CMU Subword Modeling | 14 Descriptive Phonetics

本文解读 CMU "Subword Modeling" (Spring 2026) 第14讲：Descriptive Phonetics。

这节课从「文字不等于语言」出发，介绍了语音学的核心框架：如何用发音部位、发音方式、浊音性等维度系统地描述人类语言中的所有语音，以及 phone 和 phoneme 的关键区别。最终落脚到 G2P（字素到音素转换）：为什么把文字层面的输入转到语音层面的表示，对多语言 NLP 很重要。

1. 文字不等于语言

在开始之前，先澄清一个很多人都会搞混的事情：文字系统（orthography）和语言本身是两码事。

你一定听过有人说「中文是最古老的语言」或者「泰米尔语是南印度最古老的语言」。其实不对------所有语言都一样古老（都是人类祖先一路传下来的），只是有些语言的书写传统比较早而已。把「有文字记录」等同于「语言的年龄」，就好比说「有身份证的人比没身份证的人年纪大」一样荒谬。

搞清楚这个区别之后，就能理解这堂课的出发点了：同一个语音，在不同语言的文字系统里写法完全不同。

比如英语 shoe 里的那个 /ʃ/ 音：

语言	写法
英语	⟨sh⟩（有时候还有 ⟨ti⟩、⟨si⟩）
德语	⟨sch⟩
法语	⟨ch⟩
苗语	⟨s⟩
葡萄牙语	⟨x⟩ 或 ⟨z⟩

同一个音，五种写法------而且这些语言用的还都是拉丁字母。如果再加上阿拉伯文、天城文、汉字这些不同的 script，情况只会更复杂。

所以问题来了：如果我们想系统地研究语音、研究文字系统跟语音之间的关系，我们需要一套不依赖于任何特定语言的、统一的标音方案。

这就是 IPA（国际音标）存在的意义。

2. Phoneme 和 Phone：功能相同 ≠ 物理相同

IPA 能区分非常细微的语音差异，但这就引出一个关键问题：区分到什么粒度才算合理？

2.1 一个让英语母语者意外的事实

英语里 "pit" 的 p 和 "spit" 的 p，物理上是不同的音。用 IPA 来写的话：

• "pit" → [pʰ]（送气）
• "spit" → [p]（不送气）

可以做个实验：把手放在嘴前面，说 "pit"，你会感到一股气流；说 "spit"，那股气流明显弱很多。物理上确实不一样。

但对英语母语者来说，这两个音「听起来一样」。为什么？因为在英语里，这两个音永远不会出现在同一个位置上互相竞争 ------[pʰ] 只出现在词头和重读音节开头，[p] 只出现在 s 后面。它们的分布（distribution）是互补的，换一个用另一个不会改变词义。

但到了普通话里，情况完全不同。普通话的 "波"（bō）是 [p]，"坡"（pō）是 [pʰ]------这两个音在同一个位置上对立，区分不同的词。

2.2 Phone、Phoneme、Allophone

这就引出三个核心概念：

• Phone（语音）：物理层面上实际发出的声音。[p] 和 [pʰ] 是两个不同的 phone。
• Phoneme（音位）：功能层面上的抽象单位。在英语里，[p] 和 [pʰ] 属于同一个 phoneme /p/。
• Allophone（音位变体）：属于同一个 phoneme 的不同 phone。[p] 和 [pʰ] 是 /p/ 的 allophone。

用一个 NLP 的类比来理解：phonemicization（音位化）本质上是一种信息压缩。 它把可预测的、冗余的变化因素给 factor out，只保留具有区分意义的对比信息（contrastive information）。

这跟做 NLP 时候的 normalization 思路其实一样------把大小写统一、把同义词映射到同一个 token，都是在做类似的压缩。只不过语音学家做的是在声学信号层面的压缩。

Mortensen 还特别提到一个有趣的事实：连语音科学的研究者有时候都会搞混 phone 和 phoneme------Interspeech 2024 的投稿指南里专门提醒作者「请正确使用 phoneme 和 phone 这两个术语」。

3. 描述一个辅音：Place × Manner × Voicing

搞清楚了 phone 和 phoneme 的区别之后，接下来的问题是：怎么系统地描述世界上所有可能的语音？

IPA 的做法是把每个辅音看成几个维度的交叉。

3.1 发音部位（Place of Articulation）

每个辅音都有一个「发音部位」------发音时声道中最窄的地方在哪。

想像把一个人的头从正中间劈开（语音学家管这叫 mid-sagittal section），你会看到从声门到嘴唇之间一系列的解剖结构。不同的音就是在这条通道的不同位置制造阻碍：

• p\]：双唇闭合 → **双唇音（bilabial）**

• k\]：舌背靠近软腭 → **软腭音（velar）**

3.2 发音方式（Manner of Articulation）

同一个部位可以用不同的方式制造声音。/t/ 和 /s/ 的发音部位相同（都是齿龈），但方式不同：

• 塞音（plosive/stop）：完全堵住气流再释放，比如 [p] [t] [k]
• 鼻音（nasal）：口腔堵住但软腭打开，气流从鼻腔出去，比如 [m] [n] [ŋ]
• 颤音（trill）：松弛闭合让气流引起振动，比如西班牙语的大舌颤音 [r]
• 闪音（tap/flap）：瞬间的一下接触，比如美式英语 water 里的 [ɾ]
• 擦音（fricative）：气流通过狭窄缝隙产生湍流，比如 [s] [f] [ʃ]
• 近音（approximant）：较松的接近，比如 [w] [j] [ɹ]
• 边音（lateral）：气流从舌头两侧通过，比如 [l]

