冉啟斌， 梁煜珠， 吳丹麗

(1.南開大學(xué) 文學(xué)院，天津 300071；2.天津中醫(yī)藥大學(xué) 文化與健康傳播學(xué)院，天津 301617)

一、引 言

對(duì)語(yǔ)言進(jìn)行分類，傳統(tǒng)上一般都依據(jù)語(yǔ)言的特征進(jìn)行。分子生物學(xué)取得進(jìn)展以后，借鑒以基因距離為依據(jù)的生物學(xué)分類方法，語(yǔ)言學(xué)中也嘗試根據(jù)語(yǔ)言距離對(duì)語(yǔ)言進(jìn)行分類[1-2]。對(duì)語(yǔ)言距離進(jìn)行計(jì)算，采用比較多的是編輯距離計(jì)算法。Kessler首次提倡對(duì)愛(ài)爾蘭蓋爾語(yǔ)方言進(jìn)行編輯距離計(jì)算[3]。Brown 等[4]，王璐、張吉生[5]，江荻[6]，索倫·維希曼等[7]人分別對(duì)世界范圍5 000多個(gè)語(yǔ)檔、吳方言、藏緬語(yǔ)族語(yǔ)言、漢語(yǔ)方言等進(jìn)行過(guò)編輯距離計(jì)算。

除了編輯距離之外，是否還有其他方法可以對(duì)語(yǔ)言距離進(jìn)行計(jì)算？此前這方面的探索不多。顏為之等人基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的自編碼降維語(yǔ)譜圖對(duì)不同方言語(yǔ)音進(jìn)行深度學(xué)習(xí)從而提取其特征，進(jìn)而對(duì)贛方言進(jìn)行分類[8]。冉啟斌提出采用DTW算法直接計(jì)算詞匯聲音文件的聲學(xué)距離從而得到語(yǔ)言距離，并報(bào)告了初步實(shí)驗(yàn)情況[9]。本文擬集中報(bào)告采用DTW算法就語(yǔ)言距離計(jì)算所作的進(jìn)一步的方法探索和系列實(shí)踐，主要著眼于進(jìn)行詞匯聲學(xué)距離計(jì)算究竟需要多少詞項(xiàng)數(shù)量、不同詞項(xiàng)內(nèi)容是否會(huì)對(duì)計(jì)算結(jié)果產(chǎn)生影響及一系列相關(guān)問(wèn)題。

二、詞匯聲學(xué)距離計(jì)算需要多少詞項(xiàng)數(shù)量？

本文采用的詞匯聲學(xué)距離計(jì)算方法為“動(dòng)態(tài)時(shí)間規(guī)整”(dynamic time warping，簡(jiǎn)稱DTW)算法。Holmes等人對(duì)DTW算法有詳細(xì)的描述[10]。Mielke使用這種算法對(duì)英語(yǔ)母語(yǔ)者的58個(gè)輔音和元音音素進(jìn)行距離計(jì)算，繪制了這些音素的分類樹圖并作了主成分分析[11]。冉啟斌 將DTW算法擴(kuò)展到對(duì)詞匯的聲學(xué)距離計(jì)算上，以8種語(yǔ)言及語(yǔ)言變體為對(duì)象討論了不同詞項(xiàng)數(shù)量、不同計(jì)算方法對(duì)聚類結(jié)果的影響[9]。該文分析顯示，相比于10個(gè)詞、30個(gè)詞、50個(gè)詞的樣本數(shù)量，以76個(gè)核心詞為樣本的距離計(jì)算效果最好；且對(duì)應(yīng)詞項(xiàng)兩兩計(jì)算的方式優(yōu)于所有詞項(xiàng)兩兩計(jì)算的方式。對(duì)應(yīng)詞項(xiàng)兩兩計(jì)算的方式確實(shí)效果更好，本文不再討論。在詞項(xiàng)數(shù)量上，雖然我們認(rèn)為在特定語(yǔ)言變體的計(jì)算中76個(gè)核心詞是足夠的，但是為更加穩(wěn)定和可靠起見(jiàn)，我們對(duì)更多詞項(xiàng)數(shù)量的計(jì)算結(jié)果進(jìn)行了對(duì)比分析。下面報(bào)告更多詞項(xiàng)數(shù)量的計(jì)算情況。

