先拆掉一个直觉：你听到的不是声波本身
多数人对听语音的想象是一台录音机：声波进来，耳朵忠实地转录，大脑播放。这个图景几乎每一处都是错的。语音信号是连续的——没有空格，没有整齐的单位边界，同一个音位在不同说话人、不同语境下的声学实现差异巨大。但听者的体验却是离散的：你听到的是一个个音位、一个个词，而不是一团渐变的声音。
把连续变成离散，不是信号的功劳，而是感知系统的主动建构。言语感知研究的核心问题就是：这个建构过程是怎样完成的，它依据什么线索，又在什么意义上是“专门为语言”的。
历史脉络：从阅读机失败到范畴感知
二十世纪四五十年代，哈斯金斯实验室（Haskins Laboratories）的研究者想为盲人制造阅读机：把文字转成一串声音信号，让人“听读”。他们很快发现，任意拼凑的声学符号无论怎么训练都难以流畅识别——言语不是随便什么声音都能替代的编码。这个工程失败直接催生了一个科学问题：语音里到底什么是不变量？
1957 年，利伯曼（Alvin Liberman）和同事用“模式回放”（Pattern Playback）语音合成器做出一组音节：只让第二共振峰的起始频率等步长变化，形成从 /b/ 经 /d/ 到 /g/ 的声学连续统。听者的识别曲线不是渐变的斜坡，而是在某个位置陡然翻转；更关键的是辨别实验（ABX）：跨越范畴边界的两音容易被区分，落在同一范畴内的两音即使物理差距相同也很难分开。这就是范畴感知（categorical perception）的经典操作定义：识别函数陡峭，辨别峰值落在范畴边界上。
十年后，利伯曼等人在 1967 年的综述《言语码的感知》（Perception of the Speech Code）中把这些结果系统化，提出言语感知运动理论（motor theory）：听者感知语音的对象不是声学信号本身，而是产生这些信号的发音动作——你听到 /ba/，是因为你的感知系统“反推”出了双唇闭合再放开这个姿态。这一理论影响了此后半个世纪的争论。
核心机制一：VOT 与范畴边界
最干净的范畴感知例子是嗓音起始时间（voice onset time, VOT）。发 /pa/ 时，双唇爆破后声带要延迟几十毫秒才开始振动；发 /ba/ 时，声带几乎与爆破同时启动。用合成语音把这段延迟从零毫秒逐步加大，听者会在某一延迟附近从清一色的“ba”翻转为清一色的“pa”。利斯科与艾布拉姆森（Lisker & Abramson, 1964）对多种语言的跨语言测量表明，不同语言把范畴边界放在 VOT 连续统的不同位置——英语一个边界，泰语三个范畴，西班牙语边界偏向短延迟一侧。范畴不是声学给的，是语言给的。
婴儿研究的发现把问题推向纵深。艾马斯等人（Eimas et al., 1971）用高振幅吸吮范式测量一至四个月大的婴儿，发现婴儿对跨越英语 /ba/-/pa/ 边界的 VOT 变化敏感，对范畴内同等大小的变化不敏感。这个结果最初被解读为人类天生带有语音范畴。后来的工作把图景改得更细腻：沃克等人（Werker & Tees, 1984）发现六个月前的婴儿能分辨母语中不存在的对立（如印地语的舌尖后音对立），到一岁左右这种能力在缺乏输入的情况下显著下降。起点是开放的听觉敏感性，经验把它雕刻成特定语言的范畴系统——先天提供的是可塑性，不是成品。
核心机制二：没有不变量，感知靠补偿
范畴感知解释了“离散从哪来”，但另一个难题同样深刻：协同发音（coarticulation）。发音器官不会等你发完一个音再动，/d/ 在 /di/ 和 /du/ 里的共振峰走向完全不同——声学上几乎没有一段固定的“/d/”。信号里没有不变量，听者却听得稳定，怎么办？
答案是感知系统在做补偿。曼恩（Mann, 1980）的经典实验：同一个 /da/-/ga/ 连续统，前面接 /al/ 时听者报告更多“ga”，前面接 /ar/ 时报告更多“da”。感知把前一个音对后一个音的声学影响“扣除”了——这正是运动理论预言的行为：感知参照发音姿态，而不是声学表面。但故事在此分叉：洛托等人（Lotto, Kluender & Holt, 1997）发现日本鹌鹑经过训练后也表现出类似的对比效应。鸟类没有人类的发音姿态知识，这说明至少部分“补偿”可以由一般的听觉对比机制完成，无需诉诸发音系统。已确证的是效应本身，有争议的是它的机制归属。
核心机制三：眼睛也参与“听”——麦格克效应
