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。
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，例如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。
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。
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。
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。
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。
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。
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。
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。
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。
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.