為什麼日語口語聽起來像一個長單字：打破「所有聲音混在一起」的壁壘

為什麼在初學者耳中，日語口語聽起來就像一個長單字？這是一個關於語音感知（perception）的問題，而非詞彙量的問題。初學階段接觸到的日語音訊往往像一條未曾中斷的連續聲音帶，單字之間沒有任何可聽見的停頓。這種現象非常正常、源於感知機制，並且只是暫時的。本頁將解釋其成因，並介紹訓練耳朵聽出詞邊界的操練方法。

概述

感覺「所有聲音都混雜在一起」是早期聽力階段最常見的苦惱。這絕不意味著你在語言學習上缺乏天賦。任何口語呈現給聽者的都是一條連續的聲學流，而日語恰好剝離了習慣了英語等語言的耳朵所依賴的多項切分線索。¹

好消息是：語音切分（segmentation，即將連續語流切割為離散單字組成的過程）是一項可以透過訓練掌握的知覺技能，而非不可改變的天賦。²³ 本頁接下來的部分將闡述語流聽起來毫無間隔的原因、日語格外難以切分的特定機制、大腦如何學會識別詞界，以及哪些操練能加速這一過程。

為什麼日語中沒有可聽辨的「空格」

拍（mora）是日語的基本計時單位：其長度大約相當於一個簡短假名（如 か 或 ん）的時長。該術語貫穿本頁，並在核心關鍵處再次明確定義。在探討日語特有因素之前，首先需要認識到「沒有空格」這一問題根植於所有人類語言的發音共性。

任何口語在單字之間其實都沒有停頓

在所有口語中，聲學訊號本質上都是連續的，詞與詞之間並不存在穩定可靠的靜音停頓。書面文字中用空格標示詞邊界的做法，在物理聲波中找不到對應規律，因此從連續口語中提取離散單字是聽者必須克服的一項感知挑戰。²¹

母語者解決這一難題時極為自動化，以至於他們從未意識到自己在做這件事。唯有面對一門陌生語言時，該問題才會暴露無遺。語流聽起來毫無間隙，純粹是因為你的耳朵尚未學會該在哪裡進行切分。¹

停頓空隙在於你的耳朵，而非音訊本身

從連續語流中進行單字切分是如此基礎的一項能力，以至於 8 個月大的嬰兒就能做到。他們僅憑相鄰聲音之間的統計關聯，在接觸一段詞界處毫無聲學停頓的語音流大約兩分鐘後，就能完成切分。²

聽者在傾聽時會依循針對母語調優的切分程序。英語母語聽者通常會將詞邊界定在每個強重音音節的開頭，因為英語中大約 90% 的實詞均以重讀音節開頭。這種策略在英語中行之有效，但在缺乏詞彙重音的語言中則完全失效。⁴¹

日語書寫系統同樣不提供空格

標準日語正字法（書寫系統）混合使用漢字、平假名與片假名，通常在單字之間不留任何空格。文字類型的交替轉換承擔了英語中空格所起到的視覺分塊作用。例如，漢字實詞之後可能緊跟著平假名送假名（附在漢字後面的假名字尾）或助詞。卷面上並沒有詞間空格可供參考。⁵⁶

帶有空格的分詞書寫確實存在，被稱為「分かち書き」（wakachigaki，分詞書寫），但僅見於受限語境中。例如尚不認識漢字的低幼兒童讀物以及日本語盲文。它絕非常態化的成年人文本形式。⁶

由於書面書頁本身不留空格，依賴視覺詞邊界的學習者在閱讀練習中也無法獲得任何切分線索。無論卷面還是音訊，都無法幫助學習者擺脫「單字必然被空格環繞」的心理預期。⁶

究竟是什麼讓日語語音切分格外困難

在人類語言共有的連續流特性之上，日語還額外疊加了四項特徵，掩蓋了習慣了英語等語言的耳朵所搜尋的邊界線索。

拍節奏使韻律趨於扁平

日語的節奏單位是拍（mora），這是一個小於許多音節的計時單位。與重音節奏（stress-timed）的英語和音節節奏（syllable-timed）的法語不同，日語被歸類為拍節奏語言（mora-timed）。⁷⁸ 每一拍的時長大致均等。

はし⁸
「由兩拍（は + し）組成的詞，根據音高重音（pitch accent）的不同，分別意為『橋』、『筷子』或『邊緣』。」

学校がっこう⁸
「意為『學校』：由四拍組成（が、促音 っ、こ、以及長母音 う），儘管在英語耳朵聽來像是兩個音節。」

日語母語者依據拍來切分口語。在 Otake, Hatano, Cutler & Mehler (1993) 的實驗中，日語母語受試者的反應模式完全符合基於拍的切分；而面對同樣的日語材料，英語和法語母語受試者則分別表現出基於重音和基於音節的反應模式。這表明切分單位是由聽者的母語語音體系決定的，而非由物理聲學特性本身決定。⁷

