三全音感知双重性：音乐与语言的联系

[美国] 戴安娜·多伊奇(著)，王博涵，李小诺(译)

(1.加州大学圣地亚哥分校，加利福尼亚州 圣地亚哥；2. 华东师范大学 教育学部，上海200241；3. 上海音乐学院 音乐学系，上海200031)



·音乐心理学·

三全音感知双重性：音乐与语言的联系

[美国] 戴安娜·多伊奇1(著)，王博涵2，李小诺3(译)

(1.加州大学圣地亚哥分校，加利福尼亚州 圣地亚哥；2. 华东师范大学 教育学部，上海200241；3. 上海音乐学院 音乐学系，上海200031)

摘要：几百年来，学者及音乐家们都认为音乐与语言之间存在密切的联系，科学家们也在该领域进行着不懈地探索。本文首先对音高结构、“音高族”、“音高族圆环”等概念和构成进行分析，并回顾了在原有音程进行(上行、下行)判断试验中，人们对音高高度的判断受到两个音高族邻近度的潜在联系的重大影响，这一因素掩盖了人们对音高高度的感知；也就是说，人们感受一个音程的进行是上行还是下行，取决于它们在音高族圆环上的最近距离的方向。而在感知三全音音程时，由于是八度的一半，其听觉判断会是怎样的呢？本研究的设计即是针对这一现象，采用经过处理的三全音音响，选取来自不同地区的被试进行听觉测试，结果有的被试认为是上行，而有的认为是下行；经过对被试语言所常用的音区进行分析比对，发现这一现象是由被试各自的语言音高特征决定的，这说明不同地理区域的人对特定声音的感知可能截然不同；文章又通过实证数据进一步分析阐述了对三全音进行方向的不同判断与地域关联的基本原理。这一研究发现表明，话语经验可以影响音乐的感知方式；并且，个人的音高感知特点在言语理解与情感状态认知中发挥重要作用。

关键词：三全音；感知双重性；音乐；语言；不同地域

威廉·哈维(William Harvey)在他的血液循环经典论著中宣称人们可以听到胸腔脉搏的声音。当时他的这一观点引起了激烈的争论，其中有一位威尼斯医生开玩笑地说可能这声音“只能在伦敦听到”(Hunt, 1978, p.138)。

不同地理区域的人对特定声音的感知可能截然不同，这个观点看起来不像是在开玩笑，但本文探讨的声音模式(sound pattern)就是如此，生活在不同地域的人对其会有不同的认知，本文将探索这种音型的性质及其地域关联的基本原理。

音高结构

音高，即声音高低的属性，是我们感知音乐的核心。尽管我们听到的音乐以外的声音的音高是非常模糊的(比如脚步声、吱吱声、沙沙声)，但是大多数乐器声和歌声的音高是比较明确的，旋律与和声也就在这类音高中形成。

音高与音高关系的问题在古代就引起了科学家的注意。毕达哥拉斯(Pythagoras)的贡献在于，运用实验方法演示了一根震动的琴弦的音高变化与其长度成反比，而当琴弦长度呈某种比例时，就会产生某种特定的音程。在17世纪，伽里略(Galileo)和梅森(Mersenne)说明了，这种联系是基于琴弦长度与震动频率之间的关系，即琴弦越短，频率越高。梅森也发现，一个物体不仅会以它对所感知音高对应的频率——基础频率——震动，也会以整倍于基础的频率震动，这一组震频被称为泛音列。随后，塞贝克(seebeck)和斯腾(schouten)证明了人们听到了对应于基础震动的泛音列，即使这一基础震频很微弱甚至已经消失。

为了感知音型，我们应该如何概括音高关系呢？当两个音(tone)同时出现，我们就感知到一个音程，并且当它们频率比相同时，我们感知到的音程大小也就相同。传统的音阶在某种程度上基于此原理。键盘上两个临近的音形成的音高关系叫做半音，这相当于大约18：17的频率比。由相同数量的半音组成的音程名称相同，比如，由12个半音(频率比2：1)组成的音程叫做八度，由7个半音(频率比3：2)组成的音程叫做纯五度，由5个半音(频率比4：3)组成的叫做纯四度。

