Univerzita Palackého v Olomouci

Transkript

1 Univerzita Palackého v Olomouci Filozofická fakulta Katedra bohemistiky Bakalářská práce VNÍMÁNÍ A SLUCH DLE KATRINY HAYWARD (Překlad odborného textu s komentářem) PERCEPTION AND HEARING BY KATRINA HAYWARD (The Academic Writing Translation with Notes) ANETA JÍROVÁ česká filologie anglická filologie Vedoucí práce: PhDr. Petr Pořízka, Ph.D. OLOMOUC 2015

2 Prohlášení Prohlašuji, že jsem tuto bakalářskou práci vypracovala samostatně, pouze s použitím literatury a zdrojů, které jsou uvedeny v seznamu použité literatury. V Olomouci dne podpis

3 Poděkování Ráda bych poděkovala PhDr. Petru Pořízkovi, Ph.D. za konzultace a vedení při vypracování mé bakalářské práce.

4 Obsah: 1. ÚVOD TEORIE PŘEKLADU PŘEKLAD ODBORNÉHO TEXTU PŘEKLAD ANGLICKÉHO ODBORNÉHO TEXTU DO ČEŠTINY PŘEKLAD S KOMENTÁŘEM VNÍMÁNÍ A SLUCH Předmluva Od zvukových signálů k vnímaným předmětům: hledání zvukových ukazatelů Příklad: Doba nástupu hlasivkového tónu Problém nedostatku neměnnosti Je řeč výjimečná? Kategoriální vnímání Mnohočetné ukazatele a výměnné vztahy Dvojité vnímání Bimodální vnímání Argumenty proti výjimečnosti řeči Teorie vnímání řeči Motorická teorie Přímý realismus Model Fuzzy logiky Silné teorie spojující zvukový signál s fonologickými rysy Neanalytické přístupy Sluch Struktura sluchového systému Spektra sluchového nervu Neznělé frikativy Vokály Hranice doby nástupu hlasivkového tónu Adaptace Psychofyzika a sluchový spektrograf Frekvenční stupnice založené na sluchových filtrech Sluchová spektra Závěr Další související literatura Bibliography KONCEPCE VNÍMÁNÍ ŘEČI VE VYBRANÉ ČESKÉ LITERATUŘE MLUVNICE ČEŠTINY I PALKOVÁ, ZDENA: FONETIKA A FONOLOGIE ČEŠTINY... 66

5 4.3 KRČMOVÁ, MARIE: FONETIKA A FONOLOGIE DALŠÍ ČESKÁ SOUVISEJÍCÍ LITERATURA ZÁVĚR ANOTACE RESUMÉ POUŽITÁ LITERATURA... 76

6 1. Úvod Předmětem této bakalářské práce je překlad kapitoly Vnímání a sluch (v originále Perception and Hearing), která je součástí původní anglické monografie Katriny Hayward Experimental Phonetics. Autorka se ve zmíněné kapitole své publikace věnuje akustické a auditivní fonetice, konkrétně experimentálním metodám zkoumání v oblasti akustické a auditivní fonetiky. V první části se zabývá lidskou řečí a zkoumá, jakým způsobem ji posluchači vnímají, zmiňuje také několik teorií týkajících se lidské řeči. Ve druhé části se zaměřuje na lidské sluchové ústrojí a způsob, jakým funguje. V české fonetice je velmi málo studií, které by zkoumaly akustickou a auditivní fonetiku experimentálně. Cílem naší práce je proto zpřístupnění materiálů týkajících se této oblasti fonetiky také těm, kteří k nim kvůli jazykové bariéře nemají přístup. Vzhledem k povaze textu a tématu, kterému se věnuje, půjde pravděpodobně o odborné publikum. Tato bakalářská práce si klade za úkol převést již zmíněný anglický text do češtiny. Metodám překladu a problémům spojeným s překladem odborného textu je věnována samostatná část práce zařazená ještě před samotným překladem anglického odborného textu do češtiny. První část naší práce tedy obsahuje teoretický úvod týkající se překladu odborného textu a dále samotný překlad, který je jádrem celé práce. Překládaný text, jenž obsahuje také obrázky s popisem, jsme opatřili poznámkami, které se vztahující k jednotlivým odborným pojmům použitým v textu a komentují způsob jejich překladu. Jelikož se překládaná studie zabývá z velké části jen akustickou a auditivní fonetikou v oblasti anglického jazyka, rozhodli jsme se, že se ve druhé části naší práce budeme věnovat také několika nejvýznamnějším koncepcím akustické a auditivní fonetiky v českém prostředí, zaměříme se hlavně na pojetí percepce řeči. 1

7 2. Teorie překladu Překlad lze obecně definovat jako převedení textu (v našem případě psaného) z jednoho jazyka do druhého. Přesněji řečeno, jde o překódování informace ze systému výchozího jazyka do systému cílového jazyka, přičemž výsledný text by měl být ekvivalentní textu výchozímu po stránce jak formální, tak obsahové. Dnes se často pracuje s pojmem funkční ekvivalence, jehož základem je názor, že jednotky výchozího jazyka a cílového jazyka nemusejí mít stejný význam, ale mohou fungovat v téže situaci. Za základní princip překladu je považován funkční přístup. Znamená to, že nezáleží na tom, použijeme-li stejných či jiných jazykových prostředků, ale na tom, aby plnily stejnou funkci, a to pokud možno po všech stránkách, tedy nejen významové, věcné (denotační, referenční), ale i konotační (expresivní, asociační) a pragmatické. 1 Aby byl překlad kvalitní, musí splňovat několik podmínek. Výsledný text v cílovém jazyce by měl působit přirozeně, cílový jazyk nesmí být přizpůsoben jazyku předlohy. Dále musí výsledný text podávat informaci se stejným významem jako text výchozí. A konečně, překlad by měl vyvolat stejnou reakci, jako vyvolal původní text. Existují různé typy překladu podle typů výchozích textů. Různé funkční styly používají různé jazykové prostředky a musí k nim proto být přistupováno individuálně. Náš výchozí text je odborné povahy, a proto se dále zaměříme pouze na překlad odborného textu a problémy s tím spojené. 2.1 Překlad odborného textu Hlavními rysy, které odlišují odborný styl od ostatních funkčních stylů, jsou pojmovost (nocionálnost), přesnost, jednoznačnost, neemotivnost a značná explicitnost odborného stylu. Nejdůležitější funkce odborného textu je odborně sdělná. 2 Pro odborný text je rovněž typické užívání určitých termínů a formulací, hutnost vyjadřování, schematická podoba vět či vysoký index opakování slov. 1 Viz Knittlová, 2010, s Viz Knittlová, 2010, s

8 Odborný styl se obecně vyhýbá expresivitě a synonymii. Veškeré jazykové prostředky jsou přizpůsobeny funkci tohoto stylu a, i přes určitou jednotvárnost, způsobenou častým opakováním slov a termínů, či schematičnost vět, přispívají k jednoznačnosti a srozumitelnosti sdělované informace. Nejčastěji používanými slohovými postupy jsou popis a výklad, které často bývají doplněny příklady a vnějšími referencemi. Stylizace výchozího textu překlad do značné míry ovlivňuje, je ale potřeba věnovat pozornost výstavbě textu v cílovém jazyce, aby nedošlo k deformaci cílového jazyka a následné nesrozumitelnosti. Lepšímu pochopení překladu slouží rovněž poznámkový aparát, který v našem případě obsahuje hlavně vysvětlení odborných termínů a doplňující komentář. 2.2 Překlad anglického odborného textu do češtiny Jak už bylo řečeno dříve, překlad je v podstatě převádění textu z jednoho jazykového kódu do jiného, a právě rozdílnost těchto dvou kódů je pramenem velké části problémů spojených s překladem. Angličtina a čeština jsou typologicky velmi rozdílné jazyky. Zatímco čeština je jazykem syntetickým, tedy má rozvinutou flexi a používá k vyjádření gramatických kategorií a syntaktických vztahů afixy a koncovky, angličtina je jazyk analytický či izolační 3 a k vyjádření gramatických kategorií či vztahů ve větě používá pomocná (zvaná také gramatická) slova a (pevný) slovosled. Mohou pak nastat situace, kdy čeština vyjádří jedním slovem něco, na co je v angličtině potřeba slov několik. Existují ale i opačné situace, kdy je nutné některé anglické výrazy či fráze přeložit do češtiny opisem, tedy několika slovy. Angličtina musí zachovávat pevný slovosled, zatímco čeština má díky své flektivnosti relativně volný slovosled a existuje tak více možností, jak něco vyjádřit. Je ale nutné zachovat logickou návaznost vět. Nyní se podíváme na některé jevy, na které si při překladu odborného textu z angličtiny do češtiny musíme dávat pozor. V češtině (a v odborném stylu obzvlášť) je tendence postupovat ve výpovědi od známé informace (tématu) k nové informaci (rématu). Réma je tedy zpravidla 3 V své podstatě je jazykem izolačním, ale funguje v ní aglutinační princip, (aglutinace = vyjadřování gramatických funkcí afixy připojovanými ke kořenu/kmenu, přičemž jeden afix má vždy jen jednu funkci). Např. pravidelné tvoření komparativu adjektiv pomocí sufixu -er: high higher (vysoký vyšší), slow slower (pomalý pomalejší). 3

9 vyjádřeno pozičně stojí na konci věty. V anglické větě je ale slovosled pevně daný a réma může stát v různých pozicích. Často je signalizováno lexikálně, pomocí vazeb there is, it seems, apod., které réma předcházejí. Ukažme si tento jev na příkladu: Příklad 1 VJ 4 : CJ 5 : There are three general possibilities to consider. Ke zvážení jsou tři hlavní možnosti. Na tomto příkladu, který jsme převzali z překládaného textu, vidíme rozdíl ve slovosledu v české a anglické větě v důsledku pevného slovosledu anglické věty a různého zacházení s rématem. V tomto případě v anglické větě rématu předchází konstrukce there are, která vlastně stojí v pozici syntaktického podmětu (sémantickým podmětem by bylo three general possibilities, ale v angličtině je na podmět nahlíženo spíše syntakticky, než sémanticky). Na následujícím příkladu si ukážeme, že réma může stát i v pozici podmětu, jako první větný člen. Pozice podmětu jako prvního větného členu je totiž v anglickém slovosledu velmi silná. Příklad 2 VJ: CJ: Two major issues dominate research into speech perception. Výzkumu vnímání řeči vévodí dvě významné otázky. Také v této větě vidíme rozdílné zacházení s rématem, v původním textu je réma v pozici podmětu, který je v angličtině typicky na začátku věty. V češtině je réma taktéž podmětem, ale díky volnému slovosledu může stát na konci věty, v pozici, které je v češtině pro réma typická. Jedním z dalších typických rysů odborného textu je vysoká míra neosobního vyjadřování, čemuž účinně slouží pasivum, které má odborném stylu velmi bohaté uplatnění nejen v angličtině, ale do určité míry i v češtině. Pasivum ve větě naznačuje, že konatel je neurčitý a všeobecný, nebo že konatelem je autor (kterého není třeba uvádět), nebo konatele naopak zdůrazňuje (pomocí předložky by a umístění konatele na konec věty do pozice rématu). Při překladu je nutné přihlížet také k tomu, která informace je ve větě důležitá, tj. je rématem, a musí být umístěna do příslušné pozice pro réma ve větě. Podívejme se na následující příklad. 4 Text ve výchozím jazyce, tak i dále. 5 Text v cílovém jazyce, tak i dále. 4

10 Příklad 3 VJ: Furthermore, since information about specific instances of a particular word is, as it were, discarded by the listener in the process of speech perception, such information can play no role in the representation of words in memory. CJ: A navíc, vzhledem k tomu, že informace o konkrétních výskytech určitého slova jsou posluchačem v procesu vnímání řeči jakoby zahozeny, nemohou už sehrát žádnou roli v reprezentaci slov v paměti. V případě tohoto souvětí jsme pasivum, použité v angličtině, ponechali i v české verzi. Možný by byl i překlad s použitím aktivní konstrukce, ale pasívum v tomto případě zní zcela přirozeně. Kvůli návaznosti vět, a také proto, že jsme jej vnímali jako réma, jsme sloveso zahozeny umístili na konec věty, před čárku. Následující příklad ukazuje případ věty, do které se více než pasívum hodí aktivní konstrukce. Příklad 4 VJ: In the ideal case, this is manifested in two ways. CJ: V ideálním případě se to projevuje dvěma způsoby. V češtině je přirozené, že konatelem (a v tomto případě i podmětem) je to, a běžně se v takovém případě používá aktivum. Pasivum by v této větě znělo nepřirozeně. V češtině se sklon k neosobnímu vyjadřování projevuje také používáním plurálu (tzv. autorský plurál), který je v odborných pracích používán naprosto běžně. Následující věta je příkladem toho, že v angličtině se plurál v odborných pracích nepoužívá důsledně, přijatelné jsou i věty v první osobě singuláru. Příklad 5 VJ: Experiments of the type I have just been describing, CJ: Experimenty typu jaký jsme právě popisovali, Při překladu jsme, jak vidíte, použili autorský plurál. 5

11 Dalším jevem, typickým pro odborný text, je sklon k nominalizaci. Ten se projevuje používáním nominálních konstrukcí, např. dějových substantiv a adjektiv, místo sloves. Příklad 6 VJ: Secondly, and more importantly, listeners are better at discriminating between stimuli which belong to different categories than they are between stimuli which belong to the same category. CJ: Za druhé, a to je důležitější, posluchači rozlišují lépe mezi podněty náležejícími do rozdílných kategorií, než mezi těmi, které patří do stejné kategorie. V této větě jsme při překladu nominální konstrukce discriminating použili sloveso (rozlišují), jelikož v tomto případě je tento způsob překladu češtině přirozenější. V mnoha případech je ale i v češtině gramaticky správné a naprosto přirozené použít nominální konstrukci. 6

12 3. Překlad s komentářem 5. Vnímání a sluch Předmluva První potíž, se kterou se setkává každý, kdo chce zkoumat vnímání řeči, je potřeba rozhodnout, co vlastně vnímání řeči je. Je to poznání, že zvuk, který zasáhl naše uši, je lidská řeč? Rozumí se tím schopnost interpretovat lidskou řeč jako sérii jednotlivých zvukových jednotek, bez ohledu na to, jestli jsme schopni jim přiřadit význam, nebo ne? Nebo je to schopnost rozpoznat slova, která mluvčí vyslovil, bez ohledu na to, zda jsme byli schopni zachytit všechny jednotlivé zvuky či nikoli? Můžeme za příklad vnímání řeči považovat situaci, kdy fonetik používá IPA 7 k transkribování slov v jazyce, který nezná? A co člověk s lehkým poškozením sluchu, který se kvůli doplnění informace získané prostřednictvím uší spoléhá na odezírání ze rtů? Pojem vnímání řeči 8 se nejčastěji používá ve spojení s rozpoznáním a identifikací jednotlivých fonetických jednotek. Předpokládá se tedy, že jsme schopni v určitém jazyce identifikovat vnímaný zvuk jako řeč. Zkoumání vnímání řeči se zaměřuje přesněji na schopnost rodilého mluvčího s normálním sluchem (který ovládá pouze svou mateřštinu) identifikovat jednotlivé zvuky (fonémy) svého rodného jazyka a rozlišit je. Rozpoznání jednotlivých slov je obvykle bráno jako oddělené pole výzkumu (lexikální přístup 9 nebo rozpoznání mluveného slova 10 ). Pojmem vnímání řeči 11 je ale také někdy označováno zkoumání rozpoznání slov, a v tomto případě je rozpoznání jednotlivých segmentů nazýváno fonetické vnímání 12 (ačkoli fonémické vnímání 13 by bylo vhodnější). Objevil se také značný zájem o propojení těchto dvou typů vnímání. Zde se zaměříme výhradně na vnímání řeči ve významu rozpoznání jednotlivých fonetických segmentů. 6 Číslování ponecháno dle originálu 7 Mezinárodní fonetická abeceda (IPA = International Phonetic Alphabet). 8 Styl zvýraznění pojmů (kurzívou) jsme ponechali dle originálu. 9 V originále Lexical access, přeložili jsme jako lexikální přístup 10 V originále Spoken word recognition, přeloženo jako rozpoznání mluveného slova 11 V originále Speech perception, překládáno jako vnímání řeči nebo percepce řeči. 12 V originále Phonetic perception, překládáme jako fonetické vnímání 13 V originále Phonemic perception, překládáme jako fonémické vnímání 7

