Перед вами график гласных Международного Фонетического Алфавита. Если вы когда-либо интересовались фонетикой или даже лингвистикой в целом, вы видели этот график. Его учит каждый студент-лингвист на первом курсе. Тем не менее, он неверен.

Из этой статьи вы узнаете:

1. Как мы до этого дошли - почему ошибка из 1917-го года до сих пор воспроизводится в каждом учебнике в 2026-м

2. Как на самом деле выглядит пространство гласных

3. Как на самом деле связаны артикуляция и акустика гласных

4. Как программно вычислить положение конкретного звука в пространстве гласных

5. Как правильную теорию можно использовать для улучшения английского произношения и уменьшения акцента

Давайте немного поэкспериментируем. Сначала скажите ииии, потом аааа, в потом попробуйте максимально плавно перевести первый звук во второй. У вас должно получиться - и примерно посередине вы при этом произнесли ээээ.

А теперь попробуйте то же самое, но с парой согласных: п и з. У вас точно не получится.

Все согласные можно разбить на совершенно несвязанные друг с другом кластеры, когда как гласные живут в едином непрерывном пространстве и их можно отобразить на едином графике.

Можно провести аналогию с цветами. Гласные, как и цвета, плавно перетекают друг в друга, разных оттенков гласных бесконечное множество. Каждый язык по своему делит пространство гласных на фонемы - точно так же как каждая культура по своему делит непрерывное цветовое пространство на базовые цвета.

Человеческий мозг вопринимает звуки речи категориально: он сравнивает звук с протитипами всех фонем в языке, и выбирает ту фонему, к которой звук ближе всего. Мы не воспринимаем звук как смесь фонем.

Из-за этой особенности мозга, идея непрерывности гласных неинтутивна. До конца 18-го века, все фонетические традиции описывали гласные так же дискретно как и согласные. Они все выделяли 3 крайние гласные: "и" (рот почти закрыт, губы разведены в стороны), "у" (губы трубочкой) и "a" (рот максимально раскрыт); плюс те гласные, которые присутствуют как фонемы в их языке.

Первым, кто высказал идею непрерывности в явном виде, был немецкий врач Кристоф Фридрих Хельваг. В 1781-м году он опубликовал довольно точную по современным меркам диаграмму гласных немецкого языка, при этом написав комментарий про непрерывность:

Иллюстрация Хельвага из его "Dissertatio De Formatione Loquelae"

Между соседними гласными можно добавить бесконечное множество промежуточных звуков, используемых носителями разных языков и диалектов. Вероятно, таким образом можно математически определить вообще все гласные, доступные человеку.

В 1867 году Александр Мелвил Белл (отец того Белла, который изобрёл телефон), после долгих наблюдений за артикуляцией гласных, пришёл к выводу, что качество гласного зависит от четырёх артикуляционных параметров: положение языка в вертикальной плоскости (подъём: низкий, средний, высокий), положение языка в горизонтальной плоскости (ряд: передний, средний, задний), степень огубления (огубленный/неогубленный) и признак primary vs. wide (позднее переродился в tense/lax, не является отдельной координатой, а означает удалённость от центра). Белл ничего не говорил про непрерывность: он выделял 36 гласных, и обозначал каждую отдельным символом (внешний вид символов при этом кодировал признаки).

Иллюстрация из книги Белла “Visible speech: the science of universal alphabetics, or self-interpreting physiological letters, for the writing of all languages in one alphabet”

Вскоре после этого, Генри Свит соединил идею непрерывности и признаки Белла. Так родилась теория, которую до сих пор преподают студентам-лингвистам: пространство гласных непрерывно, и точка в пространстве гласных определяется тремя непрерывными артикуляционными координатами: высотой подъёма языка, рядом и степенью огубления.

Это выглядит логично с точки зрения физики. Язык делит ротовую полость на две части, соединенные перемычкой. От размеров этих двух частей и размера перемычки зависят частоты, на которых резонирует воздух, проходя через ротовую полость. Мы можем двигать языком взад-вперёд и вверх-вниз (причём непрерывно), и таким образом непрерывно менять качество гласных.