由于基于音程结构的音组具有感知等值性，所以一首乐曲可以在不同的音高上演奏(也就是说，它是可以变调的)，并且如果音程不变，那么它的感知同一性就得以维持。从这个方面来说，音型就好比视觉图形，当人们把图形变换位置时，它们在人们的视野中也依然是那个图形。所以，这种认为一个音高在变调之后就会彻底改变的观点就像认为一个图形改变了空间位置之后就变形的观点一样，是自相矛盾的。

其他的音型分析以八度为基础。人们很早就认识到，相差八度音高的音具有感知同一性，这在传统音阶的记谱法系统中得到普遍认可。这种音阶的核心由12个音组成，相当于把八度分割成半音，每个音都予以命名(如C、#C、D等)，随着音高的升高(键盘上从左到右上升)，音名按顺序重复出现，以八度位置依次交替的形式组成完整的音阶。八度音阶的位置用下标形式指示出来，具有八度音高关系的音高组成一个音高族。比如，C3、C4和C5都是C族中的，但每个音依次升高了八度；同理，#D3、#D4和#D5都是#D族中的，每个音比前一个高八度*译者注：常见的音高的分组标记法有两种，一种是Helmholtz Pitch Notation(简称HPN)，其标记由大小写字母加数字组成，如国际标准音高(440Hz)标记为a1，我国多采用这种标记法。另一种是Scientific Pitch Notation(简称SPN)，是国际上常用的一种记法，其标记全部由大写字母加数字组成，数字全部用下标，如国际标准音高(440Hz)标记为A4，其它音高依次类推。此文中音高采用SPN标记法。，等等。

因此我们可以认为一个音的音高是在两个维度上变化：音高从低到高连续上升的单音音高维度上；由每个八度内相同的明确位置构成的音高族形成的环形维度。进而我们可以发问，这两个维度是独立的还是在某种方式上互相影响？依据常识，人们往往认为它们是相互独立性。如果一个音乐家被问到：“哪个音更高，C还是#F？”，他们更有可能会认为这个问题是没有意义的：在给出一个合理答案之前，总是要先知道是哪个C和哪个#F吧。

无止尽的升降音

谢泼德(Shepard)(1964)做过一个实验，他假设实验可以证明音高族和音高高度之间是相互独立的。他运用了一系列的音，其中每一个都由一组彼此之间相差八度的纯音构成*一个正弦波，或纯音，是由一个单一的频率构成。一个音调的频率就是在一秒钟内波形重复的次数。以赫兹为单位，1赫兹(赫兹)= 每秒钟1个周期。音的振幅被定义为平均值的最大压力变化量。为方便起见，振幅转换为分贝(dB)为单位。频谱包络确定各频率构成成分的振幅。，比如，一组音由C2，C3，C4等构成，另一个是由#C2，#C3，#C4等构成。这种方式把上述音置于不同的音高族，并且让它们之间的八度位置变模糊。对于每一个音高族来说，其构成成分的振幅是由一个钟形频谱包络(a bell-shaped spectral envelope)决定的，因此，位于范围中间的那个音是最高的，位于两端的则是最低的。谢泼德在保持包络的位置与形状不变的同时改变音调族的高度。

谢泼德发现，当两个音连续演奏时，听者听到的是上行还是下行，取决于这一组音在音高族圆环中哪段距离更短(图1)。例如，人们听到#D-E组总是上行的，这是因为较短距离的方向是顺时针的。同理，#A-A组就总是下行，因为较短距离的方向是逆时针。谢泼德进而做了一个有趣的演示：沿音高族圆环顺时针方向反复演奏的一系列音听起来是不断地上行，而逆时针方向的则是不断地下行。这一音高感知的双重性和视觉上的彭罗斯阶梯(Penrose，1958)是同一个道理，其后由艺术家莫里茨·科内利斯·埃舍尔(Maurits Cornelis Escher)推广。

图1　由12个音高族组成八度音高族圆环

注：为了形成三全音感知双重性，圆形中两两相对的一组音按顺序演奏，比如，D在#G后演奏，或者F在B后演奏。

作曲家里塞特(Jean- Claude Risset)发明了一系列有关上述音高感知双重性的变体(Risset，1971)。在一次演示中，一个单音沿音高族圆环顺时针方向依次演奏，因此听起来音调不断上升，逆时针方向音调便不断下降。在另一演示中，一个音(高族)在沿音高族环顺时针滑动，所以听起来上行与下行同时存在。