13 Výzkumu vnímání řeči vévodí dvě významné otázky. První z nich zní: Co přesně vnímatel vlastně vnímá? Zde je užitečné uplatnit rozlišení používané mnoha psychology, a to rozlišení mezi proximálním 14 podnětem a distálním 15 objektem. Proximální podnět je vždy nějaký druh energie například světelné paprsky odrážející se od předmětů, zvukové vlny nebo tlak na kůži která je zachycena lidským smyslovým čidlem 16. Distální objekt je předmět v okolním prostředí, o němž vnímatel získá povědomí prostřednictvím svých smyslů. Když například vidím pokojovou rostlinu na svém stole, proximálním podnětem jsou světelné paprsky odrážející se od rostliny a dopadající na mé oči, a distální objekt je rostlina samotná. V případě vnímání řeči je proximálním podnětem zvuková vlna zasahující uši, identita distálního objektu ale není ani zdaleka objasněna. Ke zvážení jsou tři hlavní možnosti. Za prvé, distálními objekty vnímání řeči mohou být pohyby mluvidel při artikulaci, které jsou přímo zodpovědné za vzniklý zvuk. Za druhé, distálními objekty mohou být abstraktní sluchové obrazy nebo prototypy. Za třetí, objekty mohou být ještě abstraktnější lingvistické reprezentace, podobné těm, znázorněným na Obrázku Uveďme konkrétní příklad: když rodilý posluchač angličtiny slyší nesmyslnou slabiku pa, může vnímat lidské hlasové ústrojí provádějící koordinovaný soubor pohybů, který zahrnuje (mezi jinými) změnu pozice rtů od zcela zavřené po úplně otevřenou. Druhá možnost je, že posluchač vnímá zvuk pa nebo zvuk p následovaný zvukem a. Třetí možnost je, že vnímá dvě sestavy abstraktních fonologických rysů (jednu pro p a jednu pro a). Vzhledem k tomu, že p ze slabiky pa bude v Angličtině typicky přídechové, seznam rysů souvisejících s p se může shodovat s jedním ze znázornění na Obrázku 1.3. Druhá významná otázka se týká výjimečnosti řeči. Je vnímání řeči v zásadě odlišné od vnímání ostatních zvuků? Existují speciální mechanismy zajišťované specializovanými nervovými obvody které jsou zaměřené pouze a jen na vnímání řeči? Tato otázka začala být vnímána jako součást větší diskuze o možném modulárním uspořádání lidské mentální kapacity (Fodor ). 14 V originále Proximal stimulus, přeloženo jako proximální podnět (proximální = blízký k centru, středu). 15 V originále Distal object, přeloženo jako distální objekt (distální = okrajový, vzdálený od středu). 16 V originále Sensory receptor, přeloženo jako smyslové čidlo. 17 Obr. 1.3 se nachází se v jedné z předcházejících kapitol, které ale není předmětem zájmu této práce. 18 Formu citace ponecháváme beze změny podle originálu, tak i dále. 8

14 Podle hypotézy modularity je lidská mysl uspořádána kolem centrálního procesoru zodpovědného za všeobecné schopnosti jako myšlení, uvažování a víra. Tento centrální procesor získává informace o okolním prostředí skrze několik systémů vnímání. Tyto systémy pokrývají oblasti tradičních pěti smyslů (zrak, sluch, hmat, čich, chuť) plus oblast jazyka. Oblasti jednotlivých systémů vnímání jsou ale specializovanější než tradiční smysly. Například v případě zraku mohou existovat dva různé systémy - jeden pro vnímání barvy a druhý pro analýzu tvaru. Každý systém vnímání souvisí s určitým specializovaným úkolem, má svou vlastní specializovanou nervovou strukturu, funguje automaticky, aniž by musel být vědomě spuštěn a není podřízen centrálnímu řízení. Když se například během dne podívám z okna, nemůžu jinak, vidím stromy v zahradě. Teoretičtí jazykovědci pracující v rámci Chomského tradice hypotézu modularity nadšeně podporují. Důležitou součástí jejich stanoviska je tvrzení, že lidské bytosti mají (skrze jazykový modul) vrozenou predispozici k naučení se jazyka. Tvrdí, že složitosti syntaxe jsou tak veliké, že by pro děti byl nemožné osvojit si mluvnici, pokud by k tomu nebyly předprogramovány. V tomto obecném kontextu je obzvláště vítán jakýkoli důkaz toho, že fonetické kategorie (např. /p/ vs. /t/ vs. /k/) jsou ve své podstatě obtížně naučitelné, nebo důkaz, že existuje rozdíl mezi sluchovým vnímáním (zvuků obecně) a fonetickým vnímáním. Například Steven Pinker ve své známé knize The Language Instinct 19 (1994) píše: Fonetické vnímání je jako šestý smysl. Když nasloucháme řeči, zvuk samotný jde jedním uchem dovnitř a druhým ven; to, co vnímáme, je jazyk. (s. 159). Jak ale ještě uvidíme (sekce ), důkazy týkající se řeči jsou nejasné a přinášejí s sebou složité otázky. Vnímání řeči se věnují dvě hlavní linie zkoumání. První z nich zahrnuje snahu propojit rysy zvukového signálu přímo s předměty vnímání. Druhá se týká snahy pochopit, jak ucho zpracovává zvuk na vstupu, a jak je informace o zvuku přenášena do mozku. Tato druhá linie zkoumání je potom rozdělena ještě do dvou základních přístupů. Za prvé, nervové reakce na zvuky řeči lze přímo monitorovat na pokusných zvířatech. Za druhé, lidští posluchači mohou dostat za úkol posoudit velmi jednoduché, základní zvuky, čímž mohou odhalit mnoho o základním rozsahu lidského vnímání. 19 Zmíněná kniha The Language Instinct: The New Science of Language and Mind (1994) vyšla česky r jako Jazykový instinkt: Jak mysl vytváří jazyk v nakl. Dybbuk, překlad: Markéta Hofmeisterová. 9

15 Nyní se budeme věnovat popořádku každé z těchto linií zkoumání. 5.2 Od zvukových signálů k vnímaným předmětům: hledání zvukových ukazatelů 20 Z toho, co bylo právě řečeno, se může úkol propojit zvukové signály s předměty vnímání jevit jako nemožný, vzhledem k tomu, že na prvním místě ani nevíme, co zmíněné předměty vnímání jsou. V praxi ale bylo možné utkat se s tímto problémem experimentálně, a to pomocí zkoumání reakcí posluchačů na pečlivě řízené zvukové podněty. Nejběžnějším typem experimentu je takový, ve kterém mají posluchači roztřídit jednotlivé podněty do omezeného počtu kategorií, z nichž každá má odlišné písemné znázornění. Například rodilí posluchači angličtiny mohou dostat za úkol zařadit nesmyslné slabiky do kategorie ta nebo kategorie da zaškrtnutím políčka na archu s odpověďmi. Předpokládá se, že různá písemná znázornění korespondují s různými předměty vnímání. Měli bychom předpokládat, že akusticko-fonetická klasifikace zvuků bude souhlasit s artikulačně-fonetickou klasifikací, známou z impresionistické fonetiky 21. A proto jsou experimenty obvykle navrhovány s ohledem na určitý rozměr impresionistické fonetiky, například rozměr znělosti nebo místa artikulace. Dále se předpokládá, že posluchači třídí zvuky do kategorií tak, že věnují pozornost určitým zvukovým aspektům, které pak slouží jako ukazatele pro zkoumaný rozměr impresionistické fonetiky. V následující části si projdeme konkrétní příklad vztahující se ke kontrastu znělosti u závěrových konsonantů. Abychom se vyhnuli zmatku, budeme při zmiňování se o fonémických kategoriích (například o anglickém /p t k/ a /b d g/) 20 V originále Acoustic cues, přeložili jsme jako zvukové ukazatele. 21 V originále použit pojem Impressionistic phonetics, který jsme přeložili jako impresionistická fonetika. Tento pojem se v českém prostředí v současnosti už příliš nepoužívá. Je to větev fonetiky, z níž vychází i experimentální fonetika. O rozdílu mezi impresionistickou a experimentální fonetikou píše Katrina Hayward v úvodu své knihy Experimental Phonetics. Dříve bylo označení Impressionistic spojováno s fonetickou transkripcí např. u jazyka, u kterého neznáme strukturu, protože se jeho zkoumáním ještě nikdo nezabýval. Dnes stojí Impresionistická fonetika (dále IF) v protikladu k Instrumentální fonetice. U IF se badatel spoléhá výhradně na svůj dojem (imprese) a ne na strojové (instrumentální) údaje. IF je založena na schopnosti identifikovat, rozlišit a používat širokou škálu řečových zvuků. Toto může být cílem samo o sobě, ale někteří badatelé jdou dál a věnují se popisu zvuků, které se mohou objevit v lidské řeči. IF se zaměřuje hlavně na artikulaci polohu a pohyby artikulátorů (viz Hayward, 2000, s. 2.). 10

16 používat značky [+ znělý] a [- znělý] 22. Pojmy znělý a neznělý budou používány ve svém přísnějším fonetickém významu: znělé zvuky vznikají za pomoci vibrace hlasivek, zatímco neznělé zvuky vznikají bez ní Příklad: Doba nástupu hlasivkového tónu 23 Hledání zvukových ukazatelů obvykle začíná prohlídkou spektrogramů 24. Podle nich je pak zpravidla navržena hypotéza předkládající návrhy zvukových aspektů, které by mohly sloužit jako ukazatele pro posluchače. Poté musí být hypotéza testována řízenými vnímavostními experimenty. Pokud posluchači reagují podle očekávání, je hypotéza potvrzena. Podívejme se například na spektrogramy na Obrázku 5.1, které znázorňují anglická slova tore 25 (/tɔ/) a door 26 (/dɔ/) vyslovené rodilým mluvčím Jižního dialektu Britské Angličtiny, mužského pohlaví. Jelikož jsou tato dvě slova minimální pár 27, jakýkoli rozdíl, který mezi nimi pozorujeme, souvisí s odlišnostmi v jejich počátečních konsonantech. Jeden očividný rozdíl se týká načasování nástupu vokálu. Ve spektrogramu slova door začínají proužky související se zněním okamžitě po explozi konsonantu (v průběhu samotného závěru hlásky /d/ se žádná známka znění neobjevuje). Ve slově tore je ale mezi explozí konsonantu a nástupem znělého vokálu značná mezera. Tato mezera není prázdná - je vyplněna šumem, který odpovídá přídechu nebo zvuku podobnému hlásce h, který se typicky objevuje v Angličtině u hlásek /p/, /t/ a /k/ stojících na počátku přízvučných slabik. 22 Pro pojmy [+ voiced] = [+ znělý], [- voiced] = [- znělý] jsou zde použity koncovky mužského rodu, ale dále v textu bylo vhodné tyto pojmy skloňovat a objevují se proto i ve formě s koncovkami. 23 V originále použit pojem Voice Onset Time, zkráceně VOT, který označuje jev probíhající při vzniku závěrových konsonantů. Je definován jako čas, který uběhne mezi explozí (zrušením závěru mluvidel u) závěrového konsonantu a nástupem znělosti = počátkem kmitů hlasivek pro vokál. Voice Onset Time je pojem, který se hojně používá v anglickém prostředí, v češtině ale nemá ustálený ekvivalent, proto navrhujeme používat jej v původním znění nebo přeložit jako doba nástupu hlasivkového tónu, případně doba náběhu hlasivkového tónu. V naší práci používáme jak původní znění bylo výhodné ponechat jej v případě zkratky VOT tak znění přeložené. První způsob překladu (doba nástupu hlasivkového tónu) jsme převzali od Radka Skarnitzla, který jej navrhl ve své práci Znělostní kontrast nejen v češtině (viz Skarnitzl, 2011, s ). 24 Spectrogram = spektrogram, grafické znázornění hlásky informující o změnách v trvání, frekvenci a intenzitě zvukových vln podél časové osy, jak je podává spektrograf přístroj pro akustickou analýzu řeči. 25 Angl. výraz tore = verbum, tvar minulého prostého času slovesa tear = roztrhnout, trhat, rvát 26 Angl. výraz door = substantivum, dveře, vchod 27 V originále Minimal pair, překládáno jako minimální pár (= např. dva slova, která se liší jediným fonémem, nebo dvě věty lišící se intonačním vzorcem). 11

17 Obrázek 5.1 Širokopásmové spektrogramy anglických slov tore /tɔ/ a door /dɔ/, vyslovovaných mluvčím mužského pohlaví. Počáteční konsonanty jsou v obou slovech neznělé, ale u tore je mnohem delší mezera mezi zrušením závěru u závěrové hlásky (explozí) a nástupem znělosti pro následující vokál. Nyní jsme objevili dva zvukové orientační body, které jsou snadno identifikovatelné na obou spektrogramech, totiž explozi závěrové hlásky a začátek proužkování, které značí nástup znění. Tyto orientační body budeme značit písmeny R a O 28. Ve slově door je mezera mezi R a O krátká, zatímco u tore je dlouhá. Přesněji řečeno, u obou slov můžeme délku trvání mezery změřit: ve slově door trvá 28 Ponecháno značení z originálu: R = release (= exploze závěrové hlásky, zrušení závěru mluvidel); O = onset of voicing (= nástup znění, počátek kmitů hlasivek pro následující vokál). 12