我們據(jù)以計(jì)算的8種語(yǔ)言變體與冉啟斌在“基于詞匯聲學(xué)距離的語(yǔ)言計(jì)算分類實(shí)驗(yàn)”[9]中所提的語(yǔ)言變體相同，分別是：哈薩克語(yǔ)(新疆哈巴河)，蒙古語(yǔ)(內(nèi)蒙古正藍(lán)旗)，蒙古語(yǔ)布里亞特方言(內(nèi)蒙古鄂溫克旗)，唐汪話(甘肅東鄉(xiāng)族自治縣)，藏語(yǔ)(西藏拉薩市)，瑤語(yǔ)(云南勐臘縣)，瑤語(yǔ)(海南瓊中縣)。為便于計(jì)算與制圖，我們對(duì)8種語(yǔ)言或語(yǔ)言變體按一定規(guī)則進(jìn)行了編碼。編碼結(jié)果分別是：哈薩克語(yǔ)(哈巴河)-KAHB，蒙古語(yǔ)(正藍(lán)旗)-MVZL，蒙古語(yǔ)布里亞特方言(鄂溫克旗)-BXEW，唐汪話(東鄉(xiāng)族自治縣)-TANW，藏語(yǔ)(拉薩市)-BOLS，瑤語(yǔ)(勐臘縣)-IUML，瑤語(yǔ)(瓊中縣)-IUQZ。為比較不同詞項(xiàng)數(shù)量對(duì)計(jì)算結(jié)果具有怎樣的影響，分別從前往后選擇了10個(gè)詞(1)語(yǔ)保項(xiàng)目錄制各個(gè)點(diǎn)的詞匯，有的詞在該地不一定有，這樣設(shè)置的是10個(gè)詞，實(shí)際上可能正好是10個(gè)，也可能不足10個(gè)，但相差不大。為方便說(shuō)明，均按整數(shù)稱說(shuō)。其他詞項(xiàng)數(shù)量同此，不再另行說(shuō)明。、30個(gè)詞、50個(gè)詞、100個(gè)詞、200個(gè)詞、300個(gè)詞、500個(gè)詞、800個(gè)詞、1 000個(gè)詞、1 200個(gè)詞進(jìn)行對(duì)應(yīng)詞項(xiàng)距離計(jì)算。語(yǔ)保詞匯項(xiàng)目的類別從前往后依次為天文地理、時(shí)間方位、植物等，一直到數(shù)量、代、副、介、連詞等14類。10種詞匯詞項(xiàng)數(shù)量得到距離數(shù)據(jù)后使用SPSS20.0進(jìn)行系統(tǒng)聚類分析(組間連接方式，平方歐氏距離)。這樣得到的10種聚類分析樹圖如圖1所示。

圖1 不同詞項(xiàng)數(shù)量距離計(jì)算聚類結(jié)果

從圖1可以看到，當(dāng)詞項(xiàng)數(shù)量為10個(gè)詞時(shí)，兩種蒙古語(yǔ)變體、兩種瑤語(yǔ)變體均聚在了一起，這說(shuō)明距離很近的語(yǔ)言其聲學(xué)上相似的因素已經(jīng)起到了作用。從詞項(xiàng)數(shù)量的不斷增加來(lái)看，當(dāng)詞項(xiàng)數(shù)量從10、30、50個(gè)增加到100、200個(gè)時(shí)，各個(gè)樹圖的上位分支存在著一定程度的變化。當(dāng)詞項(xiàng)數(shù)量達(dá)到200個(gè)時(shí)，樹圖的整個(gè)分類基本上穩(wěn)定下來(lái)。當(dāng)詞項(xiàng)數(shù)量從200個(gè)逐步增加到300、500、800、1 000、1 200個(gè)時(shí)，除了具體語(yǔ)言的枝條長(zhǎng)短具有一些細(xì)微的差異外，整個(gè)樹圖沒(méi)有再出現(xiàn)大的變化。換言之，詞項(xiàng)數(shù)量在200個(gè)以上繼續(xù)增加，聚類效果并沒(méi)有得到較大實(shí)質(zhì)性的改善和提升。這表明依據(jù)詞匯聲學(xué)距離數(shù)據(jù)的語(yǔ)言聚類在詞項(xiàng)數(shù)量達(dá)到200個(gè)以上時(shí)已經(jīng)趨于穩(wěn)定；也表明進(jìn)行語(yǔ)言詞匯聲學(xué)距離計(jì)算的所需詞項(xiàng)數(shù)量以200個(gè)為基礎(chǔ)是足夠的。應(yīng)該說(shuō)明的是，冉啟斌曾經(jīng)使用斯瓦迪士核心詞表中的76個(gè)詞對(duì)8種語(yǔ)言變體進(jìn)行聚類分析，并在9種漢語(yǔ)方言變體的聚類上取得了較好的結(jié)果[9]。我們認(rèn)為在特定的情況下詞項(xiàng)數(shù)量低于200個(gè)是可行的，不過(guò)從總體來(lái)看仍然以不低于200個(gè)詞為好。事實(shí)上，我們使用154個(gè)核心詞或非核心詞時(shí)其計(jì)算結(jié)果與使用200個(gè)詞已經(jīng)是一致的(詳見(jiàn)下文)。因此將200個(gè)詞定為進(jìn)行聲學(xué)距離計(jì)算的最低詞項(xiàng)數(shù)是出于更穩(wěn)妥和保守的考慮。

三、不同詞項(xiàng)內(nèi)容對(duì)計(jì)算結(jié)果是否具有影響?

