鼻子塞住的时候说「妈妈」，出来的音会往「巴巴」那边塌。不用等感冒也能试：捏住鼻子念一遍，你会听见那两个 m 当场垮掉。
这件小事透露了一个不太舒服的事实。你脑子里下的指令是「说妈妈」，可实际执行的是一整套你完全感觉不到的动作——嗓子后面那扇门开了还是关了、声带什么时候开始振动、舌头停在离牙齿多远的地方。捏鼻子只是把其中一个动作的出口堵死了，整个词就变了样。
下面把这套动作拆开：气流在哪儿被挡住、怎么挡；几十毫秒的时间差怎么变成两个词；以及为什么它一旦调好，成年之后几乎推不动。
说话的原料是一股气。肺往上推，气流穿过喉咙里那两片声带，再从嘴或者鼻子出去。所谓「发音」，绝大部分工作不是制造声音，而是在这条路上设卡：挡在哪儿、挡死还是留一条缝、挡多久。你听见的那些区别，基本上都是这几个卡口的排列组合。
先挑一个你能直接感觉到的。说「爸」和「妈」，嘴唇的动作完全一样：闭上，再放开。差别在你嗓子上方那片软肉——软腭（velum，把舌尖往后上方顶，能碰到硬邦邦的上颚往后突然变软的那块）。它是一扇门：抬起来贴住后壁，通往鼻腔的路就封了，气全从嘴出去，你得到「爸」；放下来，鼻腔这条路打开，你得到「妈」。捏鼻子那一下，你并没有动软腭，你只是把鼻子那头的出口堵了，气流没别的地方去，只好改走嘴——所以「妈妈」听起来往「巴巴」塌。
第二个维度是挡的方式。把手掌放在嘴前面试三种：完全堵死再突然放开，气「砰」地冲出来，这是塞音（plosive），b、p、d、t、g、k 都是；留一条窄缝让气流磨着过去，这是擦音（fricative），f、s、sh 是，而且擦音能拖长——「嘶————」可以拖到没气为止，「八」里那声爆破你怎么也拖不长；先堵死再改成留缝放，是前两种接起来，j、q、z、c 是这一类。
第三个维度是挡在哪儿：两片嘴唇（b、p、m）、舌尖顶上齿龈（d、t、n）、舌面贴硬腭（j、q、x）、舌根抵软腭（g、k）。你现在慢慢念这几组，能摸到接触点一路往后退。
把这三样当三个旋钮，每门语言在上面挑自己的一组点。印地语在舌尖这一带就分得比普通话细：舌尖抵门牙背面是一个部位，舌尖翻上去顶硬腭前部是另一个部位，两个部位下面各自又分四路——不送气的清音、送气的清音、浊音、以及一种带气声的浊音。光是舌尖这一带就能长出八个互不相同的辅音，而普通话在同一个部位只分两路。
这不是谁更精细。旋钮上的位置本来是连续的，每门语言在上面画自己的格子；格子多的并不说得更准，格子少的也不缺表达力。真正带来麻烦的是格子的位置对不上：你母语没画过的那条线，你听别人说话时不会自动去找。
EN Speech is mostly obstruction, not sound-making: where the airflow is blocked, how, and for how long.
上一节留了个问题：英语的 b、p 和汉语拼音的 b、p 写法一样，是同一回事吗？不完全是。而且差别落在一个你从没意识到的量上——时间。
手放在嘴前说「趴」，有一股明显的气打在手上；说「八」，几乎没有。这股气是什么？是嘴唇已经放开、但声带还没开始振动的那一小段：空气从敞开的声门直接冲出去，没被振动加工过，所以是气不是声。声带一旦开始振动，出来的就是嗓音了。
所以关键量是两个事件的时间差：嘴唇放开的那一刻，和嗓音起来的那一刻，谁先谁后、差多少。这个量在语音学里叫嗓音起始时间（voice onset time）。它是个带正负号的数：正数表示先放开嘴、后出声，负数表示声带先响、嘴唇后放。
普通话的位置是这样的：不送气的 b、d、g 大约在正 10 到 25 毫秒，送气的 p、t、k 大约在正 90 到 110 毫秒。两组都是先放开嘴再出声，只是等的时间差了将近一个数量级。顺带说一件容易搞混的事：普通话其实没有真正的浊塞音，你以为「b 是浊的、p 是清的」，实际的区别是「不送气」和「送气」。英语的 b 基本在零附近，p 在正 50 到 60 毫秒上下——所以两边大致对得上，界线都落在正 25 毫秒那一带。
西班牙语把这个数拉到了负的一侧。它的 b 是声带先响起来，响了几十毫秒之后嘴唇才放开；而它的 p 只有零到十毫秒，也就是英语的 b 待的那个位置。结果很直接：西班牙语母语者说英语的 pat，英语母语者常常听成 bat。这不是「口音重」这种笼统的说法能解释的，是两条界线画在同一根轴的不同刻度上，而每个人都拿自己那条线去切。
Lisker 和 Abramson 1964 年测了十一种语言词首塞音的这个量，结论是：这些语言在同一个发音部位上的对立，绝大多数可以靠这一个时间量排开。证据强度：跨语言声学测量，样本十一种语言，此后在更多语言上反复验证，是这一行最稳的结果之一。
EN The gap between lip release and voicing onset — a few dozen milliseconds — is where languages draw different lines.