18 mezera 17 msec 29 ; ve slově tore to je 91 msec. Tento časový úsek je známý jako Doba nástupu hlasivkového tónu, nebo VOT 30. Znění se může objevit také v průběhu závěru. Ačkoliv i v Angličtině se počáteční znělé závěrové hlásky objevují, my si tuto možnost názorně ukážeme na španělštině, kde jsou tyto hlásky daleko běžnější. Na Obrázku 5.2 jsou spektrogramy minimálního páru španělských slov tos (/tɔs/) kašel a dos (/dɔs/) dva, vyslovených rodilým mluvčím mužského pohlaví, původem z Ecuadoru. Ve slově tos začínají proužky znázorňující nástup znělosti skoro okamžitě po explozi konsonantu, tak jak tomu bylo v případě anglického door. Ve slově dos jsou zmíněné proužky znázorňující nástup znělosti patrné již před explozí, během závěru u konsonantu /d/. Impresionistickým způsobem popisu lze říci, že /t/ je bez přídechu a /d/ je plně znělé. Délka VOT pro tos je dobře měřitelná, doba trvání mezery je 13 msec. Slovo dos je jiné v tom, že O (nástup znění) předchází R (exploze konsonantu), výsledkem čehož je nízko-frekvenční pruh znělosti 31, který je na spektrogramu jasně viditelný. Pokud chceme tento jev pojmenovat, říkáme, že VOT pro dos je negativní. Zmíněný pruh znělosti má trvání 74 msec, takže slovo dos má VOT -74 msec. Ačkoliv jsme si k jeho ilustrování vybrali koronální závěrové konsonanty (/t/ a /d/), VOT může být aplikován na závěrové konsonanty s jakýmkoli místem artikulace. Tento zvukový rozměr může být sám o sobě použit k vyčíslení odlišností mezi pravými znělými závěrovými souhláskami (jako ve španělském slově dos), neznělými závěrovými souhláskami bez přídechu (jako ve španělském výrazu tos) a neznělými závěrovými souhláskami s přídechem (jako v anglickém slově tore). (Když je hláska /d/ z anglického slova door vyslovena bez znění 32, jako v našem příkladu, je obvykle popisována jako znělá závěrová hláska zbavená znělosti 33.) V případě skutečného experimentu by definice VOT i pozorování týkající se rozdílů mezi angličtinou a španělštinou byly samozřejmě založeny na více než jen čtyřech dokladech. 29 Jednotka msec = milisekunda (tisícina sekundy) 30 VOT = Voice onset time, tak i dále pojem vysvětlen výše. 31 Pojem Voice bar, který je použit v originále, není v české fonetice příliš známý, my jsme jej přeložili jako pruh znělosti (= tmavý pruh v nejspodnější části spektrogramu objevující se pouze u znělých závěrových konsonantů, znázorňuje jejich znělost) 32 V originále Voicing, přeloženo jako znění (= znění hlasu, vibrace hlasivek při artikulaci hlásek) 33 V originále Devoiced, přeloženo jako zbavená znělosti (= mající rys ztráty znělosti u jindy znělé souhlásky) 13

19 Obrázek 5.2 Širokopásmové spektrogramy španělských slov tos (/tɔs/) kašel a dos (/dɔs/) dva. U tos je mezi zrušením závěru u závěrové hlásky (explozí) a nástupem znělosti pro následující vokál krátká mezera. U dos je před zrušením závěru vidět nízko-frekvenční pruh znělosti, který má trvání 74 msec. VOT neoddělitelně souvisí se jmény Leigh Lisker a Arthur Abramson - povstal totiž z jejich snahy stanovit pomocí experimentů zvukové ukazatele, díky nimž posluchači rozlišují mezi anglickými hláskami /b d g/ a /p t k/ (Lisker a Abramson 1964). Vzhledem k tomu, že anglické hlásky /p t k/ a /b d g/ jsou někdy rozlišeny přídechem (jako v našem příkladu se slovy tore a door), a někdy zněním (jako ve slovech rapid a rabid, ve kterých je předcházející samohláska přízvučná), byl nápad sjednotit dvě artikulační kategorie do jednoho zvukového aspektu 14

20 obzvláště atraktivní. Lisker a Abramson měli ale také zájem ukázat, že tento aspekt sám o sobě by byl užitečný také pro rozlišování mezi kategoriemi závěrových hlásek v jiných jazycích. V každém případě, když už máme VOT definovaný, můžeme formulovat hypotézu následujícím způsobem: angličtí i španělští posluchači uplatňují VOT jako ukazatel pro rozlišování mezi třídami závěrových konsonantů přinejmenším tehdy, když tyto konsonanty stojí v počáteční pozici. Negativní a malé pozitivní VOT budou vnímány jako [+ znělé] (/b d g/), zatímco dostatečně vysoké pozitivní VOT budou vnímány jako [- znělé] (/p t k/). Můžeme se také domnívat, že k tomu, aby angličtí posluchači rozpoznali závěrový konsonant jako /p/, /t/ nebo /k/, budou potřebovat slyšet delší VOT než španělští posluchači. Na druhé straně, pokud je naše základní hypotéza nesprávná, měli bychom očekávat, že zaznamenané reakce budou náhodné s nijak zvláštním upřednostněním hlásek /p t k/ nebo /b d g/, ať už je VOT jakýkoli. Pro správné prověření hypotézy je nutné provést experiment, ve kterém by bylo účastníkům experimentu předloženo kontinuum možných VOT, například kontinuum od plně znělého [da] do plně přídechového [t h a], vytvořené postupnými malými změnami ve VOT, přičemž všechno ostatní ale zůstane stejné. Slabiky či podněty mohou být nahrány na pásku a uspořádány tak, aby mezi nimi byly ponechány vhodné mezery, ve kterých by účastník experimentu měl čas reagovat. Následně by účastníci dostali za úkol označit každou slabiku, kterou slyší, jako ta nebo da, což by mohli udělat několika způsoby: napsáním jedné nebo druhé slabiky, zaškrtnutím políčka na archu s odpověďmi nebo stisknutím tlačítka s označením ta nebo da. Kvalitní provedení experimentu by vyžadovalo nahodilé uspořádání podnětů na nahrávce a také opakování každého podnětu více než jednou. K vytvoření takového kontinua podnětů je nutné použít uměle vyprodukovanou syntetickou řeč. Jedině tak si můžeme být jisti, že se jednotlivé podněty budou lišit pouze ve VOT, v ničem jiném. Nikdo, dokonce ani ten nejlepší praktický fonetik, nemůže spolehlivě obměňovat svůj VOT - systematicky po úsecích s velikostí 10 msec - a při tom udržet všechno jiné absolutně beze změny. U syntetické řeči je možné mít místo nástupu znělosti plně pod kontrolou. Takovýto experiment byl ve skutečnosti proveden dvojicí Lisker Abramson, jak s mluvčími Americké Angličtiny (Abramson a Lisker 1970), tak s mluvčími Latinsko-Americké Španělštiny (Abramson a Lisker 1973). Výsledky experimentu 15

21 Identifikace hlásek v procentech (12 ss) s anglickými mluvčími jsou graficky znázorněny na Obrázku 5.3. Vodorovná osa představuje kontinuum VOT, od 150 msec na levé straně do msec na pravé straně. Každý podnět odpovídá jednomu z bodů, které jsou rozmístěny podél celého kontinua. Ve většině případů je interval mezi sousedícími body 10 msec, ale do rozmezí 10 až +50 msec byly přidány body navíc, takže celkový počet podnětů je 37. popis obrázku je umístěn ve spodní části následující stránky 16

22 Svislá osa představuje reakce posluchačů uvedené v procentech. Každý graf má dvě navzájem se křížící křivky, jednu pro reakce které zaznamenaly slabiku pa (nebo ta či ka) a druhou pro ty reakce, které zaznamenaly slabiku ba (nebo da či ga) 34. Když je, jako v tomto případě, jedinou možnou odpovědí buďto pa, nebo ba, budou hodnoty souhlasit ve 100% reakcí v jakémkoli bodě na vodorovné VOT ose. Proto tam, kde se odpovědi v podobě slabiky pa blíží hodnotě 100%, je procento odpovědí v podobě slabiky ba skoro nulové a naopak. Jak jsme předpokládali, výsledky ukazují, že slabiky s vysokou pozitivní hodnotou VOT jsou jednomyslně vnímány jako pa a slabiky s vysokou negativní hodnotou VOT jsou jednomyslně vnímány jako ba. Existuje také střední oblast, ve které se objevují odpovědi v podobě jak pa tak ba. Pokud byla základní hypotéza nesprávná a posluchači nevěnují VOT žádnou pozornost, neměli bychom pozorovat žádné zvláštní upřednostnění pa nebo ba ani na jedné straně řady. U experimentu této povahy je věnována obzvláštní pozornost bodu křížení 35, ve kterém se zmíněné dvě křivky kříží ve výšce 50%. Tento bod bude považován za hranici mezi [+ znělou] a [- znělou] sekcí v kontinuu možných VOT. V případě pa a ba byl bod křížení, zjištěný pro Angličtinu v experimentu Abramsona a Liskera, přibližně 25 msec; pro španělské mluvčí (data neuvedena) byl o něco nižší, přibližně 14 msec. Obrázek Určování syntetických CV slabik s proměnlivým VOT rodilými anglickými posluchači. Pokud je hodnota VOT záporná, počáteční konsonant je jednomyslně určen jako [+ znělý] (/b/, /d/ nebo /g/). Pokud je hodnota VOT kladná a dostatečně vysoká, počáteční konsonant je jednomyslně určen jako [- znělý] (/p/, /t/ nebo /k/). Mezi těmito dvěma extrémy je přechodná oblast, ve které se křivky [+ znělá] a [- znělá] kříží. Svislé, čáry objevující se v každém grafu, poskytují údaje vztahující se k samostatnému doplňujícímu experimentu, v němž byly změřeny hodnoty VOT u anglických rodilých mluvčích, vyslovujících počáteční [+ znělé] a [- znělé] konsonanty. Každá čára udává procento příkladů, které byly zaznamenány u určitých VOT (vycházíme ze zokrouhlených hodnot). Všimněme si, že angličtí mluvčí obecně vyslovují /p/, /t/ a /k/ s VOT napravo od bodu křížení, zatímco /b/, /d/ a /g/ vykazují VOT nalevo od bodu křížení. Převzato od Liskera a Abramsona (1970). 34 Účastníci výzkumu měli u každého jednotlivého podnětu zaznamenat, jestli slyšeli pa nebo ba. 35 V originále Crossover point, přeloženo jako bod křížení 36 Obrázek má v originále určité nedostatky, hlavně v oblasti popisků a komentáře. Není vysvětleno, co znamená hodnota v závorce (12 ss) u svislé osy (Identifikace hlásek v procentech), ale z textu studie, ze které byl graf převzat (Lisker a Abramson 1970) jsme zjistili, že odkazuje k počtu účastníků experimentu. Další nejasností je hodnota N u každého ze tří grafů. Opět není jasné, co označuje, ale můžeme se domnívat, že odkazuje k celkovému počtu podnětů pro jeden graf (N = number). 17

23 Pro usnadnění srovnání produkce a percepce zobrazují grafy také výsledky jiného experimentu, v němž bylo nahráno, jak rodilí mluvčí vyslovují počáteční znělé a neznělé závěrové souhlásky. Znázorňují to svislé linky u základní čáry grafu. Každá z nich udává procento příkladů, které byly zaznamenány u určitých VOT (vycházíme ze zaokrouhlených hodnot). Například v prvním grafu zmíněné souvislé svislé linky naznačují, že angličtí mluvčí vyslovovali /p/ s VOT pohybujícím se od +20 msec (označeno linkou nejvíce vlevo) do +90 msec (označeno linkou nejvíce vpravo). Nejčastěji zaznamenaná hodnota byla VOT = +50 msec (u které je linka nejvyšší), která se podílela na více než 20% všech případů. Pro /b/ byla zaznamenána silná převaha hodnot blízko 0 (což ukazuje poloha tečkovaných linek). Výsledky experimentu poskytují důkazy ve prospěch hypotézy, která navrhuje, že VOT slouží jako ukazatel pro rozlišení mezi [± znělými] dvojicemi. Jak španělští tak angličtí posluchači rozdělili kontinuum VOT na dvě části, a to na část [+ znělou] a část [- znělou]. Je také zajímavé, že výsledky jsou, alespoň do určité míry, jazykově specifické 37. Angličtí mluvčí, kteří vyslovují své /p/ s delším VOT než španělští mluvčí, potřebují také delší VOT, aby rozpoznali počáteční závěrový konsonant, například /p/. Jazykově specifické povaze výsledků se dostalo podpory také od podobného experimentu s thajskými mluvčími, popsaného rovněž dvojicí Lisker Abramson (1970). Ti dostali za úkol rozdělit podněty do tří kategorií, odpovídajících třem typům závěrových konsonantů ([+ znělé], [- znělé] bez přídechu a [- znělé] s přídechem) v jejich mateřském jazyce. Například pro retnice fungovaly jako označení kategorií symboly thajského písma pro /ba/, /pa/ a /p h a/. Abychom to shrnuli, podařil se nám stanovit jednoduchou metodologii, kterou lze použít k získání vhledu do toho, co rodilí mluvčí používají k rozpoznání jednotlivých zvuků svého vlastního jazyka a rozlišení mezi nimi. Badatel nejprve hledá jeden zvukový rozměr, který slouží k rozlišení mezi zkoumanými zvuky, když jsou vyslovovány rodilými mluvčími. Poté je uměle vyrobena řada podnětů postupně se obměňujících na škále jednoho zvukového rozměru. Ve třetím kroku dostanou účastníci experimentu za úkol poslouchat podněty, jako by poslouchali běžnou řeč, a rozdělit je do příslušných kategorií (jako například pa nebo ba). Tuto sekci je zakončíme poznámkou z historie. Experimenty typu jaký jsme právě popisovali, v nichž jsou získávány reakce posluchačů na změny v jednom 37 V originále Language specific (features), přeloženo jako jazykově specifické (jevy), (= jevy charakteristické pro určitý jazyk) 18

24 zvukovém ukazateli, jsou založeny na principu, podle něhož se metodologie původně vyvinutá pro výzkum v psychofyzice uplatní na řeč (sekce 5.4). Tento druh výzkumu vnímání řeči byl započat v padesátých letech 20. století v Haskinsových laboratořích v New Yorku. Mnohé z experimentů zde prováděných včetně těch od Liskera a Abramsona položily základy našeho současného chápání povahy vnímání řeči, a Haskinsovy laboratoře (v současnosti sídlící v New Haven v Connecticutu) zůstávají vedoucím centrem pro výzkum řeči Problém nedostatku neměnnosti Interpretace zvukových ukazatelů bohužel není tak jasná, jak by sekce mohla napovídat. Hlavním problémem je proměnlivost, nebo, jak se uvádí běžněji, nedostatek neměnnosti 38. Bylo by hezké si myslet, že pro každý klasifikační rozměr 39 impresionistické fonetiky můžeme najít jeden nebo více zvukových rozměrů, které mu odpovídají a slouží jako ukazatele. Například, přinejmenším u rodilých posluchačů angličtiny bychom rádi předpokládali, že pokud má závěrový konsonant VOT delší než 25 msec, posluchači budou objekt vnímat jako [- znělý], zatímco pokud je VOT kratší než 25 msec, budou jej vnímat jako [+ znělý]. (Vzpomeňme si, že ve výše popsaném experimentu bylo řečeno, že hodnota 25 msec je hranice mezi /p/ a /b/.) V případě VOT a rozlišování mezi [± znělými] dvojicemi je první potíží skutečnost, že hranice mezi [+ znělou] a [- znělou] kategorií se mění s místem artikulace. Při všem ostatním beze změny bude VOT nejdelší pro velární závěrové souhlásky a nejkratší pro labiální závěrové souhlásky; koronální závěrové souhlásky obsazují prostřední pozici. Lisker a Abramson (1973) 40 podávají následující průměrné hodnoty bodu křížení u anglických účastníků výzkumu. 38 V originále Lack of invariance, překládáno jako nedostatek neměnnosti 39 V originále Classificatory dimension, přeloženo jako klasifikační rozměr (= dimenze sloužící jako ukazatel pro třídění) 40 Zde došlo v originále pravděpodobně k chybě, protože záznam o publikaci, ke které by odkazoval tento odkaz, se v bibliografii v původní práci nenachází. Buďto byl záznam z bibliografie vynechán, nebo měl být odkaz zapsán ve formě Abramson a Lisker (1973). Zde ponecháváme v původní, i když chybné podobě. 19