МРТ ротовой полости

Эта теория послужила послужила толчком к развитию фонетики. Группа британских и французских учителей основала организацию Dhi Fonètik Tîtcer’z Asóciécon, позже переименованную в Международную Фонетическую Ассоциацию (МФА) и в 1888 году опубликовала первую версию Международного Фонетического Алфавита (также МФА). МФА - это единый алфавит, которым можно записать произношение любого языка. Транскрипция в учебниках английского - это запись в МФА.

В 1917 году глава отделения фонетики Университетского Колледжа Лондона Даниэль Джонс опубликовал звукозаписи "основных гласных" (cardinal vowels) и отобразил их на диаграмме положения языка:

• [i]: Самое высокое и переднее положение языка из возможных

• [a]: Самое низкое и переднее положение языка из возможных

• Между [i] и [a] находятся [e] and [ɛ], разделяя пространство максимально передних гласных на 3 равные части

• [ɑ]: Самое низкое и заднее положение языка из возможных

• [u]: Самое высокое и заднее положение языка из возможных; при этом с максимальным огублением

• Между [ɑ] и [u] находятся [ɔ] and [o], разделяя пространство максимально задних гласных на 3 равные части. ɔ и o тоже огублены

• Гласные 9–16 (добавлены позже) соответствуют первым 8, но с противоположным признаком огубления

График имеет форму трапеции по анатомическим причинам: у языка внизу меньше места, чтобы ездить взад-вперёд; чем наверху.

Гласные верхнего подъёма также называют закрытыми, а гласные нижнего подъёма открытыми, потому что у человека при прижимании языка книзу, рот инстинктивно открывается шире; и наоборот.

Что у Джонса получалось лучше всего - так это распространять свои идеи (даже неправильные). Этот его график очень хорошо прижился. Перед вами современный график МФА: это то же самое, что и диаграмма Джонса, только туда за столетие понадобавляли промежуточных символов. По сути ничего не изменилось - как объяснял Джонс, так же объясняют и современные учителя.

График Джонса сегодня полностью доминирует в образовании и даже в академических работах (тех, где нет статистики). Тем не менее, в его основе лежит совершенно неверная модель.

Из 8-ми основных гласных, только 3 можно безупречно исполнить артикуляционно - [i], [u] и [ɑ]. Для них существует физический предел движения языка, в который можно упереться. У [а] такого предела нет, а остальные 4 вообще определены как промежуточные между первыми 4-мя.

Поэтому Джонс произнёс [i], [u] и [ɑ] в строгом соответствии в артикуляционными инструкциями, а остальные гласные подогнал на слух так, чтобы выполнялись отношения, заданные графиком.

Во время этого он просвечивал свою ротовую полость рентгеном. Он ожидал увидеть, что положение языка на рентгене будет примерно соответствовать его графику. Этого не наблюдалось даже близко. Джонс не мог объяснить несоответствие и в итоге опубликовал график, звукозаписи всех гласных, а рентгеновские снимки - только для четырёх угловых. В 1955-м году он признался Ладефогеду, что снимки для остальных гласных "людей бы только запутали".

В 1928-м году Джордж Рассел провел собственное исследование и указал на несоответствие положения языка графику. Учёные мужи в 1928-м также не смогли найти объяснения и продолжили использовать график Джонса.

Таким образом, несмотря на то, что график МФА объясняется как артикуляционный, на самом деле он скорее акустический - как сказал Рассел в 1928-м, "фонетисты мыслят акустическими фактами, а выражают их через физиологические фантазии". Большинство гласных были определены на слух, а их реальная артикуляция не сходится с моделью. IPA Handbook это тихо признаёт: "The quadrilateral must be regarded as an abstraction and not a direct mapping of tongue position". К сожалению, если кто и читает этот дисклеймер, то не понимает его реальный смысл.