依據(jù)詞匯聲學(xué)距離進(jìn)行語(yǔ)言計(jì)算分類的另一個(gè)問(wèn)題是，當(dāng)使用200個(gè)詞的詞項(xiàng)數(shù)量時(shí)，選擇不同的200個(gè)詞(即不同的詞匯意義內(nèi)容)是否會(huì)對(duì)計(jì)算結(jié)果產(chǎn)生影響？例如當(dāng)我們選擇200個(gè)名詞進(jìn)行計(jì)算，與選擇200個(gè)動(dòng)詞或其他任何200個(gè)詞進(jìn)行計(jì)算，結(jié)果是否會(huì)有所不同？這是值得研究的問(wèn)題。對(duì)這一問(wèn)題我們做了三個(gè)方面的測(cè)試，下面分別進(jìn)行報(bào)告。

第一個(gè)方面的測(cè)試是選取200個(gè)核心詞進(jìn)行計(jì)算，同時(shí)也選取200個(gè)非核心詞進(jìn)行計(jì)算，觀察二者的計(jì)算結(jié)果是否會(huì)有所不同。我們使用的是斯瓦迪士200核心詞表。事實(shí)上斯瓦迪士200核心詞表中的詞只有154個(gè)詞在語(yǔ)保項(xiàng)目詞匯錄音中存在，因此我們就以154個(gè)核心詞進(jìn)行測(cè)試(為方便稱說(shuō)，我們有時(shí)也稱為“200核心詞”測(cè)試)。非核心詞則隨機(jī)從1 200個(gè)詞中選取154個(gè)詞。這樣對(duì)前述8種語(yǔ)言及語(yǔ)言變體進(jìn)行距離計(jì)算，得到兩種聚類結(jié)果如圖2所示。

圖2 154個(gè)核心詞與非核心詞距離計(jì)算聚類結(jié)果

從圖2可見(jiàn)，154個(gè)核心詞與非核心詞的計(jì)算結(jié)果幾乎是相同的，除了枝條的長(zhǎng)短上有細(xì)微差異外，8種語(yǔ)言及語(yǔ)言變體的分類情況是完全一致的。這反映出依據(jù)詞匯聲學(xué)距離的語(yǔ)言計(jì)算在選取核心詞還是非核心詞上并沒(méi)有產(chǎn)生實(shí)質(zhì)性的不同。

可以補(bǔ)充說(shuō)明的是，事實(shí)上我們也以斯瓦迪士100核心詞表(對(duì)應(yīng)于語(yǔ)保詞匯錄音的只有76個(gè)詞)為對(duì)象進(jìn)行計(jì)算。結(jié)果顯示核心詞與非核心詞的聚類情況總體一致，但存在局部差異(限于篇幅這里不再給出聚類樹圖，它們的區(qū)別主要是唐汪話和壯語(yǔ)的聚類位置發(fā)生了對(duì)換)。但我們認(rèn)為這不是由核心詞與非核心詞的不同帶來(lái)的，而主要是由唐汪話和壯語(yǔ)的特殊情況造成的(詳見(jiàn)后文)；同時(shí)也由于76個(gè)詞本身詞項(xiàng)數(shù)量偏少?gòu)亩鴮?dǎo)致了聚類的不夠穩(wěn)定。

考察不同詞項(xiàng)意義內(nèi)容是否會(huì)對(duì)計(jì)算結(jié)果產(chǎn)生影響的第二種測(cè)試時(shí)，我們選取了6種完全不同的200個(gè)詞進(jìn)行距離計(jì)算。6種完全不同的200個(gè)詞是將語(yǔ)保項(xiàng)目的1 200個(gè)詞分為6段，分別是：1段(1～200個(gè)詞)，2段(201～400個(gè)詞)，3段(401～600個(gè)詞)，4段(601～800個(gè)詞)，5段(801～1 000個(gè)詞)，6段(1 001～1 200個(gè)詞)。這6段的詞項(xiàng)是完全不相同的。其中1～200個(gè)詞事實(shí)上我們已經(jīng)計(jì)算過(guò)(即上文測(cè)試不同詞項(xiàng)數(shù)量中的200個(gè)詞，參見(jiàn)圖1中右上部的200個(gè)詞聚類樹圖)，這里不再單獨(dú)給出。這樣得到的其余5段200個(gè)詞聚類結(jié)果如圖3所示。

在進(jìn)行枸杞子對(duì)照藥材粉碎時(shí)，合理選擇預(yù)處理方法，對(duì)其后續(xù)的粉碎工作起到事半功倍的效果。經(jīng)過(guò)預(yù)處理的枸杞子對(duì)照藥材能較好地保持其外觀和色澤，且相關(guān)特性量值無(wú)顯著變化。處理后的枸杞子對(duì)照藥材水分含量相對(duì)較低，易粉碎，粉碎后粉末的流動(dòng)性較好，易于分裝，有效提高分裝效率。

圖3顯示，5段完全不同200個(gè)詞的聚類情況總體一致，但是存在局部差異，這種差異仍然主要在唐汪話和壯語(yǔ)的位置上。唐汪話和壯語(yǔ)體現(xiàn)出的聚類結(jié)果主要有兩種情況：一是唐汪話和壯語(yǔ)共同構(gòu)成一類；二是唐汪話單獨(dú)成為一類；三是壯語(yǔ)單獨(dú)成為一類。將1段(圖1右上部)的情況考慮進(jìn)來(lái)，可以看到在1段、4段、5段中唐汪話和壯語(yǔ)共同構(gòu)成一類；在2段、6段中唐汪話單獨(dú)構(gòu)成一類；3段中壯語(yǔ)單獨(dú)構(gòu)成一類。至于其他5種語(yǔ)言及其變體，則6段200個(gè)詞的聚類情況除了枝條長(zhǎng)短略有差異外是完全一致的。