25 Závěrové konsonanty: Labiální Koronální Velární bod křížení 25 msec 35 msec 42 msec To znamená, že angličtí posluchači budou VOT s hodnotou 35 msec pravděpodobně interpretovat jako [- znělý] (pa), pokud bude dotyčná hláska labiální. V případě, že bude dotyčná hláska velární, budou jej interpretovat jako [+ znělý] (ga); pokud bude hláska koronální, interpretace může být nejednoznačná (ta/da). Situace se stává komplikovanější, když vezmeme v úvahu širší výběr kontextů. Dobrým příkladem je vzájemné působení mezi VOT a přízvukem. Klasické experimenty s VOT pracovaly se závěrovými hláskami v počáteční pozici v izolovaných jednoslabičných slovech. V takových případech je závěrový konsonant nejen na počátku slova, ale i na počátku přízvučné slabiky. Přinejmenším pro skupinu [- znělých] hlásek (p, t, k), je ale VOT při nepřítomností přízvuku kratší. Kupříkladu Lisker a Abramson (1967) udávají průměrný zjištěný VOT pro /p/ 59 msec v přízvučných slabikách, ale jen 38 msec v nepřízvučných slabikách (založeno na údajích z vyslovování izolovaných slov třemi mluvčími). Poslední uvedená hodnota se nachází v [+ znělém] rozmezí pro velární závěrové hlásky (t. j. pro /g/ v protikladu ke /k/). VOT je také ovlivněn povahou následujícího vokálu (před vysokými vokály je delší než před nízkými vokály). Existují konečně i případy, ve kterých nemůže být VOT definován. Očividnými příklady jsou závěrové souhlásky bez exploze, nacházející se na konci slabiky (takové, u kterých ani nedochází k explozi, ani nenásleduje znělý vokál), a jakékoli závěrové souhlásky před pauzou (může u nich docházet k explozi, ale nenásleduje vokál). Případ [+ znělých] intervokalických závěrových souhlásek (b, d, g) je také problematický, protože znění má sklon přetrvávat od předcházejícího vokálu, čímž dochází k plné znělosti během závěru, nebo ještě hůře, k částečné znělosti na počátku závěru. Problém nedostatku neměnnosti čas od času vyvstává při hledání zvukových ukazatelů, které by odpovídaly aspektům impresionistické fonetiky. Něco z této proměnlivosti je důsledkem bezprostředního fonetického kontextu, jako v příkladech souvisejících s VOT, o kterých jsme právě mluvili. Proměnlivost může povstat také ze změny v celkovém kontextu, kdy souvisí s takovými faktory, jako jsou tempo řeči 20

26 nebo to, jestli je mluvčím žena nebo muž (sekce 6.9). Problém toho, jak posluchači propojují vysoce proměnlivé zvukové signály s abstraktnějšími a neměnnými jednotkami jazykové reprezentace, se zdá být daleko složitější, než si kdo mohl představit před padesáti léty, kdy výzkum zvukových ukazatelů zrovna začínal Je řeč výjimečná? Jak už bylo zmíněno (sekce 5.1), významnou otázkou ve výzkumu vnímání řeči bylo, jestli a do jaké míry může vnímání řeči utvářet zvláštní modul nebo submodul jazykového modulu v uspořádání mysli. Jinými slovy, vyžaduje vnímání řeči speciální druhy zpracování, se kterými se nepracuje v případě zvuků jiných než řeč? Diskuze se soustřeďuje kolem určitých specifických jevů, které vyšly na světlo v průběhu výzkumu zvukových ukazatelů. Někteří badatelé tvrdí, že tyto jevy jsou typické jen pro vnímání řeči, a to inspirovalo ostatní k hledání důkazů, které by ukázaly opak, že tyto jevy nejsou typické jen pro vnímání řeči. Ať už je konečný výsledek diskuze jakýkoli, tyto jevy jsou samy o sobě zajímavé a poskytují další příklady nedostatku neměnnosti v řeči Kategoriální vnímání Pravděpodobně nejdiskutovanější důkaz v debatě o výjimečnosti řeči je ten týkající se kategoriálního vnímání 41. Při kategoriálním vnímání posluchač slyší nepřetržitou řadu zvuků ne jako kontinuum, ale jako malé množství oddělených kategorií. V ideálním případě se to projevuje dvěma způsoby. Za prvé, když mají posluchači rozpoznat podněty obměňující se postupně v celém kontinuu, spíše mezi kategoriemi náhle přeskakují, než aby je procházeli postupně. Za druhé, a to je důležitější, posluchači rozlišují lépe mezi podněty náležejícími do rozdílných kategorií, než mezi těmi, které patří do stejné kategorie. Experimenty Abramsona a Liskera týkající se VOT poskytují také příklad kategoriálního vnímání. V grafu na Obrázku 5.3 lze vidět, že většina podnětů byla jednomyslně zařazena do kategorií pa nebo ba; přechodná oblast je opravdu velmi malá. Oproti tomu, kdyby vnímání bylo kontinuální 42, měli bychom čekat daleko pozvolnější přechod od jednoznačných pa k jednoznačným ba. 41 V originále Categorical perception, přeloženo jako kategoriální vnímání 42 V originále Continuous perception, přeloženo jako kontinuální (nepřetržité) vnímání 21

27 V jiném, doplňujícím, výzkumu testovali Lisker a Abramson schopnost posluchačů rozlišovat mezi podněty. Mohou například posluchači zaznamenat, že dvě CV (consonant vowel 43 ) slabiky byly jiné, pokud jsou tyto slabiky od sebe vzdáleny jen jeden krok po kontinuu (to je, pokud se od sebe ve VOT liší jen o 10 msec)? A co slabiky, které jsou od sebe vzdáleny dva nebo tři kroky? V takovýchto experimentech se obecně očekává, že se posluchačům bude při rozlišování dařit celkově lépe, pokud bude míra oddělení větší. Jinými slovy, mělo by být jednodušší poznat, že dvě CV slabiky jsou odlišné, když se jejich VOT liší o 40 msec, než když se liší jen o 20 msec. Pokud ale posluchači používají kategoriální vnímání, mělo by se jim v rozlišování dařit o mnoho lépe také tehdy, kdy se dotyčné dvě slabiky nacházejí na dvou opačných stranách dělicí čáry. V případě, kdy měli angličtí posluchači identifikovat labiální závěrové souhlásky před nízkými vokály (pa vs. ba), jsme viděli, že hranice mezi kategoriemi má hodnotu asi VOT = +25 msec. Podle toho by mělo být pro posluchače jednodušší rozlišit mezi slabikami s hodnotou VOT = +20 a +40, než mezi slabikami s VOT = +50 a +70, protože obě hodnoty druhého páru jsou situovány hluboko v kategorii pa. Obrázek 5.4, převzatý od Abramsona a Liskera (1970), znázorňuje rozlišující funkci 44 pro skupinu pěti anglických posluchačů. Procento správného rozlišení pro každý pár CV slabik je zakresleno jako funkce jejich průměrného VOT (na vodorovné ose). Například, pro dvojici slabik s VOT = +10 a VOT = +30, by průměrný VOT byl Consonant - vowel = konsonant - vokál, druh slabiky skládající se ze souhlásky následované samohláskou, tak i dále, případně jiné kombinace C a V. 44 V originále Discrimination function, přeloženo jako rozlišující funkce 22

28 Obrázek Rozlišující funkce u CV podnětů na kontinuu slabik pa-ba pro rodilé anglické posluchače. Procento správného rozlišení pro každý pár CV slabik je zakresleno jako funkce průměrného VOT těchto dvou slabik. Tři znázorněné křivky odpovídají dvou-, tří- a čtyř-krokovému rozlišování. Krok zde odkazuje k počtu kroků, každý o velikosti 10 msec, po kontinuu VOT, takže například dvou-krokové rozlišování znamená rozlišování mezi dvěma CV slabikami, které se ve VOT liší o 20 msec. Svislá čára na tomto Obrázku odpovídá bodu křížení s hodnotou 50 %, který byl určen v rozpoznávacím experimentu (Obrázek 5.3).Všechny tři křivky dosahují svého vrcholu v tomto 50% bodě křížení a potvrzují tím, že rozlišování je nejjednodušší tehdy, když dotyčné podněty náleží každý do jiné kategorie (v tomto případě do kategorie /pa/ nebo /ba/). Převzato od Abramsona a Liskera (1970). Svislá čára na tomto Obrázku odpovídá bodu křížení s hodnotou 50%, který byl určen v rozpoznávacím experimentu (Obrázek 5.3). Tři znázorněné křivky odpovídají dvou-, tří- a čtyř-krokovému rozlišování. Krok zde odkazuje k počtu kroků po kontinuu VOT, takže například dvou-krokové rozlišování znamená rozlišování mezi dvěma CV slabikami, které se ve VOT liší o 20 msec. Zcela podle očekávání měli účastníci výzkumu nejlepší výsledky ve čtyř-krokovém rozlišování. (Ukazuje to fakt, že čtyř-kroková křivka má uprostřed širší oblouk než zbylé dvě). Ani čtyř-krokové rozlišování ale není spolehlivé, pokud jsou VOT dotyčných podnětů záporné nebo vysoké kladné. To potvrzuje, že rozlišování je nejsnadnější, když dva dotyčné podněty náleží každý do jiné kategorie, dokonce i tehdy, když se hodnoty jejich VOT liší o 4 kroky (40 msec). 45 Také tento Obrázek má v originále několik nedostatků. Chybí pojmenování obou os, doplnili jsme jej proto podle studie, z níž je graf převzat (Abramson a Lisker 1970). Dále chybí vysvětlení hodnoty v závorce (5 ss), které (podle původní studie) odkazuje k počtu účastníků experimentu. U hodnoty N, která rovněž není vysvětlena, se domníváme, že odkazuje k celkovému počtu podnětů pro tento graf. 23

29 Pointou kategoriálního vnímání je, že posluchači vnímají zkoumané podněty ne jako zvuky, čisté a jednoduché, ale spíš jako členy kategorií. Kdyby naslouchali podnětům (v tomto případě CV slabikám) jako zvukům, jejich schopnost rozlišit je by nezávisela na umístění hranic kategorií Mnohočetné ukazatele a výměnné vztahy Experimenty s vnímáním řeči se běžně zaměřují na jediný zvukový ukazatel či na jeden rozměr impresionistické fonetiky. Nicméně, bylo by velmi neobvyklé, aby pouze jediný ukazatel byl zodpovědný za signalizování jednoduchého fonetického kontrastu. Jinými slovy, řeč je vysoce redundantní 46. Z posluchačova úhlu pohledu je to ovšem prospěšné, jelikož použití mnohočetných ukazatelů slouží ke zvýšení kontrastu mezi odlišnými segmenty. Dobrým příkladem je rozdíl mezi [+ znělými] a [- znělými] závěrovými konsonanty v angličtině. Kontrast mezi [- znělým] /p/ (nebo /t/ či /k/) a [+ znělým] /b/ (nebo /d/ či /g/) souvisí vedle VOT ještě s několika dalšími ukazateli. Patří do nich základní frekvence 47 (F 0 ) počátku následujícího vokálu (vyšší u /p/, nižší u /b/), frekvence prvního formantu počátku následujícího vokálu (vyšší u /p/, nižší u /b/), a, v případě intervokalických závěrových hlásek, trvání závěru (delší u /p/, kratší u /b/). Ve skutečnosti Lisker (1986) vyjmenovává šestnáct takových ukazatelů. Ne všechny potenciální ukazatele jsou relevantní u každého jednotlivého výskytu /p/ nebo /b/, ale obvykle máme do činění s více než jedním. Pokud mají posluchači roztřídit podněty, které se různí ve dvou či více ukazatelích, mezi ukazateli typicky dochází k výměnnému vztahu 48. Pojem výměnný vztah je zde použit ve významu, v jakém se běžně rozumí výměnný obchod či výměna něčeho za něco. Například, při rozhodování, jestli máme cestovat vlakem nebo autobusem, dochází k výměně mezi cenou a délkou cesty. Autobus je levnější, ale vlak je rychlejší. Pokud je rozdíl v ceně opravdu velký, skoro každý zvolí autobus; pokud je rozdíl v ceně snížen na pár korun, skoro každý zvolí vlak. V meziprostoru je ale velké území, kde změna jednoho faktoru může být 46 Redundant = redundantní, nadbytečný. Zde ve významu obsahující nadbytečné elementy 47 V originále Fundamental frequency, překládáno jako základní frekvence (= kmitočet základního tónu/hrtanového hlasu). 48 V originále Trading relation, přeloženo jako výměnný vztah 24

30 kompenzována změnou druhého faktoru. Pokud autobus jen o trochu zlevní, vlak může udržet svůj tržní podíl tím, že trochu zrychlí. Známý příklad výměnného vztahu v řeči se týká VOT a prvního formantu (F 1 ) následujícího vokálu. Na začátek si povšimněme, co nám ukazují přirozeně vzniklé CV slabiky, a to, že VOT má sklon měnit se s počáteční frekvencí F 1. U nízkých vokálů (které mají vysoký F 1, viz sekce 6.2) souvisí formanty F 1, které od nízké počáteční frekvence stoupají, s [+ znělými] konsonanty, zatímco formanty F 1, které jsou více méně rovnoměrné, souvisí s [- znělými] konsonanty. Na Obrázku 5.5 vidíme příklad, který zobrazuje kontrastní spektrogramy anglických slov tart 49 a dart 50. Nyní se vraťme k VOT. Obrázek 5.3 naznačuje, že přinejmenším rodilí posluchači angličtiny budou VOT s hodnotami vyššími než asi +60 msec vnímat nezněle (/p/, /t/ či /k/), zatímco VOT s hodnotami nižšími než asi +10 msec budou vnímat zněle (/b/, /d/ či /g/). V prostoru mezi hodnotami msec se přesné umístění hranice VOT mění v závislosti na místě artikulace konsonantu. Jako další krok se nabízí prozkoumat účinky proměnlivé počáteční frekvence F 1 v tomto meziprostoru. Ve známé sérii experimentů ukázali jejich autoři Summerfield a Haggard (1977), že počáteční frekvence F 1 může být vyměněna za VOT. Podněty, se kterými pracovali, byly syntetické CV slabiky, ve kterých byl C zastoupen velárním konsonantem (/k/ nebo /g/). Koncepce experimentů byla poměrně složitá, jelikož jejich autoři byli dychtiví ukázat, že tím rozhodujícím ukazatelem je počáteční frekvence formantu F 1, spíše než stoupající (v kontrastu s rovnoměrným) F 1 či další faktory související s druhým formantem (F 2 ). Obrázek 5.6 ukazuje jednu sadu výsledků. V tomto experimenty byly dány tři možné počátky formantu F 1 (208 Hz, 311 Hz a 412 Hz), každý odpovídající jednomu grafu na Obrázku. Pro každou počáteční hodnotu mohl být F1 vodorovný (souvislé čáry) nebo stoupající (přerušované čáry); navíc, malé stoupání bylo dáno do kontrastu s velkým stoupáním (znázorněno dvojím druhem přerušované čáry). VOT kolísal mezi hodnotami +15 msec a +50 msec a odpovídal tak meziprostoru z kontinua Liskera a Abramsona. 49 Angl. výraz tart = ovocný koláč 50 Angl. výraz dart = šipka, střela tvaru šipky 25

