【微实验】妈妈，我的MATLAB开始学方言了!?（一）

观前排雷：

本文所涉及领域，与IT技术工作者感兴趣领域大概率不重合，而且因为基本上是语言学上的科普与探索，不讲技术难点，没有典型案例，总之，内容散漫、行啰嗦漫，慎阅，慎阅。

如果这篇文章有幸被你点进，而且你也恰好有一些闲情逸致，那么欢迎阅读下文，和扒谱机我一起探索！

前情提要——

笔者从小被家长要求讲普通话，再加上后来多年外地求学，导致连家乡话都不会说。今年八月份，在某个拥挤的地铁上，我打开了知乎，开始学起了家乡话。

1 语言学科普

1.1 声调

在最前面科普一下，与汉语是声调语言，在英法德日韩等非声调语言中，语调通常不直接辨义，更多是表达情绪、语气（如疑问用升调，陈述用降调）。而声调在汉语中不仅是语音的高低起伏形式，更是区别不同词语含义的关键要素—— 即便声母、韵母完全相同，只要声调不同，就可能代表两个或多个意义完全不同的词。这是汉语（尤其是普通话及多数方言）区别于英语、日语等非声调语言的重要特征。

单个字的声调可以有很多——除了大家比较熟知的粤语有9声6调，周边的桂南平话、玉林白话等调值较多之外，闽、湘、赣、吴也有部分4调以上的方言。在普通话里，声调一共有4种（算上轻声是5种）。小学二年级（这回是真学过）都知道的，拼音的声调有一声、二声、三声和四声（称谓叫做“阴平”、“阳平”、“上声”和“去声”），最后一种是轻声，关于它的读音，很多人都有错误读成非轻声的习惯，比如玫瑰、葡萄、名字这些词的末尾字。除了“子”字在末尾，还有好多应该读成轻声的字，考过普通话的都知道，毕竟一用普通话读，就非常想把这个字的本音读出来，然后就完美地读错——

1.2 调值

在这里我们看到了一个新概念——调值。它是将声调量化的表示方法，可以高效明确地表示调值。AI这么告诉我：

“5 度调值法” 是语言学中记录汉语声调的核心方法，由语言学家赵元任提出，它通过将声音的高低程度量化为 5 个等级（从低到高标记为 1、2、3、4、5），精准描述不同声调的 “高低起伏轨迹”，让抽象的声调变得可观察、可记录。

1.3 变调

从普通话上，最容易体会到的变调现象来自上面说的轻声。

轻声的具体读音，其实是随着前面一个字改变的，网上的资料写道：

阴平、阳平、去声之后的轻声音节音高表现为下降，调值分别为2、3、1（举例:车子 房子 稻子）； 上声之后的轻声音节音高表现为较高的平调或微升调，调值为4（举例：谷子）

当然，这种变调是不辨义的，只是人们习惯这样去读。基本上和英语的“连读”、“弱读”类似，怎样读都表达相同的意思，只不过变调读起来更加地道。当然要排除一些特殊情况，比如“老子zi”【我】和“老子zǐ”【李耳】（bushi）

曾经看过很多视频制作者们讲自己的家乡话（主要还是东北和华北的，南方差异还是有些大，大多是听不大懂的），甚至还有各种教学视频。比如说让我印象最深的是天津话，那位up主讲，每个词儿的变调方式，它还都不一样，嘛都学不明白。

照例询问了我的好朋友AI君，它的回答前面还是很中肯的，这里贴一下。

普通话与南北方方言的连读变调差异显著，核心差异体现在变调规则的 “系统性”“复杂性” 和 “覆盖范围” 上：普通话的连读变调规则高度统一、简化（以 “上声变调”“‘一、不’变调” 为核心），而方言（尤其是南方方言）的变调规则更复杂，常与声调数量、音节组合长度（双字、三字、多字）、词性甚至语境强相关，部分北方方言则在普通话基础上保留了更多地域化变调特征。