其實際後果在於：均等的拍節節奏完全不提供「響亮音節即詞彙起點」這一線索。在英語中用於標示詞首的節奏突顯特徵在日語中全然不存在，因此英語母語者帶入任務的感知策略根本無法觸發。⁴¹

語速：每秒拍數

在國立國語研究所（NINJAL）研製的規模宏大的語音語料庫——《日語自然會話語料庫》（CSJ）中，自發獨白口語的平均語速約為每秒 8 拍。其語料庫設計評估報告給出的數值為每秒 8.01 拍。⁹¹⁰ 極少數話語片段甚至超過每秒 14 拍。自發口語相較於字正腔圓的朗讀或教材錄音，不僅速度更快，而且變異性更大。⁹

在每秒約 8 拍的流速下，語流留給初學者定位詞邊界的時間極其短暫，下一語音塊便已呼嘯而至。這進一步放大了缺乏重音線索所帶來的難度。⁹ 朗讀或清晰發音的語速較慢，但關鍵在於其不對稱性：真實的日常對話遠比你平時學習所用的音訊更快、更不規整。

縮約形、同化與弱化抹平了詞邊界

在隨意的連續口語中，你在辭書形中背誦的詞邊界常常因縮約與弱化而被徹底破壞。口語形式不再匹配你孤立學習時的形態。⁸⁵

では → じゃ⁸
「繫詞-主題標記序列 では（大致為連接助詞 で 加上主題標記 は）縮約為 じゃ；你所預期的 で + は 之間的邊界消失了。」

ている → てる⁸
「進行體助動詞 ている 隨著 い 的脫落而弱化為 てる，因此 食べている 實際聽起來是 食べてる。」

此外，日語中還存在母音無聲化：閉母音 /i/ 與 /u/ 在清子音之間以及詞尾處常常發生無聲化，實際變成了耳語聲或直接脫落。母音無聲化去掉了學習者預期會聽到的母音，使語音分塊進一步模糊化。⁸⁵

學的是完整形式，聽到的卻是縮約形式

じゃ、～てる、～ちゃう 屬於會話口語體，而完整形式 では、～ている、～てしまう 則是中性或正式書面體。這種不匹配正是為什麼一個你明明「掌握」的詞，在口語流中卻認不出來的直接原因。⁸

助詞與功能詞依附於相鄰詞彙

短小的文法拍，例如助詞 は (wa)、を (o)、に (ni)、の (no) 以及繫詞，並不會作為獨立的突顯單位存在。它們在發音上直接附著在前面的實詞上。因此，聽覺上可感知的語音塊實際上是聲調句（accentual phrase，即一個實詞加上依附其上的功能小詞），而非孤立的辭書詞。⁸⁵

正因為助詞以這種方式依附於前面的宿主詞，初學者的耳朵往往分不清一個「詞」在哪裡結束、下一個詞在哪裡開始。你的耳朵在搜尋單個單字，而語流傳送過來的卻是一連串短語塊。⁵

大腦如何學會捕捉停頓邊界

令人寬慰的是，大腦尋找語音邊界的底層機制是通用且一直在後台運行的。它只需要獲得適當的輸入，就能將自己校準適應於日語。

統計學習：耳朵在尋找接縫

這裡的「統計學習」是指追蹤一個聲音跟隨另一個聲音的概率穩定性。聽者透過捕捉相鄰聲音之間的轉移概率（transitional probabilities），從連續語音中提取出類似單字的單元。轉移概率即聲音 B 出現在聲音 A 之後的頻率。詞內部的聲音序列重合概率，顯著高於跨越詞邊界的聲音序列重合概率；因此，概率較低的聲音過渡便構成了潛在的接縫。²

這種機制起效極為迅速。嬰兒在接觸語音兩分鐘後即可完成切分。² 對成年人的反應時測試顯示，大腦對未知語流的統計結構具有極高的敏感性，僅在重複接觸某一單元數次之後，便能測量到顯著的學習成效。³

由此得出的核心啟示是：語音切分是一項透過接觸重複模式而逐步掌握的知覺技能，而非某種固化天賦。大腦在對接收到的任何輸入進行自動統計。²³ 儘管上述研究採用了受控的非日語音訊刺激，但它們確立了普遍的認知機制，完全可以透過類比推論適用於日語學習者。²³

為什麼「豁然開朗」沒有固定的累計時長

統計學習的收益隨著接觸該語言重複模式的累計時長而逐步累加。接收到的可理解連續口語越多，語音切分能力就會穩定提升。²³ 並不存在一個經科學驗證的「開始穩定切分」的具體小時數閾值。沉浸式社群流傳的固定小時數只是經驗推斷，而非實證結論。誠實客觀的描述是定性的：切分能力是漸進提升的，所需時間因人而異，且取決於你積累了多少高度專注、可理解的優質輸入。