3.3 气流机制（Airstream Mechanism）

绝大多数语音用的都是肺部呼气（pulmonic egressive）------肺把气往外推。但世界上还存在其他机制：

• 搭嘴音（click）：用舌头和软腭之间制造真空再释放，只出现在南非的一些语言（如 Xhosa）和墨西哥的一种 Nahuatl 方言里。
• 挤喉音（ejective）：声门关闭后喉头上升挤出空气。
• 内爆音（implosive）：声门关闭后喉头下降制造负压，比如越南语的 đ。

3.4 浊音和清音（Voicing）

发 [s] 的时候，声带不振动（清音/voiceless）；发 [z] 的时候，声带在振动（浊音/voiced）。把手指放在喉咙上交替发这两个音，能明显感受到区别。

但现实比「清 vs 浊」的二分法更复杂。Mortensen 引入了一个关键概念：VOT（Voice Onset Time，嗓音起始时间）。

• d\]：声带从头到尾都在振动 → 负 VOT

• tʰ\]：声带在释放很久之后才开始振动 → 正 VOT

4. 元音：高低、前后、圆唇

元音的描述方式跟辅音不同，用的是三个维度：

• 高度（height）：舌头离口腔顶部的距离。说 "beet" 时舌头位置高，说 "bat" 时低。
• 前后（backness）：舌头的最高点偏前还是偏后。"beet" 偏前，"boot" 偏后。
• 圆唇（rounding）：嘴唇是否圆起来。"boot" 有圆唇，"beet" 没有。

这三个维度构成了一个三维空间，IPA 的元音图就是这个空间的二维投影（高度 × 前后），圆唇作为附加标记。

可以做个实验来感受：先发 "beet" 的元音 [i]，然后不停嘴，慢慢滑到 "boot" 的元音 [u]。你能感到舌头在往后移，同时嘴唇在慢慢收圆。这就是你在这个三维空间里移动了一下。

5. 把所有维度做交叉积：IPA 辅音表

把 place × manner × voicing × airstream mechanism 做交叉积（cross product），去掉那些在自然语言中从未出现过的组合，就得到了完整的 IPA 辅音表。

这张表本质上就是一个高维特征空间的表格化呈现：每一行是一种 manner，每一列是一种 place，每个格子里有清/浊两个选项。每个辅音就是这个高维空间中的一个点。

这个思路其实跟做 NLP 特征工程的逻辑一样------用一组离散特征的交叉来定义一个空间，然后把每个数据点（这里是每个辅音）放进去。区别在于 IPA 的特征是语音学家手动定义的，而 embedding 的特征是模型自己学出来的。

6. 跟 NLP 的连接：G2P

这堂课配套的 Mini-Project 3 是做一个 G2P（Grapheme-to-Phoneme）系统------把文字转成语音表示。

为什么这很重要？因为：

文字是 NLP 模型实际看到的输入，但语音才是语言的本质。

文字系统充满了不规则性和歧义性。英语是出了名的拼写混乱：同一个字母在不同词里发不同的音，同一个音在不同词里用不同字母写。阿拉伯语和乌尔都语更极端------短元音在书写中根本不标出来，读者要靠上下文自己脑补。

如果 NLP 模型只看到文字层面的 token，它就被困在了文字系统的混乱里。而 G2P 可以把输入转换到一个更干净、更系统化的表示空间------语音空间。在这个空间里，语言的规律性更容易被发现。

Mortensen 还提到了一个很有意思的方向：为乌尔都语（Urdu）建 G2P。乌尔都语用波斯-阿拉伯文写，短元音不标注，所以从文字到语音是一个有歧义的解码问题。一种思路是用印地语（Hindi）的发音词典来训练一个语音层面的语言模型，因为乌尔都语和印地语其实是同一种语言（Hindustani）的两种变体，只是文字系统不同。然后用这个语言模型来对乌尔都语的 noisy 输出做解码。

这种跨文字系统但同语言的知识迁移，本质上就是在利用语音表示的跨正字法不变性。

7. 总结

概念	核心思想	跟 NLP 的关系
Orthography ≠ Language	文字只是语言的一种编码方式	tokenizer 切的是文字，不是语言本身
Phone vs Phoneme	物理声音 vs 功能单位	phonemicization ≈ 信息压缩 / normalization
Place × Manner × Voicing	用几个离散维度的交叉积定义语音空间	类似于特征工程或 discrete embedding
VOT 是连续谱	清浊不是二元开关，而是连续值	语音模型需要学连续特征而非离散标签
G2P	从文字表示转到语音表示	把输入转到更干净的表示空间，有助于下游任务

这堂课的核心 takeaway：

文字系统是语言的一件外衣，而且不同语言穿的衣服款式完全不同。如果只盯着衣服看（tokenizer 切文字），很容易被表面差异误导。脱掉这层衣服，看底下的语音结构，很多跨语言的规律就会浮出来。

IPA 就是一套帮你「脱衣服」的工具，而 G2P 就是自动化这个过程的技术。对于做多语言 NLP 的人来说，理解这一层表示------文字和语音之间的映射------可能比你想象的更有价值。