从 “特征明显度” 来看，南方方言（如吴语、粤语、闽语）的连读变调普遍更突出—— 不仅变调规则复杂，且常伴随 “声调合并”“调值大幅改变”“多字组整体变调” 等现象，部分方言（如上海话）甚至无 “本调” 与 “变调” 的明确界限，连读时几乎所有音节都需变调。北方方言中，天津话、唐山话的连读变调也极具地域特色，规则虽不如南方方言复杂，但变调后的调值辨识度极高。

普通话的连读变调（规则最系统、简化）

普通话只有 4 个基本声调（阴平 55、阳平 35、上声 214、去声 51），连读变调仅集中在上声（ˇ） 和特殊字 “一、不” 上，其他声调（阴平、阳平、去声）组合时基本不变调。

【1. 上声（214）的连读变调】

上声是普通话唯一需要系统性变调的声调，核心规则可总结为 “遇上变阳平，遇非上变半上”：

• 双字组：上声 + 上声→阳平 + 上声（前一个上声变阳平 35）
  例：
  • 雨伞（yǔ sǎn）→ 实际读 “yú sǎn”（前 “雨” 从 214 变 35，后 “伞” 保持 214）；
  • 友好（yǒu hǎo）→ 实际读 “yóu hǎo”（前 “友” 从 214 变 35）。
• 双字组：上声 + 非上声（阴平 / 阳平 / 去声）→半上（21）+ 原调（前一个上声变 “半上”，调值缩短为 21，失去末尾的 “4”）
  例：
  • 北京（běi jīng，上声 + 阴平）→ 实际读 “běi（21） jīng（55）”；
  • 河流（hé liú，阳平 + 上声）→ 后 “流” 是上声，前 “河” 是阳平（非上声），故 “流” 不变调，仍读 214；
  • 土地（tǔ dì，上声 + 去声）→ 前 “土” 从 214 变 21，读 “tǔ（21） dì（51）”。
• 三字组：上声 + 上声 + 上声→阳平 + 阳平 + 上声
  例：展览馆（zhǎn lǎn guǎn）→ 实际读 “zhán lán guǎn”（前两个上声均变阳平）。

【2. “一、不” 的变调（特殊字变调，非系统性）】

“一” 本调是阴平（yī，55），“不” 本调是去声（bù，51），连读时根据后接声调变调：

• “一” 的变调：后接去声→变阳平（35）；后接阴平 / 阳平 / 上声→变去声（51）
  例：
  • 一个（yī gè，后接去声 “个”）→ 读 “yí gè”（35+51）；
  • 一天（yī tiān，后接阴平 “天”）→ 读 “yì tiān”（51+55）；
  • 一年（yī nián，后接阳平 “年”）→ 读 “yì nián”（51+35）。
• “不” 的变调：后接去声→变阳平（35）；后接其他声调→不变调（仍读 51）
  例：
  • 不要（bù yào，后接去声 “要”）→ 读 “bú yào”（35+51）；
  • 不好（bù hǎo，后接上声 “好”）→ 仍读 “bù hǎo”（51+214）。

到后面讲唐山话的时候就……扫地变sào地，飞机→fěi机 我直接一脸懵逼。

还是看看知乎上讲的吧，这个读起来比较靠谱。

本两片的阴平、阳平后字是阴平阳平上声时，变33调，后字是去声时，变13调，在轻声前一部分不变调，轻声为0调，另一部分变13调，轻声是42调。

上声在阴平和去声前变21调，在阳平和上声前变35调，在轻声前多数不变调，轻声为0调，少数变13调，轻声是42调。

去声在阳平前变553调，在阴平、上声、去声前不变调，在轻声前变553调，轻声为0调，另有极少数全浊上声字和浊去字变13调，轻声是42调。说明:丰玉片的遵化和玉田由于距离北京较近，受北京官话影响较大，这两地的去声单字调值为51，后字轻声为0调时，前字不变调，为51调。

本片方言与芦汉片的最大区别是没有阳去调，但去声在轻声中会有极少数的全浊上声字和浊去字变13调，这与芦汉片的阳去来源相同，而这又与本片的其它去声轻声前变553有区别(主要是清去字)，证明以前也是保留阴去和阳去的，在结合芦汉片的阴平和阳平在阴去前变13调与本片的阴平阳平在去声前变13调的规律可以推断是阳去合并到阴去中了。

