwillem. “Myoelastic-Aerodynamic Theory of Voice Production.” Journal of Speech and Hearing Research 1.3 (1958): 227–244. DOI.
• Lisker, Leigh, and Arthur S. Abramson. “A Cross-Language Study of Voicing in Initial Stops: Acoustical Measurements.” WORD 20.3 (1964): 384–422. DOI.
• Öhman, S. E. G. “Coarticulation in VCV Utterances: Spectrographic Measurements.” Journal of the Acoustical Society of America 39.1 (1966): 151–168. DOI.
• Lindblom, Björn. “Explaining Phonetic Variation: A Sketch of the H&H Theory.” In Hardcastle, W. J., and A. Marchal, eds. Speech Production and Speech Modelling. Kluwer, 1990.
• Lee, Bernard S. “Effects of Delayed Speech Feedback.” Journal of the Acoustical Society of America 22.6 (1950): 824–826. DOI.
• Fant, Gunnar. Acoustic Theory of Speech Production. Mouton, 1960.
• Hirano, Minoru. “Morphological Structure of the Vocal Cord as a Vibrator and Its Variations.” Folia Phoniatrica 26 (1974): 89–94.
• Ladefoged, Peter, and Ian Maddieson. The Sounds of the World’s Languages. Blackwell, 1996.