詞彙量會極大地加速這一進程。已知詞彙在語流中扮演了「錨點」（anchors）的角色。一旦識別出一個熟悉的詞，你就能順勢推斷出緊鄰它的未知語音材料的邊界。這極大增強了對周圍生詞基於統計的切分效果。¹¹ 簡言之，聽覺上認識的詞彙越多，能從語流中成功拆解出來的片段就越多。

為什麼注意力至關重要（以及純背景音為何停滯）

語音的統計學習在你全神貫注傾聽語流時效果最強。雖然在注意力減退時也能發生微弱學習，但專注的輸入能夠帶來更牢固、更可靠的切分效果。純泛聽或環境沉浸的表現顯著遜色於專注傾聽。¹

其實際結論非常直接：當你的目標是訓練詞邊界捕捉能力時，長達數小時未經注意的背景音訊，遠不如短時間的高度精聽來得有效。¹

加速語音切分的操練方法

下述每項操練都針對相同的自下而上技能：在語流中定位詞邊界。而這恰恰是以理解大意為導向的聽力最容易跳過的步驟。¹²

降速播放，再恢復原速

降低播放速度（最好使用帶有音調修正功能的播放器）能給耳朵爭取更多時間去定位邊界。隨後以正常語速重聽，以便剛剛捕捉到的詞邊界能夠遷移到真實流速的輸入中。¹²

過度放慢會破壞你正在訓練的線索本身

大幅度的時間拉伸會扭曲口語的自然節奏。對拍節奏的感知高度依賴於原生的時間結構。過度放慢音訊恰恰會破壞日語母語者所依賴的拍節奏線索。請將降速播放視為輔助支架，隨著能力提升應及時撤去，切勿將其作為永久的聽力模式。⁷⁸

聽寫與轉錄（寫出聽到的內容）

聽寫是一項高收益的自下而上操練。強迫自己將聽到的內容落諸筆端並完成書面切分，能清晰暴露你在哪些邊界上出現了聽覺誤判。它能將隱蔽的知覺盲區轉化為可糾正的具體錯誤。這種高強度的針對性解碼訓練，比單純聽懂大意的訓練更能直接磨練耳朵。¹²

反覆進行聽寫能強化音位解碼能力（即將聲音還原則為語言單位的過程），並加速在語流中自動檢索詞彙形式，從而提升後續輸入時的處理速度。寫出邊界，正是訓練識別邊界的最佳途徑。¹²

錨定已知詞彙

以識別出的單字和助詞為基點，向外推導切分。識別出一個已知詞，就能反推其相鄰未知材料的邊緣。這就是文獻記錄的「已知詞錨點效應」，它能顯著促進基於統計的切分機制。¹¹

第二遍聽時對照原文逐字稿，以便將你推測的詞邊界與正確答案進行比對驗證。務必挑選已知詞彙足夠密集的音訊作為訓練材料；如果已知詞太少，就根本沒有足夠的錨點來進行邊界切分。¹¹

選擇適宜的輸入難度

可反覆播放且難度略低於當前水準、大部分詞彙都已掌握的音訊，能提供更多可用錨點和更清晰的重複模式。而在幾乎完全聽不懂的高難度原生材料中，這兩者都極度匱乏。¹¹ 這使得略微簡單的音訊成為訓練詞邊界定位的更優選擇，儘管這在心理上顯得不夠有挑戰性。

這一原則既源於詞彙錨點效應（因為需要已知詞作為切分立足點），¹¹ 也符合統計學習機制（因為耳朵需要對全神貫注時捕捉到的重複模式進行聚類分塊）。²³ 「略低於水準」是一個相對的個人衡量基準，而非固定的 JLPT 等級區間。

補充須知

這是感知問題，而非詞彙問題

學習者經常將聽力困難歸咎於詞彙量不足，而真正的癥結往往在於語音切分。許多詞在書面上完全認識，但耳朵無法將它們從連續語流中剝離出來。在自下而上的聽力教學中，盲目刷更多單字卡片而忽視對耳朵的切分訓練是一種常見的誤診。¹²

有一個簡單的自檢方法：聽完後查閱文本對照，如果你在書面上完全認得這些詞，那麼真正的差距就在於語音切分，而非詞彙量。¹²

平台期真實存在，但終會被跨越

知覺學習是漸進且累積的，能力的提升並不一定會給人帶來線性的感覺。長期的停滯徘徊隨後迎來相對突然的「豁然開朗」，完全符合基於接觸的語音切分的發展規律。在平台期的沮喪情緒是普遍規律，而非失敗的標誌。²³ 不過，目前尚無科學定論支持具體的突破時間表。