31 Obrázek 5.5 Spektrogramy anglických slov tart (/tɑt/) a dart (/dɑt/), vyslovených mluvčím mužského pohlaví. Ve slově tart začíná pruh odpovídající F 1 vysoko a pokračuje dál rovnoměrně. Ve slově dart je vidět, že pruh, který odpovídá F 1, začíná po nástupu znělosti stoupat, ačkoliv se pak rychle srovná. Počáteční frekvence F 1 je proto vyšší ve slově tart. Ve všech třech grafech se všechny tři křivky svažují dolů, což naznačuje posun směrem ke /k/ se zvyšujícím se VOT. Zároveň můžeme porovnáním těchto tří grafů vidět účinek proměnlivé počáteční frekvence F 1. V grafu napravo se větší část křivek nachází pod čárou značící 50%, což znamená, že převažuje /k/. V levém grafu leží všechny křivky skoro celé nad čárou značící 50%, a to znamená, že převládá /g/. Prostřední graf ukazuje situaci mezi těmito dvěma extrémy. 26

32 Procento odpovědí ve tvaru [g] Obrázek 5.6 Důkaz ve prospěch výměnného vztahu mezi dobou nástupu hlasivkového tónu (VOT) a počáteční frekvencí F 1. V tomto experimentu byly zkombinovány tři hodnoty počátku F 1 s kontinuem hodnot VOT za účelem vytvoření série slabik typu CV. C byl ve všech případech zastoupen velární závěrovou hláskou (podobající se /k/ nebo /g/). Byl znázorněn také kontrast mezi F 1 s rovnoměrným průběhem (souvislé křivky) a rostoucím F 1 (přerušované křivky). Posluchači měli počáteční konsonanty označit za /k/ nebo /g/; každý z grafů ukazuje procento odpovědí ve tvaru /g/. Ve všech třech grafech se všechny tři křivky svažují dolů, což naznačuje posun směrem ke /k/ se zvyšujícím se VOT. Pokud tyto tři grafy porovnáme, můžeme vidět účinek proměnlivé počáteční frekvence F 1. V grafu napravo se větší část všech tří křivek nachází pod čárou značící 50 %, což znamená, že převažuje odpověď /k/, ačkoli ve více než 50 % případů identifikují posluchači podněty s nízkými VOT jako /g/. V levém grafu leží všechny křivky skoro celé nad čárou značící 50 %, a to znamená, že převládá odpověď /g/, ačkoli ve více než 50 % případů identifikují posluchači podněty s vysokými VOT jako /k/. Dohromady vzato tyto grafy naznačují, že nízká hodnota počátku F 1 (signalizující [+ znělou] hlásku /g/) může být vykompenzována vysokou hodnotou VOT (naznačující [- znělou] hlásku /k/. Převzato od Summerfielda a Haggarda (1977), upraveno. Celkový výsledek Summerfieldova a Haggardova výzkumu lze shrnout následujícím způsobem: čím nižší je počáteční frekvence F 1, tím pravděpodobněji bude podnět vnímaný jako [+ znělý]. Avšak nízký počátek F 1 (který posluchači napoví, že vnímaný objekt je [+ znělý]) může být vyvážen zvýšením VOT (díky němuž se posluchač přikloní k vnímání [- znělého] objektu). Jinými slovy, mezi VOT a počáteční frekvencí F1 probíhá výměna. Pointou je, že posluchači automaticky dojdou ke stejnému fonetickému objektu vnímání (/k/) u podnětů, které jsou ve skutečnosti zcela odlišné. Vyšší počátek F 1 + nižší VOT odpovídají nižšímu počátku F1 +vyššímu VOT. Výměnné vztahy jsou také příkladem nedostatku neměnnosti v tom, že stejný zvukový ukazatel (například VOT = +35 msec) je vykládán různě (v tomto případě jako /g/ nebo /k/) v různých kontextech (v kombinaci s různými frekvencemi F 1 ). 27

33 Dvojité vnímání Pozoruhodným rysem řeči je, že obsahuje množství zvuků, které, vytrženy z kontextu, vůbec nezní jako řeč. Jednoduše to lze alespoň přibližně ilustrovat na počítačovém spektrografu 51, který umožňuje vyjmout malé úseky zvuku a poslouchat je samostatně. Například shluk hlásek thr- (/θr/), používaný například v anglických slovech threw nebo three 52 (běžně vyslovovaný jako [θ ɹ] se ztrátou znělosti u /r/), může, když jej vystřihneme a přehrajeme samostatně, znít jako klesající hvizd Když je ale zapojen do zbytku původního slova, jeho hvízdavý charakter zmizí a výsledek zní jako sled zvuků /θ/ a /r/. Důmyslnější experimenty ukázaly, že je možné získat zároveň vjem normální CV série a vjem hvizdu, jev známý dvojité vnímání 54. V jednom známém experimentu, který popsali Whalen a Liberman (1987), byla pozornost zaměřena na přechod třetího formantu (F 3 ) v CV slabikách. Přechod třetího formantu je prudká změna F 3 na počátku vokálu, při posunu artikulačních orgánů ze souhláskové pozice do samohláskové pozice; směr přechodu F 3 může být navíc zásadní při rozlišování da a ga (sekce ). Když je přechod F3 vyroben uměle a pak samostatně přehrán, zní tak trochu jako hvizd: v přechodu u slabiky da výška tónu klesá, zatímco u ga stoupá. V klíčových experimentech byly CV slabiky uměle vyrobeny bez přechodu třetího formantu a takto byly přehrány do jednoho ucha; samy o sobě tyto slabiky zněly jako CV slabiky s neurčitým počátečním konsonantem. Poté byl současně do druhého ucha přehrán možný přechod formantu: za těchto okolností posluchači zaznamenali da nebo ga podle příslušného druhu přechodu. Pokud byl přechod dostatečně ostrý, uslyšeli také vysoko-frekvenční hvizd. Skutečnost, že byli schopni identifikovat slabiku jako da nebo ga, ukázala, že posluchači s největší pravděpodobností kombinují hvizd a jednoduchou CV slabiku do vjemového celku. Na druhé straně ale skutečnost, že posluchači i nadále slyšeli hvizd, ukázala, že ho pravděpodobně vnímají také jako oddělený jev. Jelikož je přechodový hvizd vnímán současně dvěma různými způsoby, říká se o něm, že je dvojitý. 51 Spectrograph = spektrograf (= přístroj pro akustickou analýzu řeči) 52 Anglický výraz threw = tvar minulého prostého času slovesa throw = hodit, vrhnout, a three = tři 53 V originále se zde objevuje horní index 1, který jsme zde ponechali, a který odkazuje k poznámce na konci kapitoly. 54 V originále Duplex perception, přeloženo jako dvojité vnímání 28

34 Tvrdí se, že dvojité vnímání ukazuje na neshodu mezi vnímáním zvuku obecně a fonetickým vnímáním. Jednotlivý hvizd nebo jedno zacvrlikání přestávají být vnímány jako hvizd nebo zacvrlikání pokud jsou začleněny do vhodného fonetického celku. Obecněji vzato, dvojité vnímání poskytuje další příklad nedostatku neměnnosti, jelikož jeden zvuk lze slyšet jako řeč (či její součást), nebo jako něco, co řečí vůbec není Bimodální 55 vnímání Ačkoliv o řeči většinou přemýšlíme primárně jako o něčem, co slyšíme, je mnoho situací jako třeba snaha vést konverzaci skrz okno vlakového vagonu ve kterých může odezírání ze rtů poskytnout cenný dodatek ke zvuku. Navíc je obvykle patrný určitý nesoulad mezi pohyby rtů a zvukem, nesoulad objevující se například tehdy, když jsou filmy dabovány do jiného jazyka, a který může být velmi nepříjemný, pokud je příliš velký. Pokud jde vše podle očekávání a nic v okolí se nezmění, čekáme, že to, co vidíme, bude v souladu s tím, co slyšíme. Řečeno odborněji, vnímání řeči je často bimodální a zahrnuje kombinování (integrování 56 ) zrakové a sluchové informace. Nejznámější dílo věnující se roli zrakové informace při vnímání řeči je to, publikované dvojicí McGurk a MacDonald (McGurk a MacDonald 1976; také MacDonald a McGurk 1978). Pro jejich zkoumání z roku 1976 bylo natočeno video se ženou, která vyslovovala jednoduchá nesmyslná CVCV 57 slova ba-ba, ga-ga, papa a ka-ka. Když bylo pak účastníkům experimentu buď promítnuto video, nebo jim byl puštěn zvukový záznam, identifikovali všechna čtyři slova správně. Poté bylo připraveno nové video tak, že originální video bylo nadabováno takovým způsobem, že opticky labiální hlásky (ba-ba a pa-pa) byly zkombinovány se zvukově velárními hláskami (ga-ga a ka-ka) a naopak 58. Když byl pak účastníkům výzkumu puštěn tento materiál, jejich rozpoznávání slov bylo velmi odlišné. Když byly zvukové labiály zkombinovány s optickými velárami (ba-ba s ga-ga a pa-pa s ka-ka), uvedli, 55 V originále Bimodal perception, přeloženo jako bimodální vnímání, bimodální (= mající nebo projevující dvě kontrastní formy či módy; v případě bimodálního vnímání se mohou tyto dvě formy kombinovat). 56 Integrating (to integrate) = integrování (integrovat), (= propojení, sjednocení, promísení, kombinování) 57 Slovo s vzorcem CVCV = konsonant-vokál-konsonant-vokál 58 Vizuální záznam labiálních hlásek byl přiřazen k audio záznamu velárních hlásek a naopak. 29

35 že slyšeli da-da a ta-ta. V opačném případě (zvukové veláry s optickými labiálami) měli sklon slyšet slova, která obsahovala oba typy konsonantů, jako například bagba nebo paka. Obecně řečeno, to, co účastníci slyšeli bylo velmi ovlivněno tím, co viděli. Jev, při kterém má zraková informace vliv na to, co posluchači slyší, je znám jako McGurkův efekt. McGurkův efekt je dalším příkladem nedostatku neměnnosti, jelikož jeden zvuk je interpretován různě v různých vizuálních kontextech. Aspektům McGurkova efektu, které se týkají více různých jazyků, se věnují Massaro et al. (1993) a Sekiyama a Tohkura (1993) Argumenty proti výjimečnosti řeči Ačkoliv jsou výše popsané vnímavostní efekty pevně zavedené, jejich význam při vnímání řeči zůstává sporný. Hlavním bodem diskuse je otázka, jestli jsou tyto efekty příznačné pouze řeči. Pokud jsou opravdu příznačné jen řeči, představovaly by důkaz speciální řečové modality, včetně zvláštního systému nervových obvodů. Pokud ale lze stejné jevy pozorovat také mimo řeč, musí s největší pravděpodobností patřit do sluchového vnímání obecně a nemůžeme je brát za důkaz řečového módu. V každém případě nyní existuje obrovské množství prací, které se snaží ukázat, že kategoriální vnímání, výměnné vztahy, bimodální vnímání a dvojité vnímání nejsou omezeny jen na vnímání řeči lidskými bytostmi. Existují tři linie útoku. Za prvé, bylo ukázáno, že stejné jevy lze pozorovat i na lidském vnímání jiných, neřečových, objektů. Nejčastěji zkoumanými neřečovými objekty byly jednoduché podněty, v nichž byly tóny a šumy uspořádány do vzorců podobných řeči; dalším zkoumaným podnětem byla hudba. Příkladem obzvláště důmyslného experimentu je práce Fowlera a Rosenbauma - jejich výzkum dvojitého vnímání používající podněty získané z nahrávky zvuku prásknutí železnými dveřmi (Fowler a Rosenbaum 1990, 1991). Druhá linie útoku zahrnuje zkoumání zvířecího vnímání. Vzhledem k tomu, že se řeč týká pouze lidských bytostí, by jakýkoli důkaz toho, že se zvířata mohou naučit rozlišovat řečové zvuky stejně jako lidé, argumentoval proti návrhu, že řeč je výjimečná, a zároveň by podpořil názor, že řeč zapojuje pouze obecné sluchové mechanismy. Jako příklad můžeme uvést výzkum Kuhla a Millera, kteří ukázali, že pokud mají činčily roztřídit podněty lišící se ve VOT, podávají výkony velmi 30

36 podobné těm lidským (Kuhl a Miller 1978; Kuhl 1981). Citujme Ehreta (1992: 108): Základní rozdíly mezi řečí lidí a savců a celkovým vnímáním zvuku se mohou poprvé objevit na úrovni rozpoznání jazyka, to je, při interpretaci sémantického obsahu řečových zvuků. Zvířata mohou řeč vnímat a analyzovat, ale nevědí, co tím myslíme. Třetí linie útoku s sebou nese tvrzení, že, přinejmenším v případě kategoriálního vnímání, jsou tyto jevy vedlejšími produkty určitých koncepcí experimentu, a ve skutečném vnímání nemusí vůbec existovat (Massaro 1994). Dohromady vzato, všem těmto pracím se podařilo vážně zpochybnit, pokud ne úplně eliminovat, kladné důkazy ve prospěch speciálního řečového modulu. Zároveň to ale nedokazuje, že speciální řečový mód nemůže existovat či neexistuje, takže tato možnost zůstává otevřena. Pokud by speciální řečový modul opravdu existoval, znamenalo by to, že evoluce lidské způsobilosti k řeči zahrnovala vyvinutí speciálních vnímacích schopností. Vzata v úvahu musí být i opačná možnost. Ta by znamenala, že když se lidská způsobilost k řeči vyvíjela, využila některé, již existující, speciální vnímavosti a schopnosti. Uveďme konkrétní příklad: údaje získané pozorováním jak produkce, tak vnímání řeči ukazují, že hranice VOT mezi kategoriemi hlásek bez přídechu (= anglické [+ znělé] hlásky) a s přídechem (= anglické [- znělé] hlásky) jsou pozoruhodně podobné napříč různými jazyky. Navzdory rozdílům mezi jazyky, tyto hranice obvykle spadají do rozmezí msec (jako v příkladu na Obrázku 5.3). Zkoumáním vnímání byly získány také některé důkazy naznačující, že rozlišování je snadnější v případě podnětů oddělených od sebe touto msec hranicí (sekce ). Zdá se pravděpodobné, že toto upřednostnění hranice v rozmezí msec není ani náhodné ani obzvláště typické pro řeč. Může pouze odrážet přirozenou sluchovou citlivost (sekce 5.3.3). Pokud je to tak, pak se řeč pouze chopila této citlivosti a využila ji k účelu rozpoznávání fonetických kategorií. Pro silné vyjádření tohoto pohledu můžeme citovat Stevense (1981: 74): sluchový systém rozlišuje fyzikální rozdíly v řečových zvucích uspořádaných do různých kontinuí. Naše stanovisko je, že sluchový systém má sklon dodávat určitou typickou šablonu reakce, v případě že zvuky mají určité vlastnosti. Tato predispozice sluchového systému může ve skutečnosti uvalit omezení na ty druhy zvukových 31