圖3 5段完全不同的200個(gè)詞距離計(jì)算聚類結(jié)果

為什么會(huì)出現(xiàn)唐汪話和壯語(yǔ)在不同詞段上的聚類差異呢？我們認(rèn)為這與唐汪話和壯語(yǔ)本身的距離情況有關(guān)。觀察圖1可以看到，在500個(gè)詞和1 200個(gè)詞的聚類樹圖中，唐汪話和壯語(yǔ)都是和兩種瑤語(yǔ)變體并列而分為三支；換句話說(shuō)，唐汪話和壯語(yǔ)的獨(dú)立性基本是相同的，二者的地位沒(méi)有高下之分。實(shí)際上，下文我們進(jìn)行的倒序測(cè)試也能看到，50個(gè)詞、100個(gè)詞、800個(gè)詞、1 000個(gè)詞、1 200個(gè)詞的聚類樹圖(參見(jiàn)圖4)中唐汪話和壯語(yǔ)的地位也都是并列的。由于二者的地位是并列的，因此受到不同詞項(xiàng)意義內(nèi)容的影響時(shí)，二者的相對(duì)關(guān)系就可能出現(xiàn)一定程度的搖擺。至于唐汪話和壯語(yǔ)二者地位并列的原因，應(yīng)該是由8種語(yǔ)言變體之間距離關(guān)系的不均衡造成的。兩種瑤語(yǔ)變體、兩種蒙古語(yǔ)變體之間的距離關(guān)系密切，而其他幾種語(yǔ)言之間的關(guān)系則比較遠(yuǎn)，相互之間關(guān)系稀疏。如果用以測(cè)試的語(yǔ)言變體之間的關(guān)系分布均衡則聚類結(jié)果應(yīng)該會(huì)得到改善。

檢測(cè)不同詞項(xiàng)意義內(nèi)容對(duì)計(jì)算結(jié)果是否會(huì)產(chǎn)生影響的第三種測(cè)試，我們是和第二節(jié)報(bào)告的不同詞項(xiàng)數(shù)量的聚類結(jié)果相結(jié)合起來(lái)做的。第二節(jié)報(bào)告了從1 200個(gè)詞中從前往后分別選擇10個(gè)詞、30個(gè)詞一直到1 200個(gè)詞進(jìn)行距離計(jì)算；這里我們則從1 200個(gè)詞中從后往前分別選擇10個(gè)詞、30個(gè)詞一直到1 200個(gè)詞進(jìn)行距離計(jì)算。為方便稱說(shuō)，從前往后選擇詞數(shù)我們稱之為正序；從后往前選擇詞數(shù)我們稱之為倒序。倒序選擇的1 200個(gè)詞即語(yǔ)保項(xiàng)目通用詞匯的全部詞項(xiàng)，與前面正序選擇的1 200個(gè)詞是完全相同的。由于二者相同，為圖形整齊我們也將1 200個(gè)詞的聚類結(jié)果放入倒序計(jì)算中。這樣得到的10種倒序聚類樹圖如圖4所示。

觀察圖4可以看到，當(dāng)詞項(xiàng)數(shù)量達(dá)到50個(gè)以上時(shí)聚類結(jié)果趨于合理穩(wěn)定，這與正序相比聚類效果上升得更快。在詞項(xiàng)數(shù)量為200、300、500個(gè)時(shí)唐汪話在局部分類上均獨(dú)立為一類。唐汪話的這種表現(xiàn)上文做過(guò)說(shuō)明?？梢耘c圖1對(duì)照觀察的是，詞項(xiàng)數(shù)量在200個(gè)以上時(shí)除唐汪話、壯語(yǔ)的局部位置差異外其余語(yǔ)言的聚類情況具有很高的一致性。其中800個(gè)詞、100個(gè)詞、1 200個(gè)詞的結(jié)果基本上相同。倒序測(cè)試從多個(gè)因素交互的角度反映出當(dāng)詞項(xiàng)達(dá)到一定數(shù)量時(shí)不同詞項(xiàng)意義內(nèi)容對(duì)聚類結(jié)果的影響是不大的。

圖4 倒序不同詞項(xiàng)數(shù)量距離計(jì)算聚類結(jié)果

四、適用于漢語(yǔ)方言的計(jì)算方式及其他測(cè)試

除詞項(xiàng)數(shù)目、詞項(xiàng)意義內(nèi)容是否會(huì)對(duì)計(jì)算結(jié)果產(chǎn)生影響外，我們進(jìn)行的測(cè)試還包括適用于漢語(yǔ)方言詞匯聲學(xué)距離計(jì)算的詞項(xiàng)內(nèi)容與形式、普通話聲調(diào)的距離計(jì)算以及其他測(cè)試等，下面分別描述。

