嗓音起始时间：连续气流怎样被切成清浊

破除误解#

声学测量链的总览见 声学语音学。本篇只把 VOT 这一个对象剖开：它怎样被定义、怎样被跨语言比较、怎样进入知觉实验，以及它不能单独证明什么。

对象：一段可重复的时间差#

塞音有一段口腔闭合。除阻时压力释放，频谱图上常出现短暂的冲直条或噪声爆发。若声带在除阻之前已经振动，VOT 为负值，称为先浊；若振动从除阻后很短的时间开始，是短时延；若除阻后还有一段送气，振动来得更晚，是长时延。这三类不是三种“天生的音”，是一条时间轴上的三个常用区间。

利斯克与艾布拉姆森一九六四年在 Word 比较十一种语言词首塞音的 VOT。他们没有先发明普遍清浊，而是先画出每种语言的分布。有的语言区分负值与短正值，有的区分短正值与长正值，有的三者都用。英语词首的 /b d g/ 常常落在短正值，而不是教科书漫画里的“声带一开始就振”。把英语的短/长分界交给所有语言，会把泰语的三向对立压扁成两向。

测量必须固定：词首还是词中、重读与否、后面跟着哪个元音、语速、录音设备。部位也会推时延：软腭除阻往往比双唇更长。跨语言比较若混用词中浊化和词首送气，比的不是同一对象。音位 对立要看分布是否分开，以及听者是否沿该分界做判断，而不是看某一个英语阈值。

边界定义与时长测量的一般困难相同。周期性从哪一周期算“开始”、冲直条取峰值还是能量起点，都会移动几个毫秒。几个毫秒在短时延附近足以把样本推进另一类。因此报告 VOT 必须同时报告：软件、窗、是否手工修正、排除了哪些残破样本。漂亮的直方图若删掉了所有气声，描述的是清洁样本，不是那种语言。

知觉：连续刺激怎样被听成两类#

把 VOT 做成从负值到长正值的合成连续统，请听者贴标签，曲线常在某一点变陡。再做辨别：只在标签边界两侧的对子容易被分开，边界内侧的对子更难。这种 identification 与 discrimination 的配合，被称作范畴知觉的一种表现。它说明：听者可以沿时间差建立相对稳定的分界。它不说明：分界是声带的硬件开关，也不说明：只有两个物理状态。

分界随语言经验移动。英语听者与泰语听者不会把同一条连续统切在同一处。婴儿研究后来表明，对某些语音对立的敏感性会随所听语言收窄；这不能倒推成“出生时带着英语 VOT 边界”。任务也在切：迫选两个音位标签，和请人判断“是否同音”，会给出不同的陡峭度。言语感知 把归一化、语境和词汇都算进同一条判断；VOT 只是线索之一。

部位、基频、除阻频谱和后接元音的共振峰过渡会与 VOT 一起走。单独把 VOT 调到英语的长时延，若其他线索仍像浊音，听者不一定改口。声学图上“看起来分开”不保证听者使用该差异。产出测量必须与知觉实验互相约束，否则直方图只是研究者的分类癖。

利斯克与艾布拉姆森自己也强调：VOT 不是塞音清浊的全部。先浊语言里，闭合期的嗓音能量、降基频和时长都可能分担对立。把 VOT 写成唯一身份证，是图方便。方便在英语词首送气对立上几乎够用；在跨语言样本上会系统性地说错。

统计与自动标注的陷阱#

每位说话人多个词、每个词由多人产生。把所有毫秒当独立样本，会低估不确定性，也会把个别说话人的习惯写成语言事实。混合效应模型可以同时留下说话者与项目。探索许多切分点之后只报告“显著”的那一个，会放大偶然边界。切分点应在看见结果前尽量规定，或完整报告探索。

强制对齐和自动语音识别可以给大语料打上除阻与嗓音点。错误会集中在气声、障碍言语、儿童和高基频说话者——往往正是研究最关心的变体。自动标注必须抽样人工核验，并按群体报告误差。不得因为某套模型只支持英语词首塞音，就把其他语言排除出“可分析的清浊”。实验语言学 把对照与排除标准写成设计的一部分；VOT 研究若把排除留给软件默认，设计已经在测量之前结束了。