37 odlišností, které jsou v jazyce používány k tvorbě fonetických kontrastů. Zda je či není tento postoj naprosto neslučitelný s hypotézou modularity, to se teprve uvidí Teorie vnímání řeči Ani značné obtíže spojené se zkoumáním vnímání řeči neodradily badatele od vytváření teorií, a tak bylo představeno velké množství různých stanovisek. V této sekci vám předložíme krátký přehled pěti kontrastních teorií, které zastupují velmi odlišná stanoviska, odlišná pokud jde o to, co je vnímáno, i jak je to vnímáno. Naše zpracování tohoto tématu není ani zdaleka vyčerpávající, ale poskytne vám alespoň nějakou představu o tom, jak se různé teoretické přístupy vypořádaly s problémem nedostatku neměnnosti, a jak se liší jeden od druhého Motorická teorie Motorická teorie, spojená především se jménem Alvin Liberman, je jednou z nejznámějších teorií vnímání řeči. Je také ze všech teorií nejtěsněji propojená s hypotézou modularity. Motorická teorie má kořeny v prvotním výzkumu zvukových ukazatelů, probíhajícím v Haskinsových laboratořích. Byla nejprve navržena jako řešení problému nedostatku neměnnosti, především pokud šlo o ukazatele pro místo artikulace (sekce 7.3.3). Vezmeme-li v úvahu neuspokojivý fakt nedostatku neměnnosti v oblasti akustiky, nabízí se řešení hledat neměnnost v oblasti artikulace. Například, anglické /t/ je vždy spojeno s kontaktem mezi hrotem a/nebo hřbetem jazyka a horním patrem úst někde mezi horními řezáky a alveolárním výstupkem, ať už se to projevuje akusticky jakkoli. Pohyby mluvidel při artikulaci a motorické příkazy, které je spouštějí nejsou v praxi tak neměnné, jak jsme možná předpokládali. Například, když jsou do artikulace zapojeny skutečné pohyby, bude anglické /t/ záviset hlavně na tom, jaké zvuky mu předcházejí a jaké následují po něm. V souladu s tím se v konečné verzi teorie, publikované dvojicí Liberman Mattingly (1985), předpokládá, že posluchači nevnímají skutečné pohyby mluvidel, ale zamýšlená abstraktní gesta, která existují v mysli mluvčího. Přesněji řečeno (ibid., s. 30), nervová reprezentace promluvy, která určuje její vyslovení mluvčím, je distálním objektem, který vnímá posluchač; tudíž, jak mluvení, tak i poslouchání je regulované stejnými strukturními omezeními 32

38 a stejným systémem mluvnice. Je pravděpodobné, že objevením nervové reprezentace posluchač získá i zamýšlenou promluvu. Motorická teorie je kritizována za to, že nepodává zprávu o tom, jak jsou vlastně zvukové signály převáděny do zamýšlených gest. Zastánci teorie se odvolávají na hypotézu modularity a tvrdí, že to má na starosti příslušný modul. Jinými slovy, musí existovat specializované nervové struktury, které jsou schopny převést zvukovou informaci přímo do zamýšlených gest. Tyto nervové struktury jsou vrozené, abychom si nemuseli vztahy mezi zvukovou stránkou a zamýšlenými gesty teprve osvojovat. Tudíž, tyto mechanismy lze plně pochopit teprve, až budou tyto nervové struktury identifikovány a prozkoumány. Liberman a Mattingly (1985:8) navrhují paralelu se sluchovou lokalizací 59 (schopnost lokalizovat zvuk v prostoru), v níž takovéto specializované mechanismy existují. Důležitým rozdílem je ale to, že zatímco pro lokalizaci existují podobné nervové mechanismy napříč všemi druhy, nervové mechanismy pro zpracování řeči existují jen u lidí. A proto nemohly být zkoumány pozorováním neurofyziologie sluchu ostatních druhů, což je omezení, které činí Motorickou teorii v současné době netestovatelnou. Libermanovy práce jsou sebrány do jedné publikace (Liberman 1996), a tento svazek poskytuje výborné uvedení do Motorické teorie. Velmi zajímavá je rovněž publikace Modularity and the Motor Theory of Speech Perception (Mattingly a Studdert-Kennedy 1991), která obsahuje práce jak zastánců, tak kritiků zmíněné teorie Přímý realismus Teorie Přímého realismu souvisí obzvlášť se jménem Carol Fowler. Někdy je pokládána za variantu Motorické teorie, protože stejně jako ona považuje za distální objekty vnímání artikulační gesta 60. Filozofický pohled na vnímání, na němž teorie Přímého realismu stojí, je ale značně rozdílný. Stanovisko přímého realismu vychází z obecné teorie přímého vnímání 61, se kterou přišel psycholog James Gibson. Podstatou jeho přístupu je názor, že vnímání je nejlepší zkoumat z vnímatelova okolí. Jako pozorovatelé bychom měli zkoumat 59 V originále Auditory localisation, přeloženo jako sluchová lokalizace 60 V originále použitý pojem Articulatory gestures jsme přeložili jako artikulační gesta, míněna jsou zamýšlená abstraktní gesta existující v mysli mluvčího (v kontrastu s pohyby mluvidel, která jsou výsledkem těchto abstraktních gest), viz sekce V originále Direct perception, přeloženo jako přímé vnímání 33

39 povahu podnětu, který zasahuje smysly, a způsob, jakým organismus na tento podnět reaguje. Tvrdí se zde, že organismus získává informace o distálních objektech přítomných v okolním prostředí přímo, používajíc k tomu informace z proximálního podnětu; takže organismus vnímá přímo předmět, ne jeho obraz. Například, dejme tomu, že při přecházení cesty na mé oči dopadnou paprsky odražené od jízdního kola, které míří plnou rychlostí ke mně. Důležité zde není to, že, jak se kolo blíží, roste velikost odraženého obrazu, ale to, že tuto informaci umím využít a pochopit, že se na mě řítí kolo, a zachovat se podle toho. Vnímám tedy kolo samotné, ne jeho obraz. V případě vnímání řeči jsou distálními objekty v okolí pohybující se hlasová ústrojí, která produkují řeč. V souladu s tím má posluchač použít informace ze zvukového signálu k získání vlastních gest hlasového ústrojí. Získání těchto gest je navíc účelem samo o sobě, ne pouze první fází při získávání nějaké abstraktní reprezentace. Když jsou různé individuální výslovnostní varianty (symboly) považovány za obdoby jedné věci, je to zapříčiněno jejich vnitřní podobností v realitě, ne tím, že souvisí se společnou abstraktní mentální reprezentací. Například výslovnostní varianty anglického slova cup 62 mají společné toto: na začátku je zadní část jazyka zvednuta a dotýká se měkkého patra, na konci se spojí rty, a mezi těmito dvěma pohyby proběhne otevření a zavření čelisti; tyto společné rysy jsou nedílnou součástí gest samotných a nemusí být vysvětlovány z hlediska abstraktnější reprezentace jako například /kʌp/. V tomto smyslu se naše rozeznání této určité skupiny gest jako lexikální jednotky cup neliší od rozpoznání, že předmět, který vidíme na stole, je hrnek. Podle toho jsou při vnímání řeči používány stejné druhy mechanismů, jako při jiných typech vnímání. Fowler také připouští možnost fata morgany. Lidé mohou například vnímat vyslovování papoušků nebo syntetizátorů řeči jako řeč, protože zmínění strukturují zvukový signál způsoby, které napodobují strukturování lidskými hlasovými ústrojími. Pro přístup Přímého realismu nepředstavuje nedostatek neměnnosti problém, protože vyvstává přirozeně ze systému gest. Například fakt, že VOT je v angličtině delší ve slabice /gi/ než ve slabice /pa/, je jednoduše zákonitý výsledek vyplývající z určitých kombinací pohybů zapojujících ústa a hrtan. Posluchači bezděčně vědí, že je to tak, a berou na to při vnímání řeči ohled. Výsledky experimentů, citovaných na 62 Angl. výraz cup = hrnek, šálek. 34

40 podporu Přímo realistického přístupu, skutečně ukazují, že právě toto posluchači ve skutečnosti dělají. V praxi je teorie Přímého realismu těsně propojená s přístupem k definování artikulačních gest, který je známý jako dynamika úkolu 63. Tímto přístupem se budeme velmi stručně zabývat v sekci 8.5. První číslo čtrnáctého ročníku časopisu Journal of Phonetics (1986) je celé věnované pracím na téma Přímého vnímání a Dynamiky úkolu, obsahuje studii Fowlera samotného, studie kritiků této teorie, a Fowlerovy odpovědi kritikům Model Fuzzy logiky 64 Fuzzy logický model vnímání, s nímž přišel Dominic Massaro, se velmi liší od dvou přístupů, které jsme právě nastínili. Podle tohoto modelu je posluchač vybaven sadou prototypů uložených v paměti, které odpovídají různým druhům V, CV a VC 65 slabik jeho jazyka. Každý prototyp je definován z hlediska několika charakteristik. Například prototyp anglické slabiky /ba/ by obsahoval počáteční závěr rtů. Aby mohl vnímatel rozhodnout, jestli určitá CV slabika je či není slabikou /ba/, může kombinovat informace z různých zdrojů. Například při posuzování labiálnosti 66 může brát v potaz jak zvukové, tak vizuální informace. Každý potenciální zdroj informací může a nemusí podat jasnou odpověď, a právě tady vstupuje na scénu fuzzy logika. Odpovědí může být nejen ano nebo ne, ale také možná. Například, úplný závěr rtů by ukazoval na jednoznačně labiální hlásku a široce otevřená ústa by naznačovala jednoznačně ne labiální hlásku, pokud ale vnímatel nemůže tak docela vidět, jestli je závěr rtů úplný, nebo ne, ukazovalo by to na možná labiální hlásku. To, co jsme právě nazvali kategorií možná, lze matematicky vyjádřit z hlediska hodnoty fuzzy pravdivosti, která se nachází někde mezi hodnotami 0 (nepravda) a 1 (pravda). Kombinováním jednoznačných a fuzzy 63 V originále použitý výraz Task dynamics je pojem v české fonetice málo známý, mohl by být přeložen například jako dynamika úkolu, nebo úkolová dynamika. 64 V originále Fuzzy logical model, přeložili jsme jako Model Fuzzy logiky, nebo Fuzzy logický model. Pojem Fuzzy (nebo mlhavá) logika je používán i v českém prostředí, hlavně v matematice, kde stojí vedle klasické výrokové logiky. Sám angl. výraz fuzzy lze přeložit jako mlhavý, rozostřený nebo rozmazaný. 65 V, CV a VC jsou schémata slabik, složených z vokálu, konsonantu a vokálu nebo vokálu a konsonantu. 66 Labiality = labiálnost, vlastnost labiálních hlásek (retnic) 35

41 hodnot pravdivosti, získaných ze všech dostupných zdrojů informací, dojde vnímatel k rozsouzení, jestli je dotyčný konsonant ve skutečnosti labiální nebo ne. Pro Fuzzy logický model nepředstavuje nedostatek neměnnosti problém, protože je zde počítáno s velkým množstvím prototypů; například prototyp slabiky /ba/ by obsahoval jinou ideální hodnotu VOT než prototyp slabiky /gi/. Obzvláště silnou stránkou této teorie je její schopnost vysvětlit začlenění informací z různých zdrojů. Massarův příspěvek do publikace Handbook of Psycholinguistics (Gernsbacher 1994) obsahuje stručný výklad Fuzzy logického modelu v kontextu obecnějšího výkladu psychologických aspektů vnímání řeči. Massaro věnoval tomuto modelu celou publikaci (Massaro 1987), ve které jej představuje detailněji Silné teorie spojující zvukový signál s fonologickými rysy Ještě daleko odlišnější jsou názory, se kterými přišli Kenneth Stevens a jeho kolegové, podle nichž posluchač rozpoznává jednotlivé segmenty pomocí získání abstraktních fonologických rysů (sekce 1.4.2) ze sluchového zobrazení. Podle Stevense je možné najít přímočaré, robustní a neměnné koreláty všech fonologických rysů jak ve zvukovém signálu, tak ve sluchovém spektru, pokud je hledáme na správném místě. Například rys [+ otevřená glotis 67 ], který charakterizuje závěrové hlásky s přídechem (Obrázek 1.3), by byl signalizován hodnotou VOT vyšší než +25 msec. Rys [- sonora 68 ] by byl signalizován snížením amplitudy 69 spektra při nízkých frekvencích. Jelikož zvukové a sluchové koreláty fonologických rysů lze jasně definovat, problém nedostatku neměnnosti jednoduše neexistuje (ačkoli není jasné, jak by tato teorie vysvětlila bimodální vnímání). Zmíněné návrhy jsou obzvláště kontroverzní, pokud jde o rysy místa artikulace. K tomu se ještě vrátíme v sekci Stevensův přístup je ve skutečnosti více než jen teorie o tom, jak jsou řečové zvuky vnímány. Spíše jde o součást ambicióznějšího výkladu artikulačně-akustickoauditivních 70 vztahů, který se pokouší vysvětlit jak strukturu lingvistických zvukových systémů, tak činnosti jednotlivých mluvčích-posluchačů. Stevens tvrdí, že 67 Glotis neboli hlasivková štěrbina 68 Rys postrádající vlastnosti sonory (= konsonantu, který je založený výrazně na tónu, např. m, n, l, r) 69 Amplituda = krajní výchylka periodické oscilace od rovnovážné polohy 70 Vztahy mezi artikulací, zvukovou stránkou řeči a slyšením. 36