眾所周知，在進(jìn)行漢語(yǔ)方言的分類與調(diào)查時(shí)往往以中古音為依據(jù)。在進(jìn)行漢語(yǔ)方言的聲學(xué)距離計(jì)算時(shí)，將古音的因素考慮進(jìn)來(lái)設(shè)計(jì)特定的詞匯項(xiàng)目，計(jì)算結(jié)果是否會(huì)具有較好的效果？這方面我們進(jìn)行了與前面測(cè)試模式不同的嘗試。由于中古音的聲、韻、調(diào)系統(tǒng)比較復(fù)雜，要囊括中古音的全部音系特征是很困難的，因此我們將有代表性的聲母、韻母、聲調(diào)等多方面的因素考慮進(jìn)來(lái)，將這些因素融入40個(gè)漢字中，且這40個(gè)漢字形成20個(gè)詞(參見(jiàn)附錄“包含中古音因素的漢語(yǔ)方言詞匯發(fā)音表”)。我們初步選擇了9種漢語(yǔ)方言進(jìn)行錄音，這9種漢語(yǔ)方言分別是：北京話(GHBJ)、西南官話(GHXN)、晉方言(JIN)、湘方言(XIANG)、贛方言(GAN)、客家話(KEJIA)、吳方言(WU)、閩方言(MIN)、粵方言(YUE)(2)這是下文聚類樹圖中使用的代碼，下同。。因?yàn)槭菧y(cè)試，這9種漢語(yǔ)方言的層次不完全一致，有的方言如閩方言、粵方言下面還分不同的次方言，在這次測(cè)試中發(fā)音人的選擇只考慮了方言大區(qū)的相同。每種方言選擇了4名發(fā)音人(2男2女)，均為青年，發(fā)音時(shí)每個(gè)詞按正常說(shuō)話方式發(fā)音3遍，如該詞在當(dāng)?shù)厥褂闷渌f(shuō)法，則使用當(dāng)?shù)氐氐赖恼f(shuō)法發(fā)音。在進(jìn)行聲學(xué)距離計(jì)算時(shí)這次我們將各個(gè)方言的4名發(fā)音人合在一起進(jìn)行計(jì)算，這樣每種方言共有20詞*3遍*4人=240個(gè)樣本，由此計(jì)算得到的9種漢語(yǔ)方言聚類分析結(jié)果如圖5所示。

從圖5來(lái)看，9種漢語(yǔ)方言首先分為兩大類，一類包括閩方言和粵方言；另一類包括其他7種方言。在其他7種方言中，吳方言和其他方言分開，自成一類；北京話和湘方言聚在一起，再和西南官話聚在一起；贛方言和客家話聚在一起，再和晉方言聚在一起。這一聚類圖很值得說(shuō)明。贛、客方言聚在一起顯然印證了贛、客方言具有很多共同點(diǎn)的公認(rèn)看法。圖5聚類值得注意的地方包括：湘方言和北京話而不是和西南官話首先聚在了一起；晉方言和贛、客方言聚成一個(gè)小類，這兩個(gè)方面是存在疑問(wèn)的。從聲學(xué)距離的角度來(lái)看，圖5中的聚類有的地方是可以理解的，但有的地方則與一般預(yù)想存在較大差距。

從圖5來(lái)看，通過(guò)設(shè)計(jì)包含中古音因素的發(fā)音表對(duì)漢語(yǔ)方言進(jìn)行測(cè)試，我們認(rèn)為這種方法似乎并沒(méi)有取得更好的效果。分析其中的緣由，我們認(rèn)為可能與以下兩方面的原因有關(guān)。第一，雖然每種方言的計(jì)算樣本達(dá)到了240個(gè)，但詞項(xiàng)數(shù)目只有20個(gè)，增加的是發(fā)音人數(shù)(4人)和發(fā)音遍數(shù)(3遍)，詞項(xiàng)數(shù)目本身沒(méi)有增加；第二，詞匯聲學(xué)距離計(jì)算依據(jù)的是不同方言之間共時(shí)的音頻聲學(xué)距離，對(duì)諸如清濁、入聲等這些因素可能并不敏感，更不能反映音系在歷時(shí)上的分合演變情況。因此使用包含中古音因素語(yǔ)料的方法在聲學(xué)距離計(jì)算上并不能取得更好的效果。而更重要的原因是，即使包含中古音因素的方法計(jì)算效果更好，這種方法也不具有普遍性，無(wú)法在更多語(yǔ)言和方言中推廣。例如對(duì)歐美語(yǔ)言、非洲語(yǔ)言等漢語(yǔ)方言之外的語(yǔ)言都無(wú)法使用這一方法。