乍一看上去，环状音高演示似乎能够证明假设，即音高族与音高高度是两个相互独立的范畴。然而，形成这种现象还有其他因素的影响。我们在把一大批知觉因素进行分组归并处理时，更倾向于把那些近距离(关系密切)的因素联合起来而忽视了那些关系疏远的因素。有很多对这一原理在视觉上的著名阐释，比如人们倾向于把空间上邻近的圆点聚在一起，人们更能够感受到临近的灯相继亮起灭掉的运动(Rock，1986)。在音乐领域中，人们更容易在音程较短而非较长的音之间建立相关联系(Bregman& Campbell，1971; Deutsch，1975; Van Noorden，1975)。音高族圆环的实验进一步证明了，人们对音高高度的判断受到两个音高族邻近度的潜在联系的重大影响，这一因素掩盖了人们对音高高度的感知。

三全音感知双重性

得到这样的推理之后，我思考的问题是，如果一对音恰好相差半个八度(该音程为三全音)那么它们在音高族圆环上顺时针与逆时针方向相隔的距离都是相等的，这样听者要怎样判断出这一对音的音高呢？举个例子，如果#G在D后演奏，或者F在B后演奏，会有怎样的效果？因为感知系统不会再带来由临近度产生的影响了，是会像前文中假设二者为独立关系所预测的那样，对相关音高的判断变模糊，还是在音高族与感知音高之间出现关联？我认为，在这种情况听者就只能参考音在音高族圆环中的绝对位置了。如果圆环上一个位置的音被认作是音高较高的，圆环上相对的一个则是较低的，那么音高模糊的问题也就解决了。我们想象一下，听者的表现如图1所示，纵坐标代表感知音高。如果听者内在听觉认为音高族C是最高音(如图所示)，那么他接下来听到#F就会认为是下行。但是，如果听者内在听觉认为#F是最高，那么他接下来听到与上述同组的音就会是上行。

这一推理促使我开始着手准备一系列实验，程序如下：为被试播放上文所述三全音，让他们判断每一对音是上行还是下行*三全音音高感知双重性的全部实验(音频)信号，以及对被试实验过程描述和数据分析，可见下列光盘和所附的小册子：Deutsch, D.(1995). Musical illusions and paradoxes (Available from Pjilomel Records, P.O. Box 12189, La Jolla, CA 92039-2189)。，将被试认为是下行的次数百分比标下来，绘制一对音中第一个音的音高族函数(Deutsch，1986，1987，1991，1994，1996；Deutsch， Kuyper，& Fisher，1987；Deutsch， North，& Ray，1990：Ragozzine & Deutsch，1994)。

图2一对音高族所形成的三全音错觉的频谱图(上图为音高族D，下图为音高族#G)

每个测试音包括六个纯音，它们各相隔八度，由钟型频谱包络决定振幅(这样一对音的频谱呈现见图2)。一对音高族被放在包络的不同位置下，在大多数试验中通常采用半个八度的位置。基于音高族和音构成成分的相关振幅或响度，通过改变包络位置的方式进行呈现。

图3展示了4位不同被试在这一模式下所做的判断。在一个点位的数据，都是四个频谱包络的平均值，这些频谱包络都是半个八度的音程距离。可以看出，每位被试的判断都是系统地取决于音在音高族圆环上的位置。但是，每位被试的方向都有明显的不同。

图3　四位不同被试对三全音双重性的感知

注：每个图表是将被认为是下行进行的一对刺激音中的第一个音绘制成函数，呈现的是不同的被试对相同音高族感知的不同比例。

因此，我们可以认为音高族圆环是具有特定的音高取向的，并且，这种特定的取向因人而异。举个例子，根据图3右上方数据显示，被试听到E，F，#F，G，#G，A音高较高，其他音较低，因此对于这位被试而言，#F和G是音高族圆环中的最高位置。相反，根据图中右下方数据显示的，被试认为#A，B，C，#C，D，#D较高，其他较低。因此C和#C就是最高位置了。图4显示了这两位被试的音高族圆环的方向(数据来源于图3)。我把这种位于被试音高族圆环最高位置的音高族叫做被试的“顶点音高族”。