1976 年，麦格克与麦克唐纳（McGurk & MacDonald）在《自然》发表了一个令人不安的演示：把一个说 /ba/ 的声音配在一个发 /ga/ 的口型画面上，大量听者报告听到的是 /da/——一个两个通道里都不存在的音。视听信息在知觉层面融合，产生第三种知觉，而且知道原理也无法靠意志力消除。
麦格克效应颠覆了“言语感知是纯听觉过程”的假设。读唇在噪音中显著提升可懂度，面对面交谈的感知鲁棒性远高于电话。这为运动理论的支持者提供了弹药（你看见的是发音动作），但视听整合本身并不预设运动机制——贝叶斯式的多感觉线索整合同样能解释：大脑把听觉和视觉当作同一事件的两个噪声观测，按可靠性加权合并。今天的共识更接近后者：整合是事实，机制仍有多种竞争模型。
核心机制四：大脑里的两条通路
神经证据把感知问题放进了脑结构。希科克与波佩尔（Hickok & Poeppel, 2007）综合失语症和脑成像研究，提出言语加工的双重流模型，与视觉系统的“是什么/在哪里”分工同构：
- 腹侧流（ventral stream）偏双侧分布，把声音映射到意义，负责语音识别与理解；
- 背侧流（dorsal stream）偏左半球，把声音映射到发音动作，负责感觉—运动整合，支撑跟读、复述和学习新词的发音。
这个模型的妙处在于它给运动理论之争提供了一个折中出口：发音运动表征确实参与言语加工（背侧流），但主要负责理解的是不经过运动系统的通路（腹侧流）。运动理论说“没有动作表征就没有感知”是错的；纯听觉理论说“运动系统与感知无关”同样站不住。需要说明，双重流是得到广泛采用的工作框架，不是已盖棺的解剖定论——各区域的精确分工、句法加工的归属仍在修订中。
争议与边界：运动理论 vs 听觉理论
还要纠正一个教科书式的过度简化：范畴感知从来不是“范畴内完全听不出差别”。从利伯曼最初的实验起，范畴内的辨别成绩就高于随机水平，只是显著低于跨范畴的辨别。后来的研究因此把范畴感知描述为一种梯度效应：范畴中心像磁石一样把邻近刺激拉向自己，边界附近差别被放大，但声学细节并未被完全丢弃——听者的语音记忆确实保留了说话人音色、语速这类“理论上多余”的信息。把范畴感知讲成全有全无，是把 1957 年的理想化模型当成了最终结论。
把半个世纪的争论压缩成一句话：感知语音的对象是发音姿态还是声音本身？运动理论（Liberman & Mattingly, 1985 修订版）主张前者，依据是范畴感知、补偿效应和声学不变量的缺失；听觉理论主张后者，依据是一般听觉机制能复现许多关键现象（鹌鹑实验、非语音连续统上的类似范畴化）、以及不理解也能分辨语音的事实。
行为层面，计算模型给出了另一条路径：TRACE 模型（McClelland & Elman, 1986）用词与音位之间的双向激活竞争模拟实时识别，说明许多“特殊”效应可以从一般的交互激活原则涌现，不必假设专门的言语模块。诺里斯等人（Norris, McQueen & Cutler, 2000）则反过来论证词汇层对音位层的反馈并非必需。这场争论至今没有终审判决，但它划定了一个可靠的工作区：感知是多线索、概率性、受经验调谐的，无论最终机制归谁。
噪音中的言语是另一处边界。切里（Cherry, 1953）用双耳分听开创了鸡尾酒会问题研究：人如何在一屋子的谈话中锁定一个声音。通常强调的是注意的分离功能，但另一面同样重要——在噪音里，听者利用视觉线索、语境预测和范畴知识“补全”被掩蔽的片段，感知表现得像概率推断而非声学解码。电话线上的语音工程、助听设备、语音识别的前端设计，都建立在对这套机制的理解上。
为什么今天仍然重要：二语感知是活证据
这套理论最直接的日常后果是：成年人学外语，首先卡在耳朵而不是嘴。日语的音系里没有 /r/ 与 /l/ 的对立——两者都映射到日语的闪音。后藤（Goto, 1971）发现日语母语者连分辨自己录下的 /r/、/l/ 发音都很困难；宫胁等人（Miyawaki et al., 1975）进一步发现，日语听者在 /r/-/l/ 合成连续统上没有范畴边界式的辨别峰，而英语听者有。有趣的是，当同样的声学材料只保留第三共振峰过渡、听起来不像语音时，日语听者的辨别能力恢复了——困难不在听觉硬件，而在母语音系对信号的过滤方式。
