语言学基本难题之一：语音处理
立 新
全自动化社会同时也是一个世界大同的社会，人们之间的基本交流无障碍，因为我们有即时翻译功能的“手机”，人和机器之间的基本交流无障碍，我们可以让机器仆人“听从”我们的指挥，哪怕你的机器仆人在千里之外。毫无疑问，这是一个令人向往的，美好的未来世界。然而要实现这一切，首先需要一套计算机理解人类话语的规则和生成人类话语的规则，有了这套规则，程序员才能将这些规则转写为计算程序，机器人才能听懂我们的话，也才能说出我们听得懂的话。
然而，要想让计算机能够听懂我们所说的话，让计算机能够说出我们能都听得懂的话，谈何容易！人类语言的复杂性远远超出了一般人的想象。
先说基本难题。
语音方面。人类的有声语言不同于动物的叫声。动物主要通过音强、音频变化和长短变化表达意义。有人说，动物的“语言”和人类语言的差别主要是动物的“语言”没有语法，而人类的语言有语法。这或许说对了一半。动物的语言不仅没有语法，它们的声音变化也没有人类语音那么复杂。而人类语音有许多非常细微的差别，例如元音前后高低等一些很小的变化，辅音中发音部位的细微变化，或者发音方法的细微变化，而这些很小的差别却可能表达了极为不同的意思。这些是所有动物所不具有的。我们可以用声音合成器模仿各种动物的叫声，并且能做到惟妙惟肖，但如果用声音合成器模仿任何人类语言，目前几乎还不可能做到“真实”。有些辅音频率极高，其间的差别很难通过机器再现来辨别。例如英语中常见的字母组合th通常发为[θ]，但是这个音用一般机器播放出来与[f]几乎没有差别，但是在自然语言中这两个音相差很大。类似的辅音有很多。如果要机器来“听辨”这种差别，是不是很难？目前的方法是根据词或短语的语音整体特征进行模型匹配。但要是让计算机来模拟人的自然语言，难度又要提高很多（目前大部分商品化的语音服务都是“录音”再现或录音片段的组合再现，而非真正意义上的计算机语音生成）。
声音的物理属性主要有音强、音长、音高和音色。这些都可能带来语义的变化，但并非所有这些属性的变化都会带来语义的变化，例如男人和女人的发声主要为音高的区别，但这些区别并不带来语义的变化，不少辅音之间的差别也表现为音色的差别，而不同人之间的语音差别也主要是音色的差别，然而人与人之间的音色差别并不区分意义。那么，哪些音高或音色的差别表现意义的差别，而哪些音高或音色的差别没有意义的差别？这对我们来说都不是问题，但是对计算机来说或许就是严重的问题。这些我们都需要给出规则来，否则计算机将无所适从。
人类语音的最小单位可以划分到音素，若干音素构成一个区别意义的集合，这就是音位。一个音位有若干音素。看起来，只要我们能把一种语言中所有的音素特征研究清楚了，我们就能根据组合规则再现一段表达某种意义的语音。如果我们真这么做了，结果一定会让你大吃一惊，因为你发现你所再现的那段语音根本不是“人话”，而是你从来没有听到过的古怪的“机器话”。为什么？因为人类语言中还存在一种“音变”现象，当一个音素与其他音素相连的时候，它们之间就会发生一种互相适应的变化，这种变化大都由生理上的经济原则所驱动。例如当我们说“面包”这个词的时候，“面”音节的最后辅音原本是n，但却因为受到后面“包”b双唇音的影响，“面”最后的n变成了m。类似的这种音变是大量的，而且无时无刻不在发生。因此，如果我们真把理论中的音素简单组合起来的话，你所听到的当然不是我们的“自然语言”了，而是一种“机器语言”。
除了以上这些，人类在语音上的表现力也是个极其复杂的问题。有些人的语音具有非常强的感染力，同样一段话，用不同的语音语调来说，有些就非常动人，甚至能让你为此而流泪，而有些就很乏味，甚至令人生厌。为什么同样一段话，仅仅是语音上的差别，就会具有如此强大的感染力？这也是语言学家所面临的难题之一。
语音还具有社会角色的定位。社会语言学家的调查表明，男人和女人不仅在声带的生理属性上有差别，而且在音色甚至音素上也有差别。例如著名的“北京女国音”就是一例。成年北京女人爱用普通话中的z、c、s来代替j、q、x，例如把“小xiao”说成“siao”，“鸡ji”说成zi。14岁以下的小女孩和老年妇女都没有。不仅在性别和年龄上，在社会地位权势关系中，语音也会有某种功能性差别表现这种权势关系。当然，这也是语言学家所要研究的难题了。