圖5 包含中古音因素的9種漢語(yǔ)方言距離計(jì)算聚類結(jié)果

總之，可以預(yù)見(jiàn)的是，包含中古音因素的方法在依據(jù)詞匯聲學(xué)距離進(jìn)行的語(yǔ)言計(jì)算分類上可行性很低。

除計(jì)算語(yǔ)言或方言之間的距離外，我們還對(duì)一些語(yǔ)音特征之間的距離進(jìn)行了初步測(cè)試，這里簡(jiǎn)要說(shuō)明一下對(duì)不同聲調(diào)之間距離的計(jì)算情況。聲調(diào)是一種超音段特征，通常用數(shù)字或其他代表的符號(hào)(如標(biāo)調(diào)符號(hào))來(lái)表示。在使用編輯距離的計(jì)算中超音段特征很難計(jì)算，ASJP模式的距離計(jì)算都將超音段特征予以略去。為考察聲學(xué)距離對(duì)聲調(diào)距離計(jì)算的效力如何，我們選擇普通話的4個(gè)聲調(diào)進(jìn)行了測(cè)試。普通話4個(gè)聲調(diào)的語(yǔ)料來(lái)自黃伯榮、廖序東主編的《現(xiàn)代漢語(yǔ)》附帶光盤中的標(biāo)準(zhǔn)發(fā)音文件[12]。發(fā)音人男、女各1名，聲調(diào)發(fā)音音節(jié)共10個(gè)，10個(gè)音節(jié)各配以4個(gè)聲調(diào)。由于這10個(gè)音節(jié)的聲母和韻母完全相同，不同的只有4個(gè)聲調(diào)，因此適合于將其作為語(yǔ)料進(jìn)行聲調(diào)之間距離的計(jì)算。在制圖時(shí)我們將4個(gè)聲調(diào)分別用一、二、三、四表示。這樣得到的兩名發(fā)音人4個(gè)聲調(diào)的聚類樹圖如圖6所示。男、女發(fā)音人的聚類樹圖高度一致，除了二聲的枝條長(zhǎng)度略有細(xì)微差異外，聚類樹圖整體上幾乎完全相同。這反映出聲調(diào)聲學(xué)距離計(jì)算方法的一致性和有效性。在聲學(xué)上普通話的4個(gè)聲調(diào)首先分為第三聲和第一、四、二聲兩大類，第三聲單獨(dú)形成一類；換言之，在聲學(xué)上第三聲與其他三個(gè)聲調(diào)的差異程度是最大的。這與我們對(duì)普通話聲調(diào)的一般認(rèn)識(shí)是一致的，單念的第三聲是個(gè)曲折調(diào)，這顯然與其他三個(gè)聲調(diào)差異程度最大。人們一般認(rèn)為的某些音素或特征之間的主觀距離事實(shí)上融合了生理、聲學(xué)、心理等多方面的因素，而這里我們計(jì)算得出的距離是以聲調(diào)的聲學(xué)特性為依據(jù)的。聲調(diào)之間的聲學(xué)距離以及其他距離還值得進(jìn)一步進(jìn)行研究發(fā)掘。普通話聲調(diào)的聲學(xué)距離測(cè)試具有突出的意義：一方面說(shuō)明可以通過(guò)聲學(xué)距離來(lái)測(cè)量聲調(diào)之間的差異；一方面也表明基于詞匯聲學(xué)距離的語(yǔ)言距離中是包含了聲調(diào)差異的因素的。前面我們說(shuō)過(guò)，編輯距離計(jì)算將超音段特征略去。陳六君等在計(jì)算漢語(yǔ)方言的差異時(shí)，將聲母、韻母、聲調(diào)等都轉(zhuǎn)換為一系列特征進(jìn)行計(jì)算[13]。這種方法使聲調(diào)調(diào)值計(jì)算成為可能，不過(guò)對(duì)于像入聲這樣的聲調(diào)轉(zhuǎn)換為幾位數(shù)字的問(wèn)題該文并未提及。本文的測(cè)試顯示聲調(diào)的聲學(xué)距離計(jì)算是可行的，這無(wú)疑為聲調(diào)之間的距離計(jì)算提供了新的方法。

圖6 依據(jù)聲學(xué)距離的普通話4個(gè)聲調(diào)聚類結(jié)果

我們所做的語(yǔ)言聲學(xué)距離測(cè)試的對(duì)象還包括“語(yǔ)音比較”數(shù)據(jù)庫(kù)?！罢Z(yǔ)音比較——探索跨語(yǔ)言語(yǔ)音的多樣性”數(shù)據(jù)庫(kù)(https:∥soundcomparisons.com/)是一個(gè)大型的專業(yè)在線數(shù)據(jù)庫(kù)，收錄提供了五六百種語(yǔ)言的常見(jiàn)詞匯的錄音。不過(guò)該數(shù)據(jù)庫(kù)中的錄音在音質(zhì)上差異很大，例如發(fā)音人性別、錄音設(shè)備、信噪比、采樣率、存儲(chǔ)位數(shù)、聲音文件格式等方面都存在不同程度的差異。我們?cè)?jì)算分析過(guò)其中24種語(yǔ)言的距離及聚類情況，看到只有部分聚類結(jié)果是理想的(限于篇幅聚類樹圖此處從略)。因此，我們認(rèn)為依據(jù)詞匯聲學(xué)距離進(jìn)行語(yǔ)言計(jì)算分類需要其詞匯錄音具有良好的音質(zhì)條件。