感知重组在婴儿期完成第一轮雕刻，但并未封死。高强度、以范畴分布为目标的知觉训练能重塑成人的范畴边界——这正是知觉学习研究反哺语言教学的地方。反过来说，二语感知的难点是验证整个理论框架的天然实验场：范畴是学来的，声学线索的权重是语言特定的，而感知系统的可塑性有真实的限度。
跨域连接
- 波与声学：言语感知的全部困难都从声学的连续性开始——共振峰过渡平滑渐变，VOT 是一个以毫秒计的连续延迟，信号里不存在任何一条天然的“范畴分界线”。范畴边界是感知系统外加的，这是声学测量反复确认、也是最容易被日常直觉忽略的一点。
- 信号处理：鸡尾酒会问题在工程上叫盲源分离，但人类听者的解法远超分离：大脑用视觉、语境和范畴知识对被掩蔽的信号做概率补全，而不是等待一个干净的声学输入。语音增强算法与助听器设计至今仍在追赶这套策略。
- 声学语音学：声学语音学负责刻画信号里有什么线索，言语感知回答听者实际用了哪些。VOT 连续统实验是两边的接口：声学上均匀变化的延迟，在感知端变成陡然的范畴翻转——测量连续性与知觉离散性的对照，正是这门学科的立身之本。
- 第二语言习得：日语母语者的 /r/-/l/ 困难证明二语学习的第一个瓶颈是感知而非发音——母语音系在婴儿期就完成了对声学空间的切割，成年学习者是在一套已切好的范畴地图上工作。知觉训练之所以有效，是因为它直接改地图，而不是只练发音。
- 语言、脑与失语症：双重流模型把行为层面的运动理论之争翻译成了解剖语言：腹侧流管“听懂”，背侧流管“对得上发音动作”。失语症与脑成像证据各自约束模型，也提醒我们框架仍在修订，不可把通路图当作定论。
参考文献
- Liberman, A. M., Harris, K. S., Hoffman, H. S., & Griffith, B. C. “The Discrimination of Speech Sounds within and across Phoneme Boundaries.” Journal of Experimental Psychology 54 (1957).
- Liberman, A. M., Cooper, F. S., Shankweiler, D. P., & Studdert-Kennedy, M. “Perception of the Speech Code.” Psychological Review 74 (1967): 431–461.
- McGurk, H., & MacDonald, J. “Hearing Lips and Seeing Voices.” Nature 264 (1976): 746–748.
- Hickok, G., & Poeppel, D. “The Cortical Organization of Speech Processing.” Nature Reviews Neuroscience 8 (2007): 393–402.
- Eimas, P. D., Siqueland, E. R., Jusczyk, P., & Vigorito, J. “Speech Perception in Infants.” Science 171 (1971): 303–306.
- Miyawaki, K., Strange, W., Verbrugge, R., Liberman, A. M., Jenkins, J. J., & Fujimura, O. “An Effect of Linguistic Experience: The Discrimination of [r] and [l] by Native Speakers of Japanese and English.” Perception & Psychophysics 18 (1975).
延伸阅读
- Liberman, A. M. Speech: A Special Code. MIT Press, 1996.
- Holt, L. L., & Lotto, A. J. “Speech Perception as Categorization.” Attention, Perception, & Psychophysics 72 (2010).
- Hickok, G. The Myth of Mirror Neurons. W. W. Norton, 2014.（关于运动理论与背侧流的批判性重估）