График Джонса плох и как чисто акустический график. У его осей нет чётких определений, и поэтому невозможно написать программу, которая будет определять координаты произвольного гласного звука на этом графике. Из-за этого он абсолютно неюзабелен в статистической фонетике. Воистину, это график для гуманитариев.

Фонетисты рисуют точки на этом графике просто "по интуиции". Аудиодемонстрации одной и той же гласной могут кардинально отличаться в исполнении разных фонетистов. Фонетисты бесконечно спорят между собой о качестве звуков, потому что одним слышится одно, а другим другое. В общем, это вайб-фонетика.

Я лично убеждён, что сам факт доминирования графика Джонса в образовании приводит к уменьшению количества реального статистического рисёрча. Даже если студентам позже всё-таки рассказывают что-то там про форманты, ложная парадигма уже отпечаталась у них в голове. Кроме того, работает теория разбитых окон. Студент думает: если заслуженному профессору можно вайбить свои исследования, значит, и мне можно.

График Джонса говорит нам, что 5 основных гласных неогублены, а 3 огублены. Откуда такая асимметрия? Почему нельзя было сделать симметрично?

А всё потому что если вы посмотрите на фонетические системы реальных языков, вы увидите, что в них доминируют 8 первых основных гласных Джонса: передние и открытые гласные обычно неогублены, а задние огублены. Гласные с противоположным огублением (9-16) используются гораздо реже. Почему так? Почему человеческие языки не любят половину гласных МФА?

Сравните два звука: œ и ɤ. Не знаю, как для вас, но для меня они звучат похоже. Не идентично, но похоже.

При этом, на графике Джонса они находятся очень далеко друг от друга. У них различаются все 3 параметра. Как объяснить их акустическое сходство?

Чтобы понять реальное пространство гласных, нам придётся погрузиться в акустический анализ.

В аудиофайле закодированы значения давления воздуха через малые промежутки времени - 16000 семплов в секунду и больше (это называется частотой дискретизации).

Если мы просто построим график этих значений, у нас получится осцилограмма. Однако, осцилограмма не очень подходит для акустического анализа, потому что во звуках речи намешано много разных частот. Нужно их разделить.

Осцилограмма

Для этого существует Дискретное Преобразование Фурье. Оно делает из осцилограммы спектр - выдаёт интенсивность для каждого интервала частот.

Спектр походит только для звуков, которые не меняются со временем - иначе он сольёт разные звуки, которые разнесены по времени

Спектр гласной ɪ

Для звуков, которые меняются со временем, строят спектрограммы: массив из спектров для каждого малого интервала времени (интервалы могут пересекаться). Акустический анализ - это в основном анализ спектрограмм.

Сверху: осцилограмма + громкость (синим) и высота звука (зелёным); Внизу: спектрограмма с формантами (синим)

Гласные являются звонкими звуками, то есть они произносятся с вибрацией голосовых связок.

Вибрация голосовых связок порождает звук, который называется "источником". В его спектре пики находятся на равном расстоянии друг от друга. Эти пики называются гармониками. Частота самого первого пика совпадает с расстоянием между гармониками и называется фундаментальной частотой F0. Мы воспринимаем фундаментальную частоту как высоту звука. Высота звука - это главный маркер, по которому мы определяем пол говорящего: у женщин (а также у детей) F0 выше. Типичная F0 мужского голоса - 120 Гц, а женского - 220 Гц.

Звук-источник проходит через ротовую полость и преобразуется в соответствии с её формой. Эту трансформацию можно описать с помощью спектра т.н. "фильтра": звука, которой получился бы на выходе, если бы источником был полностью плоский спектр (белый шум).

Чтобы получить спектр звука-результата, нужно спектр источника умножить на частотную характеристику фильтра.

Частоты пиков фильтра называются формантами: F1, F2, F3 и т.д.

Часто можно встретить упрощённое объяснение, что форманты - это частоты пиков результирующего спектра. Это неверно, форманты - это свойство исключительно фильтра. Форманта может лежать между двух гармоник, и не быть пиком в результирующем спектре.