42 některé typy segmentů jsou ve světových jazycích obzvlášť běžné právě proto, že jsou dobře uzpůsobené lidským schopnostem vnímání a vytváření řeči. Je například přirozené, že jazyky definují kategorii závěrových konsonantů s ohledem na hranici kategorie VOT s hodnotou asi +25 msec, protože v této oblasti existuje přirozená sluchová citlivost. Tento názor je velmi podobný jeho 71 pohledu na vývoj řeči, který jsme už citovali v sekci Pokud jde o produkci řeči, v sekci jsme mluvili o příkladu týkajícím se produkce samohlásek. Stevensovo stanovisko charakterizoval Neary 72 (1995) jako dvojnásobně silné, protože stanovuje dva typy jednoduchých, robustních a jasných vztahů: (1) mezi fonologickými rysy a sluchovými vlastnostmi a (2) mezi fonologickými rysy a artikulačními gesty. Toto pojetí se zcela liší od silných gestových přístupů, jako jsou Motorická teorie a Přímý realismus, které zastávají vztahy typu (2), ale vztahy typu (1) vidí jako složitější a nepřímé. Ještě jsme nezmínili možnost silné sluchové teorie, která by předpokládala vztahy typu (1), ale vztahy typu (2), (mezi fonologickými rysy a artikulačními gesty), by viděla jako složitější a nepřímé. Silné argumenty ve prospěch tohoto stanoviska předložil spolu se svými kolegy Randy Diehl. Pokud jde o vnímání, jejich obecná tvrzení jsou velmi podobná těm Stevensovým. Diehl a Stevens, a jejich spolubadatelé, sdíleli také zájem o sluchové vylepšení 73, to je, o možnost, že by různé sluchové vlastnosti mohly jakoby spolupracovat a zvýšit tak sluchovou výraznost fonologických kontrastů. Některé specifické návrhy ohledně sluchového vylepšení zvážíme v sekcích 7.7 a 7.9. Co se týče hypotézy modularity, dostalo se jí v diskusích o vnímání vedených z dvojnásobně silné nebo silné sluchové perspektivy málo výslovného zájmu. Ačkoliv vyřešení problému nedostatku neměnnosti nevyžaduje speciální nervový systém obvodů (jak tomu je v případě Motorické teorie), zůstává otevřena možnost existence specializovaných mechanismů na propojení informací získaných z přijímaného zvukového signálu s abstraktními fonologickými rysy. Dobrým uvedením do názorů Stevense a jeho kolegů je publikace Stevense a Blumsteina (1981). Druhé číslo prvního ročníku časopisu Ecological Psychology 71 Pozn. překladatele:= Stevensovu 72 Jméno autora je zde uvedeno chybně, správný zápis je Nearey. Zde ponecháno v původní formě. 73 V originále použitý pojem auditory enhancement je v české fonetice málo známy, mohl by být přeložen například jako sluchové vylepšení. 37

43 (1989) je věnováno pracím, které pojednávají o stanovisku Diehla a jeho kolegů z různých možných perspektiv. Autory první studie jsou Diehl a Kluender a vysvětlují v ní své pohledy na předměty vnímání řeči Neanalytické přístupy Když posloucháme řeč, jsme schopni rozpoznat jednak to, co je řečeno, a jednak (alespoň v mnoha případech tomu tak je) kdo mluví. Když například zvedneme telefon a uslyšíme hlas dobrého přítele říkající jediné slovo ahoj, jsme schopni identifikovat jak to slovo, tak mluvčího. Existuje nějaká spojitost mezi těmito dvěma typy rozpoznávání? Většina teoretických popisů vnímání řeči (včetně těch čtyř, které jsme zatím zmínili) brala jako samozřejmé, že taková souvislost neexistuje. Skutečně, koncepty jako například neměnný ukazatel 74 s sebou nesou implikaci neměnnosti, co se týče mluvčích (a dalších aspektů v okolním prostředí), a také co se týče foneticko-fonologických kontextů. Pokud je například posluchač schopen díky snížení amplitudy spektra při nízkých frekvencích identifikovat segment jako [- sonoru], nevztahuje se to pouze na všechny segmenty s rysem [- sonora] vyslovené jediným mluvčím, ale na všechny segmenty tohoto druhu vyslovené všemi mluvčími, ať už mluví pomalu nebo rychle, v hlasitém nebo tichém prostředí. Z tohoto základního předpokladu vyplývá, že jakákoli existující proměnlivost musí činit vnímání řeči pro posluchače spíše složitějším, než aby mu ho usnadňovala. A navíc, vzhledem k tomu, že informace o konkrétních výskytech určitého slova jsou posluchačem v procesu vnímání řeči jakoby zahozeny, nemohou už sehrát žádnou roli v reprezentaci slov v paměti. Tento pohled je v souladu s některými, lingvisty navrženými, teoriemi o abstraktní a neměnné povaze reprezentací slov uvnitř mentálního lexikonu (sekce 1.4), a byl těmito teoriemi ovlivněn. Citujme, co napsal o reprezentaci slov v paměti Halle (1985: 101): kvalita hlasu, rychlost promluvy a další prvky přímo související s jedinečnými okolnostmi provázejícími každou promluvu, jsou odloženy v průběhu vnímání dalších slov. 74 V originále použitý výraz Invariant cue je pojem v českém prostředí zatím ne moc známý, do češtiny navrhujeme přeložit jako neměnný ukazatel. 38

44 V posledních letech začal být tento významný předpoklad zpochybňován badateli pohybujícími se v rámci neanalytického nebo na příkladech založeného 75 přístupu k vnímání řeči a rozpoznávání slov. Neanalytický přístup vychází, podobně jako přístup Přímého realismu, z velmi obecné psychologické teorie (Jacoby a Brooks 1984), a vnímání a kategorizaci řeči považuje za v zásadě podobné ostatním druhům vnímání a kategorizace. Základní předpoklad je opačný tomu, který představil Halle: informace o konkrétních případech (epizodické informace) nejsou odloženy, ale jsou uchovány v paměti a posluchač je dále vyžívá při vnímání. Mentální reprezentace nemusejí být silně abstraktní a mohou být i redundantní. Neanalytický přístup par excellence 76 lze najít v exemplářových modelech vnímání. V exemplářových modelech je podnět na vstupu (například slovo) kategorizován ne pomocí srovnání s abstraktní, prototypickou reprezentací (jak tomu je u teorie mentálního lexikonu), ale pomocí srovnání se všemi zapamatovanými příklady příslušné kategorie. Pokud si například pokaždé, když uslyšíme slovo ahoj, uložíme do paměti detailní záznam, jsme pak schopni rozeznat nový případ slova ahoj, protože bude mít mnoho společného se všemi těmi uloženými záznamy. Podobně můžeme srovnat vnímané ahoj se všemi uloženými záznamy hlasu určitého mluvčího. A tak jsou obě naše souběžná rozpoznání: slova ahoj a hlasu, který je vyslovil, založena na srovnání s paměťovými záznamy. Přesněji řečeno, exempláře uložené v naší paměti jsou aktivovány ve větší nebo menší míře podle míry jejich podobnosti s vnímaným podnětem, a úrovně aktivace pak rozhodnou o konečném zařazení. Lexikon samotný je v podstatě epizodický (založený na konkrétních zapamatovaných příkladech), spíše než abstraktní a úplný. Zdá se, že s exemplářovými modely vnímání řeči jsou spojeny dva očividné problémy. Prvním je nedostatečná kapacita paměti (i přes to, že si lidé dokážou zapamatovat překvapivé množství informací, je nepravděpodobné, že bychom mohli uchovat v paměti jedinečný záznam každé promluvy, kterou jsme kdy slyšeli). Z tohoto důvodu musí být tolerovány i nějaké obecnější paměťové záznamy, hlavně u velmi často používaných slov, dokonce i v takových modelech, které dotahují myšlenku rozlišování založeného na exemplářích do extrému (Goldinger 1997). Druhým problémem je vysvětlení lidské schopnosti, kromě pochopení řeči, řeč také 75 V originále Exemplar based, přeloženo jako na příkladech založený 76 Výraz par excellence je zde použit ve smyslu nejlepší příklad něčeho (= nejlepší příklad neanalytického přístupu lze najít ). 39

45 tvořit. Tento problém může být překonán za předpokladu, že záznam vlastních výpovědí v paměti mluvčího obsahuje také informace o artikulačních gestech podílejících se na vzniku výpovědí. Toto řešení navrhl Johnson (1997). Druhá možnost řešení, se kterou přišel Coleman (1998), je, že mluvčí jsou schopni vypočítat artikulační plány potřebné k vytvoření promluv, které budou znít jako jejích zvukové paměťové záznamy. Pokud navrhneme, že lexikon je založen na neanalyzovaných zvukových paměťových záznamech, prakticky navrhujeme, že na nejvyšší úrovni řečového řetězce existují neanalyzované zvukové reprezentace (sekce 1.3). V tomto ohledu lze exemplářové modely přirovnat k teorii Artikulační fonologie 77 (sekce 8.5), podle níž se vysokoúrovňové mentální reprezentace nacházejí v oblasti artikulačních gest. V obou případech pak ty reprezentace, které bývají obvykle zařazovány do oblasti fonetiky (artikulační nebo auditivní), vystupují směrem nahoru do toho konce řečového řetězce, který souvisí s mozkem (sekce 1.3) - do oblasti, která bývá tradičně považována za doménu fonologie. V obou případech ale není jasné, zda by abstraktnější fonologické reprezentace mohly, nebo měly být úplně odstraněny ze známých lingvistických modelů. Zajímavý příspěvek do diskuse poskytli Beckman a Pierrehumbert (1999), kteří tvrdí, že fonologické kategorie se vyvíjí při osvojování si řeči, jak si děti zapamatovávají a začínají zařazovat jazykové formy, když se s nimi poprvé setkají. Dobrým úvodem do neanalytických přístupů je publikace Talker Variability in Speech Processing, kterou uspořádali Johnson a Mullennix (1997). To nás přivádí ke konci našeho krátkého přehledu pěti kontrastních přístupů k vnímání. Ze zmíněných návrhů byly nejkomplexnější Stevensův a Fowlerův, jelikož zahrnují názory ohledně fonologické reprezentace a také poskytují základ pro přímočaré vysvětlení vytváření řeči (dále viz sekce 8.5). Než se ale ukáže konečné vysvětlení, zbývá toho ještě mnoho k testování. Nyní zaměříme pozornost na druhý z hlavních přístupů k vnímání, a to ten, který začíná u zpracování zvuku v uchu. 5.3 Sluch Zdá se jasné, že plné pochopení vnímání řeči bude možné teprve, až budeme schopni sledovat postup vnímaného zvuku nervovými cestami spojujícími ucho 77 V originále Articulatory Phonology, překládáno jako artikulační fonologie 40

46 s oblastmi mozku, které se zabývají řečí. V současnosti se, ze zřejmých důvodů, musí k pořizování záznamů nervových reakcí na zvuk používat pokusná zvířata, spíše než lidé. Vzhledem k tomu, že uspořádání sluchového systému, zvláště na periferii, je velmi podobné u všech druhů savců, zdá se pravděpodobné, že výsledky zkoumání prováděných na zvířatech mohou být vztáhnuty také na lidi. Neurofyziologické zkoumání zvířat, jakkoli toho prozradí mnoho, nám neřekne nic o věcech, jako jsou omezení lidského vnímání, lidská schopnost rozlišit zvuky, které jsou rozdílné jen velmi málo, nebo lidské posuzování týkající se vnímavostní vzdálenosti mezi zvuky. Proto je toto zkoumání doplněno dalšími metodami, které zkoumají, jak funguje lidský sluchový systém, pomocí zjišťování, jak posluchači reagují na velmi jednoduché zvukové podněty. Toto zkoumání patří do oblasti psychofyziky 78, přesněji řečeno psychoakustiky 79. Výsledky jak neurofyziologického tak psychofyzického šetření se vztahují na zvuk obecně, spíše než konkrétně na řeč. Obecně se souhlasí s názorem, že spektrální analýza všech vnímaných zvuků probíhá v uchu, a že informace o zvuku, která je vysílána do mozku, začíná jako určitý druh spektrogramu. Proto je významným cílem výzkumu popsat fungování sluchového spektrografu a vyvinout počítačové programy, které budou přetvářet úzkopásmová FFT 80 spektra nebo spektrogramy (sekce 3.2 a 3.4) na vizualizace sluchového spektra. Bylo by hezké si myslet, že sluchové zpracování řeči je možné rozdělit na čistě mechanickou část, na kterou nemá mozek žádný vliv, a po ní následující fáze, které už jsou předmětem centrálního řízení. Odráželo by to rozdělení produkce řeči na artikulaci a vlastní vytváření zvuku (sekce 4.1). Pokud takové rozdělení existuje, pravděpodobně koresponduje s rozdělením na periferní a centrální část sluchového systému (sekce 5.3.1). Je ale také možné, že mozek má nějaký vliv i na nejranější fáze zpracování řeči, jak navrhl Greenberg (1996). Pokud by bylo skutečně možné ukázat, že se při lidském vnímání řeči vyskytuje speciální druh zásahu, mohlo by to poskytnout určitou podporu pro existenci řečového modulu. 78 V originále Psychophysics, překládáno jako psychofyzika 79 V originále Psychoacoustics, překládáno jako psychoakustika 80 FFT ( Fast Fourier transform, volně přeloženo do češtiny jako Rychlá Fourierova transformace ) je metoda, pomocí níž se vytvářejí spektrogramy. Použití FFT představuje jen jeden ze dvou způsobů vytváření spektrogramu. 41

47 5.3.1 Struktura sluchového systému Na Obrázku 5.7 (a) je zobrazen přehled struktury sluchového systému. Z vnitřního ucha (hlemýždě) jsou nervové impulsy přenášeny sluchovým nervem do kochleárního jádra 81, které je součástí mozkového kmene. Složitý systém nervových cest pojí kochleární jádro se sluchovou mozkovou kůrou, a konečně, s těmi oblastmi mozku, které se podílejí na rozpoznání řeči. Speciální nervové cesty, znázorněné přerušovanými čárami, se věnují lokalizaci zvuku v prostoru. Sluchový systém se běžně dělí na dvě hlavní části: na sluchovou periferii a na zbývající centrální části systému, jak je také vidět na nákresu. Obrázek 5.7 (b) ukazuje zjednodušené zobrazení sluchové periferie, která se skládá z ucha samotného a ze sluchového nervu. Vnímaný zvuk je odveden do zvukovodu (vnější ucho). Ušní bubínek který lze přirovnat k membráně jednoho z prvních fonografů (sekce 3.3.1) začne vibrovat a přenáší své vibrace na řetězec drobných kostí ve středním uchu. Tento řetězec kostí pak přenese vibrace na malou membránu na konci vnitřního ucha, a ta pak rozvibruje tekutinu ve vnitřním uchu. Vnitřní ucho je v podstatě úzká, asi 32 mm dlouhá trubička, srolovaná do kotouče. Díky tomu připomíná ulitu hlemýždě, a kvůli této podobnosti je nazvána cochlea (což v latině znamená hlemýžď ). Uvnitř je tato trubička naplněna tekutinou. Je rozdělena podélně na půl přepážkou, která prochází skoro celou její délkou (malá mezera na jednom konci umožnuje tekutině procházet mezi horní a dolní částí). Tato přepážka má složitou strukturu, o které zde nebudeme mluvit, kromě poznamenání, že membrána, která tvoří její základ, a je vhodně nazvána bazilární membránou 82 se rozvibruje spolu s okolní tekutinou. K této přepážce jsou připojena vlákna sluchového nervu. 81 V originále Cochlear nucleus, překládáno jako kochleární jádro 82 V originále Basilar membrane, překládáno jako bazilární membrána, v angl. slovo basilar souvisí se slovem base (= základ). 42

48 Obrázek 5.7 Struktura sluchového systému a sluchové periferie. Sluchová periferie je sice mnoho fází vzdálená od oblastí v mozku, které se zabývají řečí, i přes to je však klíčová pro vnímání řeči i ostatních zvuků. Právě zde jsou mechanické vibrace převedeny na nervové impulzy a je provedena základní spektrální analýza. Díky svému okrajovému umístění je sluchová periferie také lépe přístupná a je o ní známo více než o dalších, výše postavených částech systému. V následujících sekcích se budeme zabývat několika aspekty reprezentace zvuku na rovině sluchového nervu, aspekty, které jsou pro studenty řeči obzvlášť zajímavé Spektra sluchového nervu Sluchový nerv se skládá z obrovského počtu jednotlivých nervových vláken. Tato jednotlivá vlákna jsou připojená ke kochleární přepážce po celé její délce. Když začne bazilární membrána vibrovat, její pohyb podráždí alespoň některá nervová vlákna a způsobí jejich vzruch. Výsledné impulsy pak poskytnou podnět pro další 43