日語字幕有所裨益，英文字幕無法訓練切分

日文字幕有助於強化邊界位置。它透過假名/漢字書寫體系的交替視覺分塊以及可供驗證的文本，有效輔助了「錨定與核對」的操練過程。然而中英文字幕會將理解過程導向閱讀理解，從而繞過了耳朵的感知處理。因此，母語外文字幕無法訓練聽覺切分。¹¹¹²

過分依賴母語外文字幕雖然主觀上感覺在練聽力，但實際上是在訓練閱讀，繞開了耳朵亟需的自下而上解碼訓練。¹²

「我看得懂，但聽不出來」

閱讀流暢度不會自動遷移為對口語詞邊界的聽辨能力。語音切分是依循母語調優的知覺程序，必須在物理聲學訊號本身上進行專門訓練。一個閱讀能力極強的學習者，面對口語仍可能只聽到一片未分化的聲音流，因為他的耳朵尚未建立起眼睛早已具備的邊界識別程序。⁷¹

這與 Otake 等人在科研層面指出的結論完全一致：切分程序依循母語語音體系調優，必須後天重新習得。對學習者而言，這意味著耳朵必須接受專項操練。⁷¹

聲調核並不標示詞邊界

日語音高重音（pitch accent）是詞彙層面的特徵，屬於單個詞彙並在聲調句內部運作。它可以區分 はし 究竟是「橋」、「筷子」還是「邊緣」。但它並不能穩定標示一個詞在哪裡結束、下一個詞在哪裡開始，因此它並不是初學者所期望的那種通用的詞邊界指引線索。⁸⁵

參見

• 漢字假名混寫：日語如何結合漢字、平假名與片假名
• 為什麼「Tokyo」在英語中是兩個音節而在日語中是四拍：將外來語作為節拍訓練
• 日語中的 ～てしまう 形：完成、遺憾與口語中的 ちゃう / じゃう
• 促音（っ）：靜音停頓
• 什麼是影子跟讀？聽力與口語協同訓練法詳解

References

Footnotes

1. Cutler, Anne. Native Listening: Language Experience and the Recognition of Spoken Words. MIT Press, 2012. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹

2. Saffran, Jenny R., Richard N. Aslin, and Elissa L. Newport. "Statistical Learning by 8-Month-Old Infants." Science, vol. 274, no. 5294, 1996, pp. 1926–1928. https://doi.org/10.1126/science.274.5294.1926 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰

3. Batterink, Laura J. "Rapid Statistical Learning Supporting Word Extraction From Continuous Speech." Psychological Science, vol. 28, no. 7, 2017, pp. 921–928. https://doi.org/10.1177/0956797617698226 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

4. Cutler, Anne, and David M. Carter. "The Predictive Value of Stress Cues for Speech Segmentation." Computer Speech & Language, vol. 2, no. 3–4, 1987, pp. 133–142. ↩ ↩²

5. Kubozono, Haruo, editor. Handbook of Japanese Phonetics and Phonology. De Gruyter Mouton, 2015. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

6. "Is Japanese Ever Written with Spaces Between the Words?" sci.lang.japan Frequently Asked Questions. https://www.sljfaq.org/afaq/wakachigaki.html ↩ ↩² ↩³

7. Otake, Takashi, Giyoo Hatano, Anne Cutler, and Jacques Mehler. "Mora or Syllable? Speech Segmentation in Japanese." Journal of Memory and Language, vol. 32, no. 2, 1993, pp. 258–278. https://doi.org/10.1006/jmla.1993.1014 ↩ ↩² ↩³ ↩⁴ ↩⁵

8. Vance, Timothy J. The Sounds of Japanese. Cambridge University Press, 2008. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹

9. Maekawa, Kikuo. "Corpus of Spontaneous Japanese: Its Design and Evaluation." Proceedings of the ISCA & IEEE Workshop on Spontaneous Speech Processing and Recognition (SSPR 2003), 2003, pp. 7–12. (Corpus of Spontaneous Japanese, 国立国語研究所 / NINJAL.) ↩ ↩² ↩³

10. 国立国語研究所 (National Institute for Japanese Language and Linguistics). 『日本語話し言葉コーパス』(Corpus of Spontaneous Japanese, CSJ). https://clrd.ninjal.ac.jp/csj/en/ ↩

11. Palmer, Shekeila D., Kayleigh L. Hutson, Sarah J. White, and Sven L. Mattys. "Lexical Knowledge Boosts Statistically-Driven Speech Segmentation." Journal of Experimental Psychology: Learning, Memory, and Cognition, vol. 45, no. 1, 2019, pp. 139–146. https://doi.org/10.1037/xlm0000409 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

12. Field, John. Listening in the Language Classroom. Cambridge University Press, 2008. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