音高族与感知音高之间有特定的关联，并且每位被试的表现都有不同，这种结果的根据是什么呢？我们从加州大学圣地亚哥分校一组本科生中展开了一项实验(Deutsch et al.，1987)，实验效果在其中大多数人身上体现了出来。此次研究的所有被试均听力正常，并且能够正确判断出一组相差半个八度的纯音是上行还是下行。在这些被试中，三全音模式的感知方式和他们曾经是否有过音乐训练经历之间没有特定关联，因此可以看出，三全音感知双重性不是源于音乐培育的。其它研究的结果驳斥了认为其原因是听力水平低的解释。比如，当在每个被试所听到的声音之间展开比较时，三全音感知双重性研究中音高族与感知音高的关联图表与相同音中每个成分的响度并不对应。

图4两名被试的相对应的音高族圆环的音高取向(orientations of the pitch class circle with respect to height)。

左图取自图3中右上图中的数据，#F和G为音高族顶点。右图取自图3右下图中的数据，C和#C为音高族顶点。

话语模式影响的证据

若干非正式的观察使我推测到，三全音感知双重性有可能和人们的发音过程有关。具体来说，听者在长时间内发展起来的语音表达习惯，是在某个音高范围之内的，这种表述所采用的音高值会最大比例的出现在一个特定的八度范围中。我进一步猜测听者用来划分音高族圆环中最高位置的就是界定听者语音八度范围的音高族，进而以此音高族为参照判断其它音高族的高度。

我同Tom North、Lee Ray一起，对上述假设展开研究。首先，我们让被试参与到三全音感知双重性的各项实验中来，我们从中挑选出一组人，他们能够清晰、持续地判断音高族与感知音高的关系。接下来我们让每一位被试对着麦克风随意说话大约15分钟，然后采用4分钟长度语音样本进行音高估值。随后，我们判断出音高估值出现最多的八度，确定出区分八度范围的音高族。下一步，我们针对每一位被试，把他们划分语言八度范围的音高族与通过三全音感知双重性听觉测试判断所得出的音高圆环的最高点的音高族进行比较，9名被试中的8名在这两组音高族的对应关系上密切相关(Deutsch et al.，1990)。

研究发现与我的假设一致——三全音进行方向的感知是基于听者的音高族圆环呈现，而听者所选择的方向是与他的语音音高范围相关联的。这里有两种猜想可以参考，第一种狭义的猜想认为，听者的语音音高范围无法由习得的模板决定，而是由某些其它因素决定的。第二种更广义的猜想认为，听者在接触到他人的语音后习得模版，这个模版既评估感知语音的，又影响听者自身语音输出。并且，该模版的特点应该是因人而异的，比如，说不同语言或方言的人的模版是不同的，或一些其它的语音特点，如元音性质，在不同语言与方言中也是不同的。

接下来深入研究的结果支持了第二种猜想。最初，我发现加利福尼亚人与来自英格兰南部的人感知三全音的方式有所不同。在一次正式实验(Deutsch, 1991, 1994)中我发现，在加利福尼亚长大的被试与在英格兰南部长大的被试的音高族圆环顶点分布有明显差异。如图5所示，加利福尼亚被试的音高族顶点集中在B，C，#C，D和#D范围，而英格兰被试集中在#F，G和#G。

图5　两组被试音高族顶点的分布

注：一组来自英格兰南部，一组来自加利福尼亚。图中百分比为被试将该音高族分辨为音高族顶点的比例。选自Deutsch(1991)。

实验结果证实，经过一段时间的学习，个体能够获得自己音高族圆环的表征，并以此作为特定的定位以定位其它音高族的高度。这一定位来源于个体所接触的语音，并且根据语言或方言的变化因人而异。我们可以进一步假设，个人习得的模版既包括他本人的语音输出，也包括他对他人语音的评估。

多尔森(Dolson，1994)对有关语音类研究发现的文献进行的综述支持了目前的猜想。首先看来，大部分人的语音音高范围在大概一个八度之内的；第二，在一个语言共同体之内，女性的语音要比男性高一个八度左右；第三，在一个语言共同体内，语音的音高范围差异(排除上述性别差异)微乎其微。相反，在不同的语言共同体之间，语音的音高范围差异明显。最后惊人的一点是，个人的语音音高范围和诸如个人的身高、体重、胸围以及声带长度等生理参数缺乏相关性。

