基于DTW距離的普通話兒化音變差異分析

段嘉華 冉啟斌 梁煜珠 許可

摘? 要：為了量化兒化音變對音節的改變量，基于動態時間規整算法，計算漢語普通話兒化音節音變前后最小對立對之內的聲學距離（EX）、重復同一未發生兒化音變音節之間的距離（NIN）和重復同一兒化音節之間的距離（EIN），并將EX距離與NIN、EIN距離的差值EX-NIN、EX-EIN作為衡量兒化音變對聲學距離改變量的參數。結果表明，EX距離顯著大于NIN距離和EIN距離。不同發音人兒化音變改變量之間具有一定的人際差異。從不同詞項、未兒化韻母和兒化韻的角度來看，均能得出拼合型兒化韻音變量總體大于融合型音變量的結論。其中，[i]-[i?r]的兒化改變量顯著大于其他元音。在兒化音節屬于不同聲調時，上聲時長最長，因此兒化音變量最大；去聲時長最短，所以兒化改變量最小。單音節詞的兒化音變改變量顯著大于雙音節詞的改變量。性別與框架句對兒化音變改變并沒有顯著影響。

關鍵詞：兒化；普通話；聲學距離；動態時間規整算法

一、引言

總的來說，普通話兒化音變是一個綜合復雜的過程。李思敬認為，[?]兒系字韻母是一個復合元音[1]（P103）。王理嘉、賀寧基則認為，北兒化韻的卷舌成分并不是一個在時間序列上單獨存在的音素成分，而是貫穿于整個韻母的一種卷舌色彩[2]（P36）。劉新中等從發音生理角度出發，認為兒化的實質是一個音節中主要元音卷舌帶來的兒音音色[3]（P90）。

在聲學上，一個元音最重要的特征就是第一、第二共振峰，兒化卷舌的動作使元音第三共振峰降低，從而靠近第二共振峰，因此，F2-F3的間距就是兒化色彩的重要聲學特征。如果卷舌動作的舌頭形狀使聲腔分出三個部分，則F2與F3相對靠近；如果只有兩個聲腔，則距離較大。

關于兒化的分類，王理嘉、賀寧基根據聽感和聲學實驗，以及韻母兒化后的實際發音，將北京話的兒化分為[ar]、[?r]、[ur]和[?r]四類[2]（P39）。如果按照鮑懷翹將[?r]類歸并入[?r]類的做法，則可以分為三類，與舌尖上翹最高位置的類型一致[4]（P106）。李思敬將兒化韻分為兩個大類：一種是拼合型，一種是化合型[1]（P112-137）。石鋒在李、王、賀的基礎上，將兒化韻依聲學表現分為三類：拼合型、融合型和鼻化型，其中，鼻化型是與拼合、融合共現的鼻化形式[5]。拼合型發音是卷舌動作接續在主元音之后，融合型發音是卷舌動作與音節主元音同時開始。本文主要是基于王理嘉、賀寧基（以下簡稱“王賀類”）和石鋒（以下稱“石類”）對兒化韻的分類而展開的。

本實驗旨在研究普通話音節在兒化音變前后的差異度，力圖探究兒化音節音變前后的聲學距離（Acoustic Distance）。關于漢語語音聲學距離的測量，陳賽界定了漢語聲母間的聲學距離為各類聲母間的類間距離，各聲母樣本間的聲學距離為各樣本間的類內距離，將每一個聲母樣本的所有幀的6種時域特征向量相加再除以幀數，得到的特征向量作為該聲母樣本的聲學描述，并對歸一化后的聲學特征計算類間和類內的距離[6]（P14-19）。Mielke采用了DTW算法，計算了58個音素之間的聲學距離，并使用鄰接樹（Neighbor-Joining Tree）法、主成分（Principal Components）分析法，繪制了58個音素的分類及分布情況[7]。Kelley等學者則比較了詞匯的DTW聲學距離與語音鄰域密度在量化語音詞匯差異上的效果，認為聲學距離比語音鄰域密度更能描述詞匯對比的效果，更傾向于使用聲學差異性而非語音鄰域密度來描述詞匯差異[8]。