Реальный спектр гласной ɪ с гармониками и формантами

Форманты - это именно то, что дифференцирует гласные. Мы слышим частоты формант, а не положение языка.

F1 и F2 играют главную роль, F3 - второстепенную. Более высокие форманты (F4 и дальше) кодируют индивидуальные особенности речи, а не фонетические контрасты.

График F1xF2 отображает реальное пространство гласных с точки зрения человеческого слуха. Если нам нужно больше точности, можно добавить F3, однако F1xF2 - это уже достаточно.

Пространство гласных для американского английского

F1 в первом приближении соответствует "высоте языка" на графика Джонса, а

F2 - "ряду".

Традиционно, оси на графике формант ориентируют так, чтобы график напоминал график Джонса. F1 - это ось Y, и она растёт вниз; F2 - это ось X и она растёт влево.

Чтобы лучше соответствовать человеческому воприятию, шкалу частот следует трансформировать либо через ERB, либо через Bark-преобразование. Я лично применяю ERB:

В отличие от английского, в русском согласные систематически противопоставляются по твёрдости-мягкости.

С точки зрения фонетики, смягчение согласных - это дополнительная артикуляция палатализации. То есть, при их произношении, помимо основной артикуляции, язык стремится занять положение для звука [i]/[j], у которого очень высокое значение F2.

То, что мы воспринимаем как "мягкость" согласного - это на самом деле высокое значение F2.

В русском языке передние гласные (у которых высокое значение F2) - [и], [е], [я], [ю], [ё] - автоматически вызывают сильную палатализацию предыдущего согласного (в других языках это тоже происходит, но в гораздо меньшей степени). Носители большинства других языков палатализовывать согласные без специальной тренировки не умеют, поэтому когда они говорят на русском, они часто оставляют согласный твёрдым, и добавляют звук [j] уже после него. У русскоговорящих противоположная проблема - когда они говорят на английском, они слишком сильно смягчают согласные перед передними гласными.

Самый популярный способ вычисления формант - это авторегрессионный алгоритм Бурга 1967-го года. У него есть свои недостатки, но он быстр и воспроизводим.

Он реализован в библиотеке parselmouth:

import parselmouth
sound = parselmouth.Sound("audio.wav")
formants = sound.to_formant_burg()
# Extract F1, F2, F3 from the formants object...

Разумеется, можно на это дело натренировать нейронку. Я экспериментировал вот с этой моделью. Результаты по точности были лучше, чем у Бурга, но для моего юзкейса она была слишком медленной.

Для одной и той же гласной, средние значения формант зависят от индивидуальной анатомии голосового тракта. У женщин форманты в среднем на 15-25% выше, чем у мужчин (чем выше форманта, тем разница меньше). Чем выше голос - тем больше значения формант.

Есть разные способы учесть это в модели. Я использую медианную F0 (которую тоже определяю через parselmouth) для вычисления коэффициентов поправки формант.

Во всех своих вычислениях и визуализациях я использую F1', F2', F3', а не сырые значения формант.

Напомню, что F1 в первом приближении соответствует "высоте" на графике Джонса, а F2 - "ряду". Давайте разберёмся в этом более подробно.

Представим голосовой тракт как трубу длины L, закрытую со стороны голосовых связок и открытую со стороны губ. Это будет четвертьволновой резонатор, форманты которого вычисляются по формуле

где c - скорость звука

Если подставить L = 17.5см (средняя длина голосового тракта взрослого мужчины), мы получим:

• F1​ ≈ 500 Гц

• F2​ ≈ 1500 Гц

• F3​ ≈ 2500 Гц

Это форманты нейтрального звука шва [ə]. Вы его издаёте, когда экаете чтобы подумать, или когда тянете предлоги: "Вася там будет сəəəə двух до трёх, а я приду кəəəə пяти". Звук шва сплошь и рядом встречается в русском в безударных слогах: например, в словах лодка, карандаш, молоко. Это вообще самый естественный для человека гласный звук: для него нужно просто пропустить воздух через голосовой тракт в дефолтной конфигурации.