还有不得不说这个方言地图画得太好了。

2  梦开始的地方

决定做这个微实验，是因为我看到了这张——知乎博主自测的方言调值图。

这种调值图，其他的论文里都有提过，比如——

顾名思义，这种“”单字调值图”一般是取单字录音的，但是鉴于很多情况下人们在方言中，基本不会单独去使用一个字，这种测试虽然能够极大简化方言调研成本，但在某种程度也存在一定误差。

语言的根本功能是 “交际”，而交际依赖连贯的语流），而非孤立的单字。从语言学视角看，单字只是语言系统中 “最小音义结合体” 的抽象单位，一旦进入实际使用，必然受到前后语音、语法、语义的联动影响，因此连读变调是进一步分析的关键所在。

因此在连续语流中，考虑连读变调来进行方言的调值分析就显得尤为重要。

写到这里，怎么感觉正在出一道数学建模的题目……救命。

真是堪比一篇数学建模了。

3 实验数据采集

3.1 实验者

鉴于我本身也不怎么会说家乡话（大悲），这里考虑使用两个较为靠谱的素材进行分析，确保有较为充足的数据。

素材一：在去老家时，我使用手机录制了大约一小时的祖父母讲话音频。二老讲了一辈子丰玉片方言，绝对地道纯正。

素材二：98年唐钢春晚单口相声演员田树根先生《说方言》模仿的片段。田树根先生妙学唐山四大方言_哔哩哔哩_bilibili

（对标滨州方言采样的那篇论文里的：本次实验所选用的发音人为笔者本人，系自省式调查实验。笔者为滨州 本地人，在滨州生活二十多年，上大学前从未离开过滨州，脱离滨州生活环境的时间相对较短，讲地道 滨州话。另外，作者无语言表达或听力方面的障碍，能够准确流利地发音。本次录音，发音人只有一位， 为了尽量避免各种外界环境对发音人造成干扰，录音在连续时间段内完成。为保障录音样本的质量，在正式录音前对发音人 进行十分钟的录音培训和三十分钟的方音适应。正式录音时，发音人要用地道的滨州方言读例字，每个 例字读两遍，例字之间间隔两秒，实验最终选取效果较好的一例作为实验样本。如有错读或误读的音则需要进行重录，以此保证获取到高质量的录音数据。）

3.2 音质保证

环境略虽嘈杂，但经过降噪和人声提取后，调值能够得以保留。

（对标滨州方言采样的那篇论文里的：录音工具选用 Praat 4.2 汉化修改版录音软件，设备参数设定为采样频率 11025 赫兹、采样精度 16 位、单声道，录音文件保存格式为 “*.wav”，以此保障录音样本质量符合实验要求。）

说实话，保存格式wav还是mp3其实对调值的损失其实可以忽略不计。

关于采样频率——

根据奈奎斯特采样定理，采样频率需至少是信号中 “最高频率成分” 的 2 倍，才能完整还原原始信号（避免频率混叠）。
人类语音的核心频率范围是：

• 男性声域：约 85-180Hz（基频），频谱最高能量集中在 5000Hz 以内；
• 女性 / 儿童声域：约 165-255Hz（基频），频谱最高能量集中在 6000Hz 以内。

早期语音研究（如 2000-2010 年）中，11025Hz 是非常常用的采样频率，尤其适合单字调、元音等基础声学分析；现在的录音技术基本使用上44100Hz，比如大部分手机的录音采样频率都是这样的。

当然，换一种说法来讲，本次实验核心是 “声调基频”（而非清辅音高频噪声），11025Hz 已能完全覆盖基频的频谱范围，无需追求更高采样率造成资源浪费。

关于采样精度，AI这么说：

“现在的采样精度” 没有绝对统一值，而是根据使用场景分为不同等级，核心分为 “专业领域” 和 “消费领域”：

总之，这么看下来，一部智能手机的录音已经能够完美胜任了。

4 数据预处理

当我把上面说的【素材一】从手机转到了电脑上——

拿到了这1个多G的音频数据，感到了深深的无助与无从下手。

Praat也用不熟，于是打算让AI写一个程序自动帮忙划分音节，所以这个实验就搁置在这里了……

（未完待续）