動態時間規整（Dynamic Time Warping，簡稱“DTW”）算法，將兩個聲音文件看作同等長度，把聲音波形轉換為梅爾頻率譜，尋找兩個聲音之間的最短路徑，從而得到它們之間的距離。DTW算法主要適用于數個音素組成的語音片段之間或單個詞之間的距離計算。本實驗選擇DTW算法，主要在于量化兒化這一音變對音節改變所產生的影響，并從中發現一些影響因素，同時，排除人為因素的介入，從更加客觀的聲學角度出發來進行計算。目前的語音處理領域中，計算語音相似度的主流算法主要是基于神經網絡模型，如RNN、CNN等，或者是一些統計模型，如GMM、SVM等。這些方法都取得了不錯的效果，但是這些模型不僅需要前期大量數據的輸入以獲得訓練，還需要人為的篩選分類等數據處理工作，這樣就會有失客觀，并且與音變量化的目標有一定距離[9]（P42-53）。

本文所研究的“聲學距離”，就是基于不同音頻MFCC特征的并采用DTW算法計算的數值結果，通過這種方法，來量化兒化音變對未發生兒化音變音節的改變量。DTW算法在語音距離計算方面得到了一系列應用。冉啟斌采用DTW算法來計算不同語言之間詞匯的聲學距離，并將其作為一種語言分類的方法[10]；韓璐璐、王鴻宇、梁煜珠分別采用DTW距離計算漢語普通話聲母、韻母、聲調的距離，并在此基礎上用作一種聚類分類的手段[11]-[13]。

二、實驗設計

（一）實驗對象與材料

本實驗共有10名發音人，5名男性，5名女性，均為南開大學在校學生。年齡在21到25歲之間，平均年齡為23歲。為了保證發音人的普通話標準程度，選取的發音人均為北方官話母語者，并且從小學開始就受到良好的普通話教育。其中，3名來自山東省，2名來自遼寧省，其他分別來自天津、黑龍江、河北、河南、山西各地。

本實驗的研究對象為普通話兒化音節與非兒化音節之間的距離。語料選擇均為普通話中實際存在的詞，通過兒化音變使一個詞的意義改變，形成音變前后只有單一變化的音節對立對（最小對立對），如“蓋—蓋兒”，以保證音節對立對的聲韻調中只有兒化的音變，沒有其他的變量。

雖然普通話的所有音節都可以兒化音變，但在詞匯層面只依靠兒化來區別意義的最小對比對在普通話中并不多。在本實驗的語料中，共涉及到17種聲母、22種非兒化韻母、14種兒化韻母。聲母中的發音方法涉及到塞音、擦音、塞擦音、鼻音、邊音，普通話中的發音部位從雙唇到軟腭音都有覆蓋；韻母則涉及到單元音、二合元音、三合元音，鼻韻尾和非鼻韻尾，前元音與后元音、高元音和低元音、圓唇元音和非圓唇元音都有覆蓋。從王賀類的角度來看，語料中則包含了這四種兒化韻；從石類分法來看，三種類型也均出現在語料中。

本實驗設計的語料中有單音節詞和雙音節詞兩種。為了自然地呈現音變的特征，除了每個詞的單獨發音外，還將每個詞都放入“我讀～這個詞”的框架句內。為了降低發音狀態對發音聲學特征的影響，每個詞均出現3次，并且所有的詞在錄音時隨機顯示。因此，本實驗共有40個對立對，由于每對2個詞，實際上共有80個詞。每個詞包含單獨發音和出現在框架句內兩種情況，共160個不同發音單元，每個發音單元出現3次，最終每名發音人有480次發音，10名發音人共有4800個原始音頻文件。

本實驗中，非兒化詞與兒化詞最小對立對語料，具體如表1所示：

本試驗中，目標音節的聲母、兒化前韻母、兒化后韻母、兩種兒化分類以及聲調的情況，具體如表2所示。其中，普通話四個聲調分別用“T1、T2、T3、T4”表示，零聲母用“j”表示。

