Lingwowed

Благодаря избыточности в языке вх мхжхтх пхнхть, чтх х пхшх, дхжх хслх х зхмхнх всх глхснхх нх «х» (сл в н знт, гд стт глсн, т бдт нмнг трдн). При понимании речи избыточность, обеспечиваемая фонологическими правилами, может компенсировать двусмысленность, вызванную звуковой волной. Например, слушающий может быть уверен, что «thisrip» это this rip, а не the srip, поскольку в английском сочетание согласных sr невозможно.

Так почему же нация, которая может запустить человека на Луну, не может сконструировать компьютер, который будет воспринимать диктовку? В соответствии с тем, что я до сих пор объяснял, каждая фонема должна иметь свидетельствующее о ней акустическое выражение: набор резонансов для гласных, вызывающая шум преграда для фрикативных, и последовательность «тишина — взрыв — переход» для смычных. Последовательности фонем обрабатываются предсказуемым образом идущими по порядку фонологическими правилами, результаты действия которых были бы, очевидно, сведены на нет, если бы правила применялись в обратном порядке.

Причина, по которой понимание речи вызывает такие трудности, в том, что на пути между мозгом и губами много раз можно поскользнуться. Нет двух совершенно одинаковых человеческих голосов, различаться будут и формы голосового тракта, формирующего звуки, и индивидуальная манера артикуляции. Фонемы также звучат очень по-разному, в зависимости от того, насколько они напряженные и как быстро их произносят; в быстрой речи многие просто проглатываются.

Но главная причина того, почему электронная стенографистка не ждет вашего вызова за дверью, связана с общим явлением, возникающим при управлении мускулатурой, и называемым коартикуляцией. Поставьте перед собой блюдце и на расстоянии около полуметра от нее — кофейную чашку. Теперь быстро дотроньтесь до блюдца и схватите чашку. Вы наверняка дотронулись до края блюдца, ближнего к чашке, а не ровно посредине. Ваши пальцы наверняка пришли в позицию, удобную для хватания, в то время, как рука двигалась по направлению к чашке, но прежде, чем достигла цели. Такой плавный переход от одного жеста к другому и накладывание жестов повсеместно встречаются при осуществлении моторных функций. Это экономит силы, необходимые для движения частей тела и уменьшает нагрузку на суставы. Язык и гортань не являются исключением. Когда мы намереваемся артикулировать фонему, наш язык не может немедленно занять требуемую позицию: это увесистый кусок мяса, которому нужно время, чтобы переместиться. Поэтому пока мы его перемещаем, наш мозг планирует траекторию, уже представляя себе следующее положение, совсем как в случае с блюдцем и чашкой. Изо всех возможных позиций в полости рта, которые могут определить фонему, мы помещаем язык в ту, при которой наибыстрейшим образом может быть артикулирована следующая фонема. Если фонемой, которую мы сейчас произносим, не задано, где в точности должен находиться орган речи, мы предугадываем, где он должен находиться для произнесения следующей фонемы, и помещаем его туда заранее. Большинство из нас находится в полном неведении об этих аккомодациях, пока к ним не привлекут внимания. Произнесите Cape Cod [keɪp kɒd]. До сих пор вы наверняка не замечали, что корпус языка занимает разные позиции для произнесения этих двух звуков k. В слове horseshoe [hɔː-uː] первое s становится sh, при произнесении NPR n становится m, в словах month и width место образования звуков n и d — возле зубов, а не у края десен, как обычно.

Поскольку звуковые волны мгновенно реагируют на форму полостей, по которым они проходят, то коартикуляция сеет смуту среди звуков речи. Индивидуальная звуковая реализация той или иной фонемы «подкрашена» теми фонемами, которые идут перед ней и после нее, иногда до такой степени, что эта звуковая реализация не имеет ничего общего с фонемой благодаря компании других фонем. Вот почему невозможно отрезать кусок пленки с записью звучащего слова cat и надеяться найти в нем относящуюся к началу часть, которая содержала бы один звук k. Чем ближе и ближе к началу будут эти отрезки, их звучание будет варьироваться от чего-то, напоминающего ka, до чириканья или свиста. Такое «смазывание» фонем в речи могло бы в принципе иметь преимущество для оптимально сконструированного опознавателя речи. Согласные и гласные реализуются в речи синхронно, значительно увеличивая количество фонем, произносимых в секунду, как было замечено в начале этой главы, и существует много избыточных звуковых подсказок о том, что за фонема имеется в виду. Но этим преимуществом может воспользоваться только высоко технологичный распознаватель речи, тот, что имеет некоторое представление о принципах смешения звуков речевым аппаратом.

Конечно, человеческий мозг — это высоко технологичный распознаватель речи, однако, никто не знает, как ему удается быть таковым. Поэтому психологи, изучающие восприятие речи, и инженеры, конструирующие механизмы для распознавания речи, пристально наблюдают за работой друг друга. Возможно, распознавание речи — настолько сложный процесс, что существует всего несколько способов того, как оно в принципе может быть реализовано. Если так, то способ, которым пользуется мозг, может подсказать, как наилучшим образом сконструировать машину для распознавания речи, а способ, каким это удастся сделать машине, может предложить гипотезу о том, как это удается мозгу.