这一模版的衍化价值是什么呢？说话者声音音高的变化取决于他的情感状态，由此可以将这种状态传达给听者(Fernald， 1992；Scherer，1985)。此模版可以为一个语言共同体提供共同的框架，以便通过说话者声音的音高评估其暗示的情感状态。这一模版也可以用来传达语音的句法方面的信息(Cutlter, Dahan，& Donselaar，1997)。

最近许多其他实验也得出证据证明这一观点——音高族圆环的定向会根据地理位置的变化而发生系统变化。吉安格兰(Giangrande，1998)在对伯克莱顿(Boca Raton)的佛罗里达亚特兰大大学(Florida Atlantic University)的学生进行研究之后，得出的音高族顶点直方图和我在加利福尼亚人实验中得到的结果十分相似。R.Treptoe(在其未公开发表的文章中)也得出了类似的直方图，被试来自威斯康星大学史帝文分校。与此相对比，达维(Dawe)、普莱特(Platt)、威尔斯(Welsh)在对位于安大略省汉密尔顿(Hamilton,Ontario)的麦克马斯特大学(Mc-MasterUniversity)学生的研究中得出的结果和我对英格兰南部被试研究的结果十分相似(Deutsch，1991)。

我的实验进一步表明，人们在生命的早期中形成的模式能够很大程度上影响他们对三全音的感知。实验中的两组被试都在俄亥俄州杨斯顿地区长大，Ragozzine和我发现这两组被试在三全音感知方面的数据有所不同(Ragozzine& Deutsch，1994)。我们把那些父母也在杨斯顿长大的被试叫做“本地人”，把那些父母在其它地方长大的被试叫做“外地人”。“外地人”组得出的音高族顶点图和我所研究的加利福尼亚被试十分相近(Deutsch，1991)，但是“当地人”组得出的结果与前者迥异。由于父母对语音发展具有格外重要的影响，这项实验表明，一个人的音高族模式有可能在童年时期形成。

最近(Deutsch，1996)我又得到了更多有关伴随发育而习得模式的直接证据。我研究了十五名被试及其母亲的感知结果。十名被试为儿童，其他五名为成人，他们全都是加利福尼亚人，但他们的母亲来自不同地方，包括英格兰，欧洲大陆以及美国的不同洲。正如我们预期，各位母亲对三全音的感知方式截然不同，然而值得注意的是，尽管被试都是加利福尼亚人，他们的感知与他们母亲的方式是相一致的，因而他们彼此之间也有很大不同。然而，由于其中十名被试是儿童，母子之间感知的一致性可能是因为对于低年龄段听者来说母性影响格外强烈——这也是我要持续研究的主题。

结 论

几个世纪以来，学者们一直在讨论，音乐与语音之间必定存在密切联系。许多作曲家都认同这一观点，在他们的音乐元素中融入语言表述的特点，以寻求最佳表现效果。从另一视角来看，我们对音高特点在言语理解(Cutler et al.，1997)与情感状态认知中(Fernald 1992；Scherer，1985)的重要作用的引证方面已取得重大进展。另外，目前在三全音方面的发现表明，话语经验可以影响音乐的感知方式，并且为发现其它影响创造了机会。

参考文献:

[1]Bregman, A.S., & Campbell, J.(1971). Primary auditory stream segregation and perception of order in repid sequences of tones.JournalofExperimentalPsychology, 89, 244-249.

[2]Cutler, A., Dahan, D., & Donselaar, W., van. (1997). Prosody in the comprehension of spoken language: A Literature review.LanguageandSpeech, 40, 141-210.

[3]Dawe, L.A., Platt, J.R., & Welsh, E. (1998). Spectral motion after-effects and the tritone paradox among Canadian subjects.Perception&Psychophysics, 60, 209-220.

[4]Deutsch, D. (1975). Two-channel listening to musical scales.JournaloftheAcousticalSocietyofAmerica, 57, 1156-1160.

[5]Deutsch, D. (1986). A musical paradox.MusicPerception, 3, 275-280.

[6]Deutsch, D. (1987). The tritone paradox: Effects of spectral variables.Perception&Psychophysics, 41, 563-575.