（二）實驗材料與方法

在南開大學語音實驗室中，利用電腦外接電容麥克風，并使用“北語錄音（byly）”軟件進行錄音。聲音保存格式為.wav，采樣率為44100Hz，存儲位數是16位，單聲道錄制。錄音結束后，使用Praat腳本對聲音材料進行處理。首先進行人工標注，然后切出目標音節，分別在每名發音人各自的樣本集中，計算每個音節對立對內兩兩之間的聲學（DTW）距離，標記為“EX”。無框架和加上框架句的同一對音節分開計算，不同框架句條件的音頻沒有交叉計算。為了比較兒化音變對聲學距離的改變量，同時還計算了同一個發音人同一個詞的目標音節在音變前重復三遍之間的距離，標記為“NIN”；以及同一個發音人同一個詞的目標音節在音變后重復三遍之間的距離，標記為“EIN”，并將它們作為參考值。EX距離與NIN距離的差值EX-NIN、EX距離與EIN距離的差值EX-EIN，均可以作為衡量兒化音變對聲學距離改變量的參數，并把EX-NIN與EX-EIN之和的平均值定義為兒化音變改變量。

兒化距離計算的單位是整個目標音節。DTW可以對不同音段進行動態規整，用于衡量不同長度的時間序列之間的相似度，能夠有效解決錄音過程中實際音段長度不等的問題。計算的結果使用R語言tidyverse包等進行基本的數據處理，并生成相應的折線圖。將距離結果與多種分類變量相聯系，考察不同分類變量數據是否存在顯著差異。

三、結果與分析

關于EX距離，10名發音人的總體平均值約為135，總體的標準差為35，最小值52，最大值342。關于NIN距離，10名發音人的總體平均值約為77，標準差為16，最小值35，最大值187。關于EIN距離，10名發音人的總體平均值約為80，標準差為17，最小值41，最大值286。總體兒化音變改變量（EX-NIN與EX-EIN之和的平均值）為57。EX距離顯著大于NIN和EIN距離，從標準差和最大值情況來看，NIN和EIN距離的離散程度相對較小、數值更加穩定。這可能是由于EX距離主要是由兒化音變產生的，而音變又會增加音頻聲學表現的不穩定性。

我們對10名發音人兒化音變的距離數據進行了統計，具體如圖1所示：

圖1中，發音人的命名方式為“P＋F（女）/M（男）＋編號”。其中，EX、NIN、EIN距離的平均值以及EX-NIN、EX-EIN值，采用五種不同的點線類型表示，并標出了每點的具體數值。圖1中的橫坐標為發音人，縱坐標為距離平均值及平均值差，數據以EX-NIN與EX-EIN之和的平均值從小到大依次排序。可以看出，每名發音人的NIN和EIN距離總體上相差不大，但是EX距離普遍大于前兩者，平均值差值在35～73之間。這里以EX-NIN與EX-EIN之和的平均值作為標準，評價兒化音變相對原音節的改變量，因此，發音人PF3兒化音變的改變量最小，發音人PM5的改變量最大。

我們對40個詞項的聲學距離進行了統計，具體如圖2所示：

從圖2可以看出，40個詞項的聲學距離平均值差值從7到150都有存在。比較明顯的是，不同詞的兒化音變改變量差距較大，“理”這個詞顯著大于其他詞，與最小的距離差值達到143；而其他詞的距離從7逐漸增加到97。其中，兒化韻屬于[ar]類的詞音變量分布在中高部分，兒化韻屬于[ur]類的詞音變量分布在中低部分，兒化韻屬于[?r]類的詞音變量分布比較分散。同時，[ar]類詞的距離總體大于[ur]類詞的距離，也就是說，拼合型兒化韻音變量總體大于融合型。