电话通道、视频会议压缩和自动增益会切掉擦音能量，也会让冲直条变钝。用这些录音比较谱重心已经危险；比较几个毫秒的 VOT 更危险。采集条件必须进入方法，而不是只出现在致谢里的设备品牌。

争议与边界#

第一场争论是：VOT 该不该继续当跨语言塞音的第一尺子。有用，但不完备。有的对立主要靠闭合时长、嗓音能量或声调协同。坚持只报 VOT，会让那些语言看起来“测量失败”，其实是尺子选错。

第二场争论是范畴知觉的理论地位。陡峭的标签曲线可以来自决策，而不必来自早期听觉的硬切割。实验要声明任务、刺激是否自然、是否提供词汇。把实验室里的两类标签写成“大脑只听得到两类”，是把任务效应写成神经解剖。月龄被试的习惯化恢复如何被写成证据，见 婴儿范畴知觉。

第三道边界是司法与身份。VOT 分布带有说话者习惯，但不能从几个毫秒推出身份，更不能写成操作用于识别的配方。本篇停留在语言对立与测量链，不讨论如何把录音当成个人指纹。

不能从“我们测了 VOT”推出已经理解清浊。要核对的是：边界定义、跨语言分布、知觉分界是否被独立检验、自动标注的误差落在谁身上。四问缺一，直方图是插图。

为什么今天仍然重要#

低资源语音技术、二语教学和临床评估都在调用 VOT：有的系统用它当清浊特征，有的矫治用它当进度。调用之前必须声明：这是哪一种语言的哪一种对立，测量链是否还连着除阻与嗓音的同一套定义。把英语词首送气的阈值写进全球模型，会把先浊语言判成错误，再把错误写成数据。

对读者而言，VOT 把一句听起来像生理的话改写成可检查的操作：时间差如何定义、分布如何分开、听者是否沿该分界判断。检查这三句，比记住“浊音声带先振”更接近语音学实际在做的事。

泰语常被用作三向对立的课堂标本：先浊、不送气清音、送气清音落在时间轴的不同区间。标本有用，因为它打破“清浊只有两格”的漫画；标本也会被用过头——不是每种语言都按泰语的三格来切，部位和声调还会把格的边缘推走。跨语言综述必须把每一种语言的分布画出来，而不是把泰语的格当成字母表。

词中浊化是另一条容易与词首 VOT 混用的对象。英语词中 /t/ 在某些元音之间会变成拍音，VOT 不再是主要尺子。用词中样本去检验词首理论，对象已经换了。论文方法若只写“塞音”，没写位置，后来者无法重做。

二语学习者的 VOT 会停在两套分布之间。教学若只给“把声带提前打开”的口令，没有给出除阻与嗓音点如何被看见，口令无法被核验。临床评估同样：进步必须能在同一套边界定义下重测。换软件、换标注员而不报告，前后差异可能只是定义漂移。

合成连续统的优点是可随机分配；代价是失去自然除阻的频谱细节。自然句的优点是生态；代价是除阻点更难画。两种材料回答不同的问题。把实验室陡峭曲线直接写成街头听辨，是把材料效应写成语言能力。

部位会推动同一语言内部的 VOT 格子。双唇、齿龈、软腭的除阻频谱不同，声道恢复气流的时间也不同；不少语言里软腭塞音的正 VOT 更长。把所有部位混进一张直方图再切一刀，刀口会落在没有人实际使用的平均舌头上。跨语言比较若只报“该语言塞音的 VOT”，没报部位与元音环境，后来者无法判断两类分开的是对立还是解剖。方法节必须把格子画在真实的条件上。

先浊段的标注是负 VOT 最容易被软件改写的地方。低频周期性能量弱、与环境噪声重叠、或被高通滤波切掉时，自动嗓音点会跳到除阻之后，负值变成短正值。论文若只给自动标注的均值，不报告多少个点被改成了人工、改动的方向是什么，先浊语言会被画成“其实也是短时延”。对象包括被改掉的点，不只包括留下来的平均数。电话通道与压缩编码会再切一层冲直条，把除阻点本身变糊；用通话录音去复制实验室对立，必须先声明通道。