49 nervová vlákna následující v řetězci nervových cest. Která vlákna dostanou podnět, a jak silný, to záleží na povaze vibrace, a ta konečně závisí na povaze podnětu, který obdrželo ucho. Vzruchy nervových vláken jsou v podstatě chemické reakce provázené elektrickým výbojem. Je důležité pochopit, že jde o jednoduché události, postavené na principu buďto všechno, nebo nic. Jednotlivé nervové vlákno nemůže mít různě silné vzruchy. Jednotlivá vlákna navíc čas od času zažívají vzruchy i za nepřítomnosti podnětu, takže každé vlákno má svou charakteristickou spontánní frekvenci 83 (SF). V případě že vlákno reaguje na podnět, je pozorováno zvýšení frekvence vzruchů nad hodnoty spontánní frekvence. Frekvence vzruchů se obvykle měří v impulzech za sekundu 84. Jak je možné, že jsou vlákna sluchového nervu (VSN) 85 schopna přenášet informace o spektrální struktuře? Těmito informacemi o spektrální struktuře myslíme informace o tom, které složky sinusové vlny jsou ve složeném zvuku přítomny, a v jaké síle. VSN tedy musí být schopna vyjadřovat informace o frekvenci a intenzitě pro několik dílčích složek zároveň. Ačkoliv ještě plně nechápeme, jakým způsobem jsou informace o frekvenci a intenzitě zakódovány ve sluchovém nervu, byly rozpoznány tři základní mechanismy, pomocí nichž se to může dít. Za prvé, jednotlivá vlákna jsou naladěna na určité frekvence. Každé vlákno má svou preferovanou frekvencí, známou jako jeho charakteristická frekvence (CHF) 86, na kterou je nejcitlivější. Toto naladění je obzvláště zjevné u podnětů s nízkou intenzitou (tiché zvuky). V takovém případě bude například VSN s CHF = 2000 Hz reagovat jen na tóny s frekvencí 2000 Hz, nebo na tóny s hodnotou frekvence velmi blízkou této hodnotě. Na vyšších úrovních zpracování by impulzy od VSN s CHF = 2000 Hz signalizovaly, že v původním podnětu je přítomná složka sinusové vlny s hodnotou okolo 2000 Hz. Charakteristická frekvence kteréhokoli určitého VSN je podmíněna tím, na jakém místě je připojeno ke kochleární přepážce ve vnitřním uchu, podobnou souvislost mezi místem a frekvencí lze najít i na vyšších 83 V originále Spontaneous rate (SR), přeloženo jako spontánní frekvence 84 V originále Spikes per second, přeloženo jako impulzy za sekundu 85 V originále ANFs = auditory nerve fibres, přeložili jsme jako vlákna sluchového nervu (VSN), zkratka VSN je dále používána i pro vlákno sluchového nervu v jednotném čísle. V takovém případě je singulár signalizován kontextem. 86 V originále Characteristic frequency (CF), přeloženo jako charakteristická frekvence (CHF) 44

50 úrovních nervových cest. Z tohoto důvodu se často říká, že organizace sluchového systému je tonotopická (z řeckého tonos tón, nota a topos místo ). Za druhé, se zvyšující se intenzitou dráždění stoupá i frekvence vzruchů jednotlivých VSN. Tudíž vyšší vzruchová frekvence by měla signalizovat podnět s vyšší intenzitou. Je zde ale několik komplikujících faktorů. Souvislost mezi intenzitou podnětu a vzruchovou frekvencí se při vysokých intenzitách hroutí, protože VSN dosáhnou svých maximálních vzruchových frekvencí (saturace) při intenzitách nižších než je horní hranice slyšitelnosti. Při vyšších frekvencích také dochází k tomu, že více jednotlivých VSN zastupujících širší pásmo CHF je drážděno ke vzruchu, takže slábne souvislost mezi konkrétními vlákny a konkrétními frekvencemi. Za třetí, VSN jeví při svých vzruších tendenci držet krok s křivkou zvukové vlny podnětu. Tato tendence je známa jako fázová synchronizace 87. Na Obrázku 5.8 je zobrazen hypotetický příklad ideální fázové synchronizace. V tomto případě proběhne vzruch nervového vlákna pouze ve chvíli, kdy je sinusová vlna podnětu v nejnižším bodě svého cyklu. Důležité zde je, že vzruch proběhne vždy ve stejném bodě cyklu, nemusí však být nutně jeden vzruch na jeden cyklus. Podle toho by informace o frekvenci bylo možné odvodit pomocí monitorování intervalů mezi vzruchy (impulzy). Tyto intervaly budou (alespoň přibližně) násobky základní periody podnětu. Tendence k fázové synchronizaci je zřetelnější při vysoké intenzitě podnětu. Abychom ilustrovali, jak by tyto mechanismy mohly kódovat spektrální strukturu, podíváme se krátce na některé údaje týkající se neznělých frikativ a vokálů. 87 Pojem phase locking je zatím v českém prostředí málo známý a nenašli jsme pro něj odpovídající český pojem. Navrhujeme přeložit jako fázová synchronizace nebo synchronizování fáze. 45

51 Obrázek 5.8 Hypotetický příklad ideální fázové synchronizace. Podnět je sinusová vlna o frekvenci 100 Hz a periodě 0,01 sekund. Vzruch nervového vlákna proběhne jen v nejnižším bodě cyklu, ačkoli některé cykly jsou vynechány. V souladu s tím se intervaly mezi vzruchy rovnají násobkům hodnoty 0,01 sekund Neznělé frikativy Neznělé frikativy jsou příkladem třídy řečových zvuků, ve které mohou CHF a vzruchová frekvence spolupracovat aby sdělily informace o spektrální struktuře. Obrázek 5.9 nám ukazuje výsledky sady experimentů, které provedli Delgutte a Kiang (1984b), a které obnášely monitorování reakcí VSN koček na syntetické frikativní podněty. V grafech (b) jsou zakresleny výbojové frekvence 88 oproti charakteristické frekvenci. Každý kroužek znázorňuje výbojovou frekvenci pro jedno VSN na počátku podnětu, a souvislé čáry znázorňují průměrné výbojové frekvence vypočítané pro série frekvenčních pásem. Je zřejmá souvislost mezi grafy skupiny (b) a spektrem původních podnětů, které je zobrazeno v grafech skupiny (a) Vokály Vokály jsou nejintenzivnější ze všech řečových zvuků, a tak lze očekávat, že pro sdělení informací o jejich spektrální struktuře bude důležitá fázová synchronizace. Experimentální zkoumání toto očekávání potvrdilo. 88 V originále discharge rates, přeložili jsme jako výbojové frekvence, míněny jsou elektrické výboje provázející vzruchy. 46

52 Intenzita (db) Počáteční výbojová frekvence (impulzy/s) (a) Spektra podnětů, které jsou syntetickými verzemi frikativ [x], [s], [ʃ] (zapsáno jako /š/) a [f]. Tečkované čáry označené P1, P2 a P3 zvýrazňují vrcholy (formanty) spektra. Obrázek 5.9 Několik výsledků sady experimentů, která se týkala monitorování reakcí VSN koček na syntetické frikativní podněty. (b) Reakce zaznamenané na počátku podnětu, u podnětů s nízkou úrovní intenzity. Vodorovná osa znázorňuje charakteristickou frekvenci (CHF) monitorovaných nervových vláken. Každý kroužek znázorňuje průměrnou výbojovou frekvenci jednoho VSN. Souvislé čáry znázorňují průměrnou výbojovou frekvenci, vypočítanou pro sérii frekvenčních pásem. Grafy v (b) jsou důkazem relativně vysokých výbojových frekvencí u VSN s charakteristickými frekvencemi blížícími se frekvencím vrcholů spektra (P1, P2 a P3). Takže je zde nápadná podobnost mezi těmito grafy a spektry původních podnětů. Převzato, původními autory jsou Delgutte a Kiang (1984b). 47

53 Charakteristická frekvence (Hz) Obrázek 5.10 Neurogram zobrazující činnost VSN koček v reakci na syntetickou hlásku [æ], která byla při experimentu přehrána na střední úrovni intenzity (60dB SPL, přibližně hlasitost běžné konverzace. Neurogram zachycuje vzorec reakcí čtrnácti VSN s charakteristickými frekvencemi (CHF) v rozsahu od 0 do 3000 Hz. Každá vodorovná čára odpovídá jednomu VSN. Díky umístění hodnot CHF na svislou osu připomíná tento neurogram tradiční spektrogram. Pod neurogramem jsou zobrazeny dvě periody z křivky zvukové vlny vokálu. Pro další vysvětlení viz text. Převzato, původním autorem je Delgutte (1997). Na Obrázku 5.10 vidíme neurogram aktivity sluchového nervu v reakci na syntetickou hlásku [æ], která byla přehrána na střední úrovni intenzity (60 db SPL 89, což je přibližně hlasitost běžné konverzace). Podnět (vokál) měl základní frekvenci 100 Hz, s F 1 = 750 Hz, F 2 = 1450 Hz a F 3 = 2450 Hz. Neurogram ukazuje schéma reakcí čtrnácti VSN s CHF v rozsahu od 0 do 3000 Hz. Každá stopa odpovídá jednomu VSN. 89 SPL je v akustické fonetice zkratka pro sound pressure level, což by šlo do češtiny přeložit jako hladina akustického tlaku. 48

54 Neurogram se tvoří pomocí analyzování vzruchů každého VSN po úsecích dlouhých 20 msec, což odpovídá dvěma periodám na křivce zvukové vlny původního vokálu. Výška stopy v každém bodě vždy odpovídá počtu vzruchů VSN v příslušném bodě zmíněného 20msec úseku. Například u nejspodnější stopy na Obrázku jsou patrné vrcholy v bodech 5 msec a 15 msec, což ukazuje, že toto VSN vykazovalo silnou tendenci ke vzruchu v časových intervalech 5 msec a 15 msec od začátku každého úseku. Toto je důkazem fázové synchronizace u F 0, jelikož interval mezi vrcholy (10 msec) se rovná základní periodě (10 msec = 1/100 sec). Nervová vlákna, jejichž CHF se blíží frekvenci prvního formantu (F1), se fázově synchronizují s F1 a vlákna s frekvencí blížící se frekvenci druhého formantu (F2) se fázově synchronizují s F2. Vlákna vyšších frekvencí tvoří vzorce, které lze vztáhnout k periodám formantů F0, F1 a F2. Údaje jako tyto jsou důkazem toho, že sluchový systém je schopen získat informace o formantových frekvencích vokálů, zejména F1 a F2. Tento fakt zase poskytl podporu těm teoriím o vlastnostech vokálů, které jsou založené na jejich formantech Hranice doby nástupu hlasivkového tónu Jedním z nejdiskutovanějších návrhů ohledně přirozené citlivosti sluchového systému je ten týkající se možné hranice VOT v oblasti msec. Obecněji řečeno, podílí na tom za prvé schopnosti vycítit, zda určité dvě události (zrušení závěru u závěrového konsonantu a nástup znění) probíhají současně či nikoli, a za druhé, citlivost na poměrnou délku času, který tyto dvě události dělí. Například rozlišování CV slabik s VOT = +20 msec a VOT = +30 msec pracuje s hodnotou poměru trvání 1.5 (= 30/20). Rozlišování CV slabik s VOT = +60 msec a VOT = +70 msec počítá s nižší hodnotou poměru trvání 1.17 a mělo by být tudíž obtížnější. U těchto citlivostí lze očekávat, že budou velmi obecné, a bude možné je pozorovat nejen u lidí, ale i u ostatních druhů. Při výzkumu týkajícím se VOT jsou nejčastěji používanými zvířaty činčily (malí hlodavci), u nichž se projevuje pozoruhodná podobnost rodilým anglickým posluchačům, pokud jde o kategorizaci kontinuí VOT (Kuhl a Miller 1978). Co je zajímavé, zkoumání reakcí VSN s nízkými charakteristickými frekvencemi u činčil odhalilo časové vzorce reakcí, které byly jasně odlišné pro podněty, jenž lidé roztřídili do kategorií ta nebo da, a které se ve VOT lišily o 10 msec. Oproti tomu, méně odlišností bylo nalezeno mezi vzorci reakcí pro srovnávané podněty 49

55 uvnitř kategorie da, a ještě méně mezi těmi uvnitř kategorie ta. (Sinex et al. 1991). Tato zjištění mluví ve prospěch existence přirozené hranice. Dále zde vyvstává možnost nalezení nervových korelátů pro ostatní fonetické kategorie, které se zdají být vnímány kategoriálně Adaptace Dalším, pro fonetiky obzvláště zajímavým, aspektem chování VSN je adaptace. Obecně známým faktem je, že když si na určitý zvuk zvykneme, stane se pro nás méně rušivým. Například při návratu z návštěvy na venkově do rušného města se nám zdá úroveň hluku dopravy velmi vysoká, ale brzy si zvykneme a hluk tzv. vypneme Podobný jev lze v mnohem menším měřítku pozorovat na jednotlivých VSN. Když je VSN drážděno na úrovni své CHF, jeho vzruchová frekvence je vysoká, ale brzy se ustálí na mírnější frekvenci. Účinky adaptace na nervovou reakci na určité řečové zvuky závisí na tom, jaké zvuky předcházely. Dobře to ilustruje Obrázek 5.11, který zobrazuje vzruchovou frekvenci oproti času pro jedno VSN s CHF = 1800 Hz při reakci na pět různých syntetických slabik. Vystínovaná oblast odpovídá nástupu vokálu a přechodům formantů (sekce 7.2.1). Při nástupu vokálu ve slabikách da a na se vyskytují silné vrcholy, nazývané adaptační vrcholy 90. Vyskytují se zde proto, že nástupu vokálu v těchto slabikách předchází nejvhodnější impuls, dostatečně slabý, který se neblíží frekvenci 1800 Hz. U slabik ʃa a ada je situace odlišná, jelikož jak [ʃ], tak [a] předcházející závěru u ada, mají značnou energii blížící se hodnotě 1800 Hz, což je důvodem adaptace. Kontrast v reakci VSN je tudíž větší, než naznačuje vizuální znázornění ve spektrogramech. Obecněji řečeno, účinkem adaptace je dát, za určitých okolností, větší důležitost nástupům (t. j., počátkům určitých zvuků). Lze zde uvažovat také o možných důsledcích, co se týče upřednostňovaných jazykových struktur. 90 V originále použit pojem adaptation peaks, přeložili jsme jako adaptační vrcholy. 50

56 Výbojová frekvence (impulzy/sec) Frekvence (Hz) Obrázek 5.11 Výsledky experimentu ilustrující fenomén adaptace. Na obrázku vidíme vzorce reakcí jednoho VSN kočky, na pět syntetických podnětů. Dotyčné VSN má CHF 1800 Hz a vysokou spontánní frekvenci. pokračování ve spodní části následující stránky 51