Другие гласные получаются путём отклонения от дефолтной конфигурации - путём сжатия трубы в каком-то месте.

Каждой форманте соответствует т.н. "стоячая волна". При сжатии трубы частота форманты меняется по правилу:

1. Если в месте сжатия скорость воздушного потока высокая (а давление воздуха низкое), то частота уменьшается

2. Если в месте сжатия скорость воздушного потока низкая (а давление воздуха высокое), то частота возрастает

Таблица ниже показывает эффект изменения формант в зависимости от того, где (насколько глубоко в ротовой полости) был сжат голосовой тракт (-1 = lips = губы, 0 = hard palate = твёрдое нёбо, 0.5 = velum = мягкое нёбо, 1 = pharynx = глотка)

Эти цифры взяты не с потолка. Давление стоячих волн описывается следующими периодическими функциями (x - глубина места сжатия от -1 до 1):

Давайте посмотрим, что происходит при артикуляции некоторых конкретных гласных.

[i]

При произнесении [i] труба сжимается в районе твёрдого нёба. F1 уменьшается, F2 увеличивается.

[ɑ]

При произнесении [ɑ] всё ровно наоборот: труба сжимается в районе глотки, и форманты меняются в противоположную сторону.

[u]

На [u] труба сжимается в районе мягкого нёба (когда язык высоко, он не может сжать трубу в районе гортани). Смотрим в таблицу - по ней, в этом случае форманты не меняются (то есть мы должны находиться в районе швы). Как же у нас получаются форманты звука [u]? Всё дело в огублении. Сжатие в районе губ дополнительно уменьшает обе форманты, и звук переезжает вверх и вправо на графике формант. Без помощи губ, одним только языком, звука [u] добиться невозможно.

Из этого примера можно заметить, что одному и тому же звуку может соответствовать больше одной артикуляции: [u] без огубления и шва - это разные артикуляции, а форманты у них одинаковые.

[a]

При произнесении звука [a] труба расширяется в районе твёрдого нёба и в районе губ.

При расширении эффект на форманты меняет знак.

F1 увеличивается - эффекты от мягкого нёба и от губ работают в одном направлении.

С F2 интереснее: эффект от мягкого нёба её уменьшает, а от губ - увеличивает. В итоге, губы оказываются сильнее, и F2 немного увеличивается.

Этим противостоянием губ и мягкого нёба объясняется то, что в нижней части график формант гораздо уже, чем в верхней. То есть, и график Джонса, и график формант (для английского языка) выглядят как трапеция, но по совершенно разным причинам.

Любопытный факт: график Джонса предполагает, что [a] можно огубить и получить [ɶ]. Однако, это физически невозможно - когда рот раскрыт на максимум, у вас не получится округлить губы.

В вопрос влияния артикуляции на F3 мы погружаться не будем, там чёрт ногу сломит.

Почти все гласные можно отличить только по F1xF2. Однако, есть несколько исключений.

В английском, и в General American, и в Received Pronunciation, звук [ʉː] настолько уехал вперёд, что на графике F1xF2 начинает пересекаться с [iː]. Тем не менее, его несложно отличить от [iː], потому что у него F3 заметно ниже.

В американском английском есть r-colored vowels, как в словах nurse или letter. Разница между ними и соответсвующими звуками в британском произношении - в значении F3, у американцев оно гораздо ниже. Иными словами, r-окрашенность гласных уменьшает F3.

В русском языке гласных фонем намного меньше, чем в английском, и поэтому про F3 можно вообще забыть.

Фонетисты рубежа 19-го и 20-го веков придумали модель, которая, будучи фундаментально неверной, до определённого момента соответствовала наблюдениям - то тех пор, пока они не решили проверить положение языка на рентгеновских снимках.

По сути, они описывали акустику гласных, то бишь форманты. Само понятие о формантах тогда уже в науке существовало, но применительно к лингвистике не использовалось. Фонетисты оперировали в терминах артикуляции.