五、依據(jù)詞匯聲學(xué)距離進(jìn)行語(yǔ)言距離計(jì)算的一些理論問(wèn)題

依據(jù)詞匯聲學(xué)距離進(jìn)行的語(yǔ)言距離計(jì)算研究是一種全新的方法，這意味著只要每種語(yǔ)言具有相同的200個(gè)詞以上的語(yǔ)音文件，就能夠完全自動(dòng)對(duì)語(yǔ)言進(jìn)行距離計(jì)算并由此進(jìn)行語(yǔ)言分類等計(jì)算分析。這也提示我們，在看似變異性極大的詞匯聲音之中可能直接蘊(yùn)含有語(yǔ)言之間的距離信息。與以往的語(yǔ)言分類方法相比，以詞匯聲學(xué)距離為依據(jù)的語(yǔ)言計(jì)算分類有兩大特點(diǎn)。一是這種分類不需要將詞匯的語(yǔ)音形式進(jìn)行音標(biāo)或其他編碼的轉(zhuǎn)寫，因此是完全直接的方法；二是這種分類排除了任何主觀介入或人工干預(yù)，因此是完全客觀的分類。作為一種新的嘗試，基于詞匯聲學(xué)距離的語(yǔ)言計(jì)算研究有一些理論問(wèn)題需要說(shuō)明，下面從四個(gè)方面進(jìn)行討論。

第一，良好的錄音音質(zhì)是進(jìn)行聲學(xué)距離計(jì)算的前提。經(jīng)過(guò)前面的一系列實(shí)踐，我們看到錄音音頻的音質(zhì)非常關(guān)鍵，聲學(xué)距離計(jì)算需要在具有良好錄音質(zhì)量保障的基礎(chǔ)上進(jìn)行。眾所周知，聲學(xué)特征的變異性極大，一個(gè)完全相同的語(yǔ)音，不同的發(fā)音人之間、相同發(fā)音人幾次不同的發(fā)音、不同語(yǔ)境中的發(fā)音等都可能存在變異。顯而易見(jiàn)，只有在需要計(jì)算的所有語(yǔ)言詞匯的錄音音質(zhì)具有充分保障的前提下，這些語(yǔ)言之間的聲學(xué)距離才能得到真實(shí)體現(xiàn)，距離計(jì)算也才能最大限度地發(fā)揮其功效。

第二，進(jìn)行基于詞匯聲學(xué)距離的語(yǔ)言距離計(jì)算一般不能低于200個(gè)詞，所選擇的詞不受詞項(xiàng)意義內(nèi)容影響。前面的測(cè)試顯示，當(dāng)詞項(xiàng)數(shù)量達(dá)到200個(gè)左右時(shí)語(yǔ)言的聚類結(jié)果是穩(wěn)定的，且詞項(xiàng)數(shù)量進(jìn)一步增大時(shí)聚類效果并不會(huì)得到更多的改善和提升。當(dāng)然，在特定的情況下低于200個(gè)詞進(jìn)行計(jì)算也是可行的，例如154個(gè)核心詞、76個(gè)非核心詞、正序的100個(gè)詞、倒序100個(gè)詞甚至50個(gè)詞等都展現(xiàn)了一致的聚類結(jié)果。我們認(rèn)為，在不同的語(yǔ)言中，每?jī)蓚€(gè)對(duì)應(yīng)詞的聲音之間蘊(yùn)含有不同語(yǔ)言之間的微觀差異，不過(guò)這種差異是非常細(xì)微的，只有當(dāng)詞項(xiàng)數(shù)量不斷增大，蘊(yùn)含的細(xì)微差異才會(huì)逐漸積累凸現(xiàn)出來(lái)。當(dāng)兩種語(yǔ)言之間的微觀聲學(xué)差異積累到200倍(即詞項(xiàng)到200個(gè))時(shí)，兩種語(yǔ)言之間的聲學(xué)差異就得到了充分體現(xiàn)，并基本上達(dá)到了極限。這也是為什么當(dāng)詞項(xiàng)數(shù)量超過(guò)200個(gè)以后聚類效果得不到實(shí)質(zhì)性提升的原因。

測(cè)試也清楚地表明，在選擇怎樣的詞上，聲學(xué)距離計(jì)算不受核心詞、非核心詞、動(dòng)詞、名詞或天文、地理乃至數(shù)量、代、副、介、連詞等意義內(nèi)容的影響，只需要不同語(yǔ)言之間的詞匯是對(duì)應(yīng)的即可。這是可以理解的，因?yàn)槁晫W(xué)距離計(jì)算只考慮兩個(gè)聲音文件之間聲學(xué)特性之間的差異。

值得說(shuō)明的是，漢語(yǔ)方言距離測(cè)試看到距離計(jì)算所需的是200個(gè)詞而不是200個(gè)樣本。語(yǔ)言或方言距離測(cè)試時(shí)樣本雖多，但詞項(xiàng)的差異體現(xiàn)得不夠，聚類結(jié)果是不理想的。從聲學(xué)特性上看，詞項(xiàng)本身的差異不夠大，也就導(dǎo)致幾種語(yǔ)言或方言之間對(duì)應(yīng)聲音的微觀差異積累得不夠。當(dāng)然，在做單個(gè)音素的距離計(jì)算時(shí)樣本數(shù)量可以大幅減少，Mielke使用的是9個(gè)樣本[11]，我們對(duì)普通話聲調(diào)的距離測(cè)試使用的則是10個(gè)樣本。