Flege、Munro 和 MacKay 在 1995 年找了 240 位在加拿大的意大利裔移民，他们开始学英语的年龄从 2 岁到 23 岁不等，受测时平均已经在加拿大住了 32 年。母语者听他们读英语句子并给口音打分。结果是：开始学英语的年龄解释了口音评分差异的 59%，而平时用英语用得多不多，只解释 15%。而且分数随年龄是连续往下走的，没有出现一个「过了哪一天就完蛋」的断崖。证据强度：大样本相关研究，不是实验——早到的人在上学、交友、工作环境上本来就不同，所以这个数字不能直接读成因果。
为什么这么顽固？两条原因，一条在动作那边，一条在听的那边。
动作那边的原因，「八和趴之间只隔了几十毫秒」那节已经摆出来了：区别是六十毫秒的相对时序，而你从来没有直接控制过这个数。你能下的指令是「说这个词」，不是「让声带在嘴唇放开后第五十八毫秒开始振动」。要改的东西，在你能下指令的层级底下好几层。
听的那边更麻烦。Flege 的说法是等价归类（equivalence classification）：一个外语的音如果跟你母语里某个音「差不多」，它会被直接收进那一格，于是你根本不会把它当成一个新东西去学——你以为你说对了，因为你是拿旧格子在听自己。这推出一个反直觉的预测：越像的越难。跟母语差得远、听着完全陌生的音，反而更容易被当成新东西，另起一格。
但这不等于系统冻住了。Chang 2012 年跟踪一批母语是英语的成年人去上初级韩语课，第二周他们说英语时的嗓音起始时间就已经朝韩语的方向漂了，而且不止一处在动。你的母语发音在成年以后仍然天天在变，只是漂的方向不由你挑。证据强度：小样本纵向追踪，效应方向在后续研究里被重复过。
最后一件要说清楚的事：口音不是缺陷，也不是努力不够的证据，它是一套很早就调好、之后靠日常使用微调的系统的正常产物。而且沟通不畅的负担并不全在说话人这一侧。Clarke 和 Garrett 2004 年发现，英语母语听者听带西班牙语或汉语口音的英语，一开始反应确实慢，但这个劣势在一分钟之内就明显收窄，有的条件下两到四句话就够了。听不懂是一个能在一分钟里改善的状态，不是说话人身上的固定属性。
EN Accents persist because the target sits below the level you can command — and because listeners adapt in under a minute.
一个音落在哪一格，取决于听的人拿的是哪条线。那么说某人「发音不标准」，说的是他偏离了某个社群的中位数，还是偏离了某种绝对参照？如果只有前者，这个判断就随社群变——同一个人换一个城市，可能什么都没变就「标准」了。
等价归类说的是相似度高的音会被吞进旧格子。假如在训练早期故意夸大差别，把目标音推到明显陌生的位置，学习者是不是更容易另起一格？如果是，那第二步——再把它拉回正常范围——会不会又被吞回去？
一个可能的答案是：听的时候你在挪一条分类边界，说的时候你要改的是一串运动时序。可这两件事的可塑性凭什么差这么多？还是说，听者那一分钟的适应本来就是临时的、换个人就归零，跟说话人要做的持久改造根本不是一回事？