范畴知觉实验还有一条常被省略的对照：听者对非言语的同样时延连续统怎么切。如果他们对咔嗒与嗡声的时延也切得很陡，陡可能来自一般的时间分辨，而不是音系范畴。如果只在语音连续统上陡，才更接近“这种对立被当成了类别”。没有这条对照，陡峭曲线可以同时支持几种理论。实验要报告的是曲线在哪一种材料上变陡，而不是只给一张好看的 S 形。

说话速率会把整条时间轴压缩。快语速里，送气清音的正 VOT 变短，看起来更像不送气；慢语速里，短正值被拉长，看起来更像送气。只报毫秒、不报该句的节拍，跨语言表会把语速差写成音系差。归一化——除以元音时长或闭塞时长——不是装饰，是让不同说话人、不同任务还能被放进同一张图。论文若拒绝归一化，必须说明样本的语速已经被控制；两者都不做，分布不能被当成对立的证据。儿童与成人的声道不同，同一套毫秒阈值会把解剖差写成习得差。发展研究必须按年龄段分别给分布，或明确声明已经做了与声道相关的归一。把成人词首的英语分界写进儿童评估表，看起来像进度，其实是用错了尺子。尺子错了，进步和退步都会被写进同一张不该存在的成绩单。成绩单看起来很科学，因为它带毫秒；毫秒测的若不是这个对立，数字只是装饰。

跨域连接#

• 概率：VOT 是一条连续量上的分布，不是两个开关。音系范畴若要站得住，必须说明两类在时间轴上如何分开，以及重叠被怎样处理。没有分布，阈值只是一条画在平均数上的愿望。重叠不是测量失败，它是范畴作为概率对象时必须被写进理论的部分。
• 假设检验：跨语言“有没有这个对立”，检验的是分布是否可区分，不是某次录音的点值。先看见分开再选择切分点，破坏的是检验与设计的对应。切分点应在看直方图之前规定，或把探索完整公开。
• 信号处理：除阻与嗓音点是短时能量和周期性检测的产物。窗长、阈值和清浊检测器的训练数据，都会移动几个毫秒。对象包括算法，不只包括声带。默认按钮给出的点，是某次训练的平均耳朵，不是这种语言的音系。
• 实验与准实验：范畴知觉把连续统切成可随机分配的刺激。没有对照的“母语者都这样听”，分不清语言经验、任务和材料。实验要声明刺激如何生成，而不是只报曲线陡。
• 认识论：测量定义决定什么能被当成清浊的证据。被排除的气声、被软件平滑掉的先浊、被电话通道切掉的冲直条，都会改变理论能声称知道什么。定义不是事后装饰，是证据资格。一张没有排除规则的表，不知道自己看见了谁。

参考文献#

• Lisker, Leigh & Abramson, Arthur S. "A Cross-Language Study of Voicing in Initial Stops: Acoustical Measurements." Word 20(3) (1964): 384–422.
• Abramson, Arthur S. & Lisker, Leigh. "Voice-timing perception in Spanish word-initial stops." Journal of Phonetics 1 (1973): 1–8.
• Liberman, Alvin M., Harris, Katherine Safford, Hoffman, Howard S. & Griffith, Belver C. "The Discrimination of Speech Sounds Within and Across Phoneme Boundaries." Journal of Experimental Psychology 54(5) (1957): 358–368.
• Cho, Taehong & Ladefoged, Peter. "Variation and universals in VOT: evidence from 18 languages." Journal of Phonetics 27(2) (1999): 207–229.
• 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#

• Keating, Patricia A. "Phonetic and phonological representation of stop consonant voicing." Language 60(2) (1984): 286–319.
• 朱晓农：《语音学》，商务印书馆，相关章节对清浊与气声的讨论.
• Abramson, Arthur S. & Whalen, D. H. "Voice Onset Time (VOT) at 50: Theoretical and practical issues in measuring voicing distinctions." Journal of Phonetics 63 (2017): 75–86.