第三，依據(jù)詞匯聲學(xué)距離得到的語(yǔ)言計(jì)算分類反映的是語(yǔ)言之間的共時(shí)聲學(xué)差異分類?？赡苡幸蓡?wèn)指出，本文測(cè)試得到語(yǔ)言或語(yǔ)言變體的聚類結(jié)果到底屬于什么性質(zhì)的分類，它的作用是什么？它可以印證語(yǔ)言發(fā)生學(xué)分類，還是可以印證語(yǔ)言結(jié)構(gòu)分類、類型學(xué)分類乃至地域?qū)W分類？我們認(rèn)為都不是。基于詞匯聲學(xué)距離的語(yǔ)言計(jì)算分類體現(xiàn)的就是不同語(yǔ)言或語(yǔ)言變體之間的聲學(xué)差異或聲學(xué)相似性，它是一種客觀的新的聚類方法。至于分類的結(jié)果與以往的發(fā)生學(xué)分類或單純的語(yǔ)言分區(qū)存在很大的相似性，那是另外一個(gè)問(wèn)題。前面的實(shí)踐結(jié)果看到，依據(jù)聲學(xué)距離的語(yǔ)言聚類分析確實(shí)能夠與以往的發(fā)生學(xué)分類、語(yǔ)言或方言的親疏關(guān)系、方言的共時(shí)分區(qū)等產(chǎn)生很強(qiáng)的關(guān)聯(lián)性。語(yǔ)言的共時(shí)聲學(xué)差異竟然也能反映語(yǔ)言關(guān)系的密切與疏遠(yuǎn)，這是很有意思的現(xiàn)象，很值得進(jìn)一步深入研究和探索。

第四，基于詞匯聲學(xué)距離的語(yǔ)言計(jì)算分類可能在越接近末端節(jié)點(diǎn)位置上的語(yǔ)言聚類效果越好。在前面測(cè)試的8種語(yǔ)言聚類中，距離關(guān)系很近的兩種蒙古語(yǔ)方言、兩種瑤語(yǔ)方言都聚在了一起，但是在根節(jié)點(diǎn)上屬于阿爾泰語(yǔ)系突厥語(yǔ)族的哈薩克語(yǔ)沒(méi)有與屬于阿爾泰語(yǔ)系蒙古語(yǔ)族的兩種方言聚在一起，而是在根節(jié)點(diǎn)上自成一類。這與發(fā)生學(xué)分類或其他分類都存在差異。這可能反映出基于詞匯聲學(xué)距離的語(yǔ)言計(jì)算分類對(duì)于局部性(local)的近距離語(yǔ)言關(guān)系具有良好的效果，而對(duì)于全局性(global)的語(yǔ)言總體大類分化效果并不太好。由于目前的測(cè)試仍以前面提到的8種語(yǔ)言及其變體為主，這一結(jié)論還有待于在更多語(yǔ)言中去檢測(cè)證實(shí)。

除此以外，目前所進(jìn)行的語(yǔ)言聲學(xué)距離計(jì)算均依據(jù)同一男性發(fā)音人的語(yǔ)料，因受語(yǔ)料條件的限制，計(jì)算結(jié)果還沒(méi)有對(duì)人與人之間的同一性及差異性進(jìn)行測(cè)試。不過(guò)我們推測(cè)當(dāng)詞匯項(xiàng)目達(dá)到一定數(shù)量后人際差異可能會(huì)被淡化掉。當(dāng)然這仍只是推測(cè)，將來(lái)會(huì)進(jìn)行多人之間的計(jì)算分析，以便得出確鑿的結(jié)果。

六、結(jié) 語(yǔ)

本文報(bào)告了我們?cè)诨谠~匯聲學(xué)距離的語(yǔ)言計(jì)算分類方面所做的多種實(shí)際測(cè)試和實(shí)踐。一般認(rèn)為語(yǔ)音的聲學(xué)特征變異性極大，直接依據(jù)聲音文件進(jìn)行語(yǔ)言計(jì)算分類是難以想象的。然而我們的測(cè)試看到直接根據(jù)聲音文件進(jìn)行語(yǔ)言距離計(jì)算不僅是可能的，而且是有意義的嘗試。與有的依據(jù)語(yǔ)音文件進(jìn)行距離計(jì)算不同的是，我們的距離計(jì)算沒(méi)有提取語(yǔ)音中元音的共振峰、輔音的VOT等聲學(xué)特征參數(shù)，而是使用DTW算法直接計(jì)算兩個(gè)聲音文件的聲學(xué)距離。

我們的測(cè)試看到，基于聲學(xué)距離的語(yǔ)言聚類分析對(duì)于較近距離關(guān)系的語(yǔ)言變體的分類效果良好，它能夠?yàn)榻嚯x的語(yǔ)言之間關(guān)系提供純粹客觀的依據(jù)。限于語(yǔ)料條件限制，目前的測(cè)試以8種左右的語(yǔ)言及語(yǔ)言變體為主。如能有大批量的詞匯聲音文件進(jìn)行大規(guī)模的聲學(xué)距離計(jì)算，從而對(duì)這些語(yǔ)言進(jìn)行聚類分析或主成分分析，將能夠?yàn)槲覀兲峁└鼜V闊和確鑿的語(yǔ)言之間的聲學(xué)距離數(shù)據(jù)，有望給我們對(duì)語(yǔ)言的認(rèn)識(shí)帶來(lái)更多的發(fā)現(xiàn)和啟示。

(黃行先生對(duì)本文的計(jì)算分析給予了部分語(yǔ)料支持，謹(jǐn)表謝忱。)