我們對22種未兒化韻母的聲學距離進行了統計，具體如圖3所示：

其中，a圖以王賀類填充紋理，b圖以石類填充紋理，其平均值差值在14～125之間。值得注意的是，[i]這個韻母的兒化改變量顯著大于其他韻母，與最小的距離差值達到了111，呈現出一種明顯的二分趨勢；其他韻母的距離從14逐漸增加到73。兒化后為[ar]類的韻母呈現兩分的態勢，其中，無韻尾的[a]、[ia]、[ua]元音音變量最小，有韻尾的元音音變量較大；兒化后為[ur]類的韻母音變量較??；兒化后為[?r]類的韻母音變量則呈現分散的局面。以石類來觀察，拼合型音變量總體大于融合型的音變量，融合型中的[ou]、[?]兩個韻母比較特殊，音變量較其他的元音稍大。

我們對14種兒化韻母的聲學距離進行了統計，具體如圖4所示：

其中，a圖以王賀類填充紋理，b圖以石類填充紋理，其平均值差值在27～125之間。值得注意的是，[i?r]這個韻母的兒化改變量顯著大于其他的韻母，與最小的距離差值達到了98，也具有明顯的二分趨勢；其他韻母的距離從27逐漸增加到73。[?r]類兒化韻音變量總體大于[ur]類兒化韻音變量，[ar]類兒化韻呈現分散的局面。以石類來觀察，拼合型音變量普遍大于融合型音變量，融合型中的[our]、[?r]兩個兒化韻音變量較其他融合型的稍大。

我們對不同聲調的聲學距離進行了統計，具體如圖5所示：

從圖5可以看出，不同聲調的聲學距離的平均值差值在49～66之間。其中，上聲的音變量最大，去聲的音變量最小。兒化程度與聲調有一定關系，據楊青、曹文的研究，陽平卷舌單音節“兒”、上聲卷舌單音節“耳”的共振峰動程較大，去聲卷舌單音節“二”相對較小[14]（P52-56）。劉新中等認為，音節的時長會強化兒化的效果，時長足夠長，停留在目標位置的時間就長，兒化的程度就被加強；時間較短，兒化的效果也就會被弱化，如去聲音節[3]（P89）。這就解釋了上聲音變量最大、去聲音變量最小的原因，即不同聲調的時長不同而影響兒化共振峰動程大小不同，上聲時長最長，因此兒化音變量最大；去聲時長最短，所以兒化改變量最小。

語料中有單音節的詞和雙音節的詞，我們也對不同音節數量的聲學距離進行了考察。研究發現，雙音節詞的平均值差值為50，單音節詞的平均值差值為62，因此，單音節詞的兒化音變改變量顯著大于雙音節詞的改變量。

我們還對不同性別的聲學距離與不同框架句有無情況的聲學距離行了考察。研究發現，男性的平均值差值為53，女性的平均值差值為60，女性的兒化音變的改變比男性的稍大，但實際上并沒有顯著差異。有框架句的平均值差值為54，無框架句的平均值差值為59，無框架句的兒化音變的改變比有框架句的要大，但兩者的差值并不明顯。因此，性別與框架句對兒化音變改變并沒有顯著影響。

四、討論

基于音變的量化數據，上文從多個語音學的角度分析了可能影響兒化音變量大小的因素，并且得到了拼合型兒化音變總體大于融合型兒化音變改變量的結論。從韻母和兒化韻角度考察時，可以明顯觀察到[i]-[i?r]的兒化改變量顯著大于其他元音，而[a]-[ar]的兒化改變量小于其他元音。從兒化的分類角度來看，就相關數據而言，王、賀的分類沒有石的分類更聚合。

（一）[i]-[i?r]兒化改變量顯著大于其他元音，[a]-[ar]兒化改變量小于其他元音

比較突出的表現是，[i]-[i?r]的兒化音變量顯著大于其他的元音，這是由于[i]元音舌位最高最前不方便直接卷舌，而要加上完整的[?r]元音來構成卷舌色彩，音節核從[i]替換為[?]，并且原來的[i]進一步弱化為一種音節首近音，因此，[i]-[i?r]的兒化音變量會非常大。同樣是發生了韻核替換的[?]-[?r]，其兒化音變量并不大，處于居中的位置，這可能是因為[?]元音的舌位及共振峰與[?]元音都很相似。