[7]Deutsch, D. (1991). The tritone paradox: An influence of language on music perception.MusicPerception, 8, 335-347.

[8]Deutsch, D. (1994). The tritone paradox: Some further geographical correlates.MusicPerception, 12, 125-136.

[9]Deutsch, D. (1996). Mothers and their children hear a musical illusion in strikingly similar ways.JournaloftheAcousticalSocietyofAmerica, 99, 2482.

[10]Deutsch, D., Kuyper, W.L., & Fisher, Y. (1987). The tritone paradox: Its presence and form of distribution in a general population.MusicPerception, 5, 79-92.

[11]Deutsch, D., North, T., & Ray, L. (1990). The tritone paradox: Correlate with the listener's vocal range for speech.MusicPerception, 7, 371-384.

[12]Dolson, M. (1994). The pitch of speech as a function of linguistic community.MusicPerception, 1, 321-331.

[13]Fernald, A. (1992). Human maternal vocalizations to infants as biologically relevant signals: An evolutionary perspective. In J.H. Barkow, L. Cosmides, & J. Tooby (Eds.),Theadaptedmind:Evolutionarypsychologyandthegenerationofculture(pp. 391-427). New York: Oxford University Press.

[14]Giangrande, J. (1998). The tritone paradox: Effects of pitch class and position of the spectral envelope.MusicPerception, 15, 253-264.

[15]Hunt, F.V. (1978).Originsinacoustics. New Haven, CT: Yale University Press.

[16]Penrose, L.S., & Penrose, R. (1958). Impossible objects: A special type of illusion.BritishJournalofPsychology, 49, 31-33.

[17]Ragozzine, F., & Deutsch, D. (1994). A regional difference in perception of the tritone paradox within the United States. Music Perception, 12, 213-225.

[18]Risset, J.C (1971). Paradoxes de hauteur.Proceedingsofthe7thInternationalCongreeofAcoustics, 3, 613-616.

[19]Rock, I. (1986). The description and analysis of object and event perception. In K.R. Boff, L.Kaufman, & J.P. Thomas (Eds.),Handbookofperceptionandhumanperformance(chap. 33).New York: Wiley.

[20]Scherer, K.R. (1985). Vocal affect signaling: A comparative approach.AdvancesintheStudyofBehavior, 15, 189-244.

[21]Schouten, J.F. (1940). The perception of pitch.PhilipsTechnicalReview, 5, 286-294.

[22]Seebeck, A. (1843). Ueber die Sirene.AnnalenfürPhysikundChemie, 60, 449-481.

[23]Shepard, R.N. (1964). Circularity in judgments of relative pitch.JournaloftheAcousticalSocietyofAmerica, 36, 2346-2353.

[24]Van Noorden, L.P.A.S. (1975).Temporalcoherenceintheperceptionoftonesequences. Unpublished doctoral dissertation, Techniche Hogeschoel, Eindhoven, The Netherlands.

【责任编辑：吴志武】

原文“The Tritone Paradox: A link Between Music and Speech”发表于CurrentDirectionsinPsychologicalScience,Volume 6,Number 6: 174-180, December 1997。 “Paradox”意为“悖论，矛盾”，此文中指在特定实验环境下，人们在感知三全音音程的进行时，有的被试认为是上行，而有的认为是下行；这一现象是由被试各自的语言音高特征决定的。因此，本文将“The Tritone Paradox”译为“三全音感知双重性”。

收稿日期：2016-02-23

基金项目：教育部人文社科研究基金一般项目“音乐认知的理论与实践”(11YJA760039)；上海高校高原学科“艺术学理论-音乐艺术本原与当代音乐文化批判”。

作者简介：1.[美]戴安娜·多伊奇(1938-)，女，美国加州大学圣地亚哥分校心理学系教授，主要从事音乐听觉感知和音乐记忆等研究；2.王博涵(1990-)，山东德州人，华东师范大学教育学部文学硕士，现任教于苏州工业园区青剑湖中学；3.李小诺(1968-)，女，山东聊城人，上海音乐学院研究员，音乐学系党支部书记、副系主任，华东师范大学心理学博士后，主要从事音乐心理学、作品分析研究。

DOI:10.3969/j.issn.1008-7389.2016.02.005

中图分类号：J60-051

文献标识码：A

文章编号：1008-7389(2016)02-0036-08