Питер Ладефогед сравнил ранних фонетистов с астрономами до Галилея. Их геоцентрическая модель мира тоже сходилась с наблюдениями в большинстве случаев, а когда не сходилась - они её умело подгоняли.

Для меня дико, что в 2026-м году студентам-лингвистам преподают старую теорию Джонса, которую уже 60 лет как опровергли.

Теперь мы можем ответить на вопрос, почему œ и ɤ звучат похоже.

Огубление уменьшает обе форманты (вспомните как оно у нас из швы сделало [u]).

[œ] - это огубленное [ɛ]. Огубление перемещает гласный вверх и вправо, в центр графика.

[ɤ] - это неогубленное [o]. Отсутствие огубления перемещает гласный вниз и влево, тоже в центр графика.

В итоге оба гласных оказываются в центре и звучат похоже.

В модели Джонса огубление - это отдельная размерность пространства гласных. На самом деле, огубление перемещает гласный в пространстве F1xF2 вверх и вправо.

Для заднеязычных гласных огубление означает перенос от центра, а для переднеязычных оно означает перенос к центру. Полностью открытые гласные огубить вообще невозможно.

Теперь понятно, почему нестандартно огубленные гласные (огубленные передние и неогубленные задние) гораздо реже встречаются в реальных языках. Они все находятся близко к центру, и в большом количестве их было бы сложно различать.

График Джонса во всех отношениях хуже, чем график формант. Он основан на неверной теории, он искажает пространство гласных, он вводит лишнюю размерность огубления. Однако, его самый главный недостаток - это то, что его оси не определены формально, поэтому он непригоден для статистической фонетики и вообще каких-либо программных измерений.

Тогда почему же его всё ещё преподают студентам-лигвистам? Ответ банальный: академическая инертность.

Только в конце 1940-х годов появились первые спектрографы. Тогда же появились первые графики формант, которые делали вручную по спектрограммам. Это было очень дорого и долго.

Правильное объяснение влияния артикуляции на акустику сложилось в 1940-е и 1950-е, а последний гвоздь в крышку гроба старой теории забил Ладефогед в 1967-м году. Тогда профессора встали перед выбором: либо полностью перестроить парадигму образования на подход с формантами, либо продолжать учить по-старому. Из-за того, что статистическая фонетика тогда находилась в зачаточном состоянии и из-за нежелания меняться, они выбрали второе.

В итоге у сегодняшних студентов-лингвистов в голове каша. Они думают, что график МФА и график формант дополняют друг друга: первый артикуляционный, а второй акустический. На самом деле, они оба акустические, просто график МФА - акустический график курильщика, а график формант - здорового человека. Будь график МФА артикуляционным, его оси были бы подписаны в миллиметрах, с помощью МРТ-сканов можно было бы точно измерить положение гласных на этом графике, и таким образом проводить статистические исследования.

Сегодня можно скачать огромный датасет сырого аудио, транкрибировать его, сегментировать на фонемы, и посчитать форманты для каждой гласной - что я и сделал, чтобы получить вот этот график:

Пространство гласных для американского английского

В статистических исследованиях почти всегда используются графики формант, а график Джонса не используется никогда.

Я уже полгода работаю над веб-приложением Language Dove для тренировки английского произношения и уменьшения акцента.

Скриншот приложения

В приложении есть визуализация произношения пользователя на графике формант.

После небольшой практики с обратной связью через визуализацию на графике, появляется интуиция: во-первых, как сместить форманты в нужном направлении; во-вторых, как звучит каждая точка на графике. Я считаю, что это самый эффективный способ улучшать произношение.

Я считаю, что от графика Джонса надо полностью отказаться - надо с самого начала честно объяснять график формант.

При этом важно чётко разделять артикуляцию и акустику, чтобы они не смешивались в голове - и в идеале объяснить влияние первой на вторую.

Я слышал контраргумент, что это всё сложно, а график Джонса - он такой простой и понятный. На что я отвечаю: у меня получилось объяснить современную теорию в одной статье доступным стилем. На мой взгляд, лучше один раз понять, чем всю жизнь натыкаться на баги старой теории.