在[ar]類兒化韻中，無韻尾的[a]、[ia]、[ua]元音兒化音變量最小，其他有韻尾的[ar]類兒化韻元音音變量較大。這可能是因為無韻尾的[ia]、[ua]元音中韻頭的[i]、[u]并不是飽滿的元音，而是近似于近音，因此對整個音節的聲學距離影響不大，并且普通話元音[a]是處于舌位居中的位置，[ar]兒化韻實際上也沒有到[?r]的舌位高度，而是[?r]的位置，因此，它實際是[ɑ?]-[?r]的變化，兒化音變的改變量較小。

（二）拼合型總體大于融合型音變量，石類分法結果更聚合

結合圖2、3、4來看，[ur]類整體音變量較小，[ar]類除無韻尾的元音整體音變量偏大，[?r]類的音變情況較為離散。如果將[?r]類兒化韻、[?r]類兒化韻與[ar]類合并，就是石類中的拼合型，語料中的鼻化型也是屬于與拼合型共現的情況。如此比較，除了幾個離散在外的元音，整體上呈現出拼合型兒化韻音變量大于融合型兒化韻的音變量的結果，聚合效果更佳。由此可知，這種二分法不失為一種更強的、更本質的歸納兒化韻的方法。

石鋒指出，拼合型和融合型的區分并不是絕對的，而是一種優勢選擇的趨勢[15]（P77-90）。所有兒化韻一開始都是拼合型的，之后一部分發展到了融合型。這個過程不僅有先有后，也是因人而異的，存在一個拼合型到融合型的連續統。因此，在本實驗的語料中，[i]-[i?r]的兒化改變量顯著大于其他元音，可能是因為[i]-[i?r]兒化完全處于連續統的拼合型一端，其他拼合型的兒化韻則因人因音的緣故，也許會有一部分融合型的發音，所以音變改變量平均降低，這也證明了[i]-[i?r]兒化在兒化類型連續統上的特殊地位。

五、結語

本實驗使用DTW算法來量化兒化音變對音節的改變量。結果表明，EX距離顯著大于NIN和EIN距離；同時，相比于EX和EIN距離，NIN距離的離散程度相對較小、數值更加穩定。這可能是由于EX、EIN距離都有兒化音變的參與，而音變會使音頻的聲學表現更加不穩定和趨于多變。在現實生活中，即使是同一個人，也不可能存在兩次發音完全相同的情況，NIN距離實際上可以被認為是一種“個人隨機差異”，即同一名發音人用同樣的文本內容在不同時間下的不同發音之間的聲學距離。

總之，不同發音人兒化音變改變量之間具有一定的人際差異。從不同詞項、未兒化韻母和兒化韻的角度來看，均能得出拼合型兒化韻音變量總體大于融合型音變量的結論，其中，[i]-[i?r]的兒化改變量顯著大于其他元音。在兒化音節屬于不同聲調時，上聲時長最長，因此兒化音變量最大；去聲時長最短，所以兒化改變量最小。單音節詞的兒化音變改變量顯著大于雙音節詞的改變量。性別與框架句對兒化音變改變并沒有顯著影響。

前人研究兒化，主要是著眼于音系、詞匯或語法上念兒化的條件，探究兒化音變的聲學關聯物與兒化的感知線索。兒化作為一種復雜綜合的音變方式，各種不同的語音特征相互影響，綜合呈現為兒化音變，分析各個離散的參數特征的表現，或許會忽視了其相互之間的影響作用。本文則從計算聲學距離即頻譜差異的角度出發，將兒化音變對音節的改變量予以量化，把語音看作一個整體而相互比較，而不是把音高、音強、共振峰、諧波差、聲調等特征分離開來，這也許能為語音研究中的其他復雜綜合音變提供一種較為可行的新思路和新方法。

參考文獻：

[1]李思敬.漢語“兒”[?]音史研究[M].北京：商務印書館，1986.

[2]王理嘉，賀寧基.北京話兒化韻的聽辨實驗和聲學分析[A].林燾，王理嘉，等著.北京語音實驗錄[C].北京：北京大學出版社，1985.

[3]劉新中，梁嘉瑩，周一民.普通話兒化音色的決定因素：主要元音和鼻韻尾[J].廣東技術師范大學學報， 2022，（2）.

[4]吳宗濟，林茂燦主編.實驗語音學概要[M].北京：高等教育出版社，1989.

[5]石鋒.北京話兒化韻的聲學表現[J].南開語言學刊， 2003，（2）.

[6]陳賽.漢語聲母聲學距離與感知距離關系的研究[D].天津：天津大學碩士學位論文，2014.

[7]Mielke，J.A phonetically based metric of sound similarity[J].Lingua，2012，（2）.

[8]Kelley，M.C. & Tucker，B.V.Using acoustic distance and acoustic absement to quantify lexical competition[J].Journal of the Acoustical Society of America，2022，（2）.

[9]熊思蘭.面向認知的語言距離計算[D].哈爾濱：哈爾濱工業大學碩士學位論文，2018.

[10]冉啟斌.基于詞匯聲學距離的語言計算分類實驗[J].民族語文，2020，（3）.

[11]韓璐璐.漢語普通話聲母的聲學距離與分類[J].南開語言學刊，2021，（2）.

[12]王鴻宇.漢語普通話韻母的聲學距離分析[J].南開語言學刊，2021，（2）.

[13]梁煜珠.漢語普通話單字調的聲學距離與分類[J].南開語言學刊，2021，（2）.

[14]楊青，曹文.兒韻的構音方式和實際音值[A].李愛軍主編.中國語音學報（第七輯）[C].北京：中國社會科學出版社， 2017.

[15]石鋒.北京話兒化韻十題[A].石鋒編著.銀齡集[C].天津：南開大學出版社，2020.

An Analysis on the Difference of Vowels Rhotic Change in Mandarin Based on DTW Distance

Duan Jiahua，Ran Qibin，Ling Yuzhu，Xu Ke

（School of Literature， Nankai University， Tianjin 300071， China）

Abstract：The Dynamic Time Warping algorithm is used in this experiment， as a quantitative method， to calculate the acoustic distance within the minimal pairs before and after the rhotic change in Mandarin （EX）， the distance between repeating the same non-neutral tone syllables （NIN） and the distance between repeating the same neutral tone syllables （EIN）. In the meantime， EX-NIN distance （the difference between EX distance and NIN） and EX-EIN distance （the difference between EX distance and EIN） are used as a parameter to measure the amount of the acoustic distance of neutral tone sound change. It is shown that the EX distance is significantly greater than the NIN distance and the EIN distance. The results showed that the EX distance was significantly greater than the NIN distance and EIN distance. There were some interpersonal differences between the amount of rhotic sound change of different speakers. From the perspectives of different lexical items， non-rhotic vowels， and rhotic vowels， all of them could conclude that the overall amount of collocated rhotic sound variables was greater than the fused sound variables， in which the amount of [i]-[i?r] rhotic change was significantly greater than that of other vowels. When rhotic syllables were in different tones， the T3 tone duration was the longest， therefore， its rhotic sound variables were the largest， and the T4 duration was the shortest， therefore， its amount of rhotic change was the shortest. The amount of rhotic change was significantly greater for monosyllabic words than for bisyllabic words. Gender and frame sentences did not significantly affect rhotic change.

Key words：rhotic vowel；mandarin；acoustic distance；Dynamic Time Warping algorithm

基金項目：國家社會科學基金重大項目“中國境內語言核心詞匯聲學數據庫及計算研究”（19ZDA300）

作者簡介：1.段嘉華，男，南開大學文學院碩士研究生；

2.冉啟斌，男，南開大學文學院教授，文學博士；

3.梁煜珠，女，南開大學文學院博士研究生；

4.許? 可，女，南開大學文學院博士研究生。