Fonética

El primer estudio conocido de fonética fue realizado por gramáticos sánscritos ya en el siglo VI  a. C. ^{[ 2 ]} El erudito hindú Pāṇini es uno de los investigadores más conocidos de esta época. Su gramática en cuatro partes, escrita hacia el 350  a. C. , es influyente en la lingüística moderna y aún representa "la gramática generativa más completa de cualquier idioma escrita hasta la fecha". ^{[ 3 ]} Su gramática sentó las bases de la lingüística moderna y describió varios principios fonéticos importantes, incluyendo la sonoridad. Este estudio temprano describió la resonancia como producida por el tono, cuando las cuerdas vocales están cerradas, o por el ruido, cuando las cuerdas vocales están abiertas. Los principios fonéticos de la gramática se consideran "primitivos" porque constituyen la base de su análisis teórico, en lugar de ser los objetos del análisis teórico en sí mismos, y los principios pueden inferirse de su sistema fonológico. ^{[ 4 ]}

El estudio de la fonética en sánscrito se llama Shiksha , que el Taittiriya Upanishad del primer milenio a. C. define de la siguiente manera:

¡Om! Explicaremos el Shiksha. Sonidos y acentuación, Cantidad (de vocales) y expresión (de consonantes), Equilibrio (Saman) y conexión (de sonidos), Mucho sobre el estudio del Shiksha. || 1 |

Taittiriya Upanishad 1.2, Shikshavalli, traducido por Paul Deussen ^{[ 5 ]} .

Los avances en fonética después de Pāṇini y sus contemporáneos fueron limitados hasta la era moderna, salvo algunas investigaciones limitadas de gramáticos griegos y romanos. En los milenios que transcurrieron entre los gramáticos indios y la fonética moderna, el enfoque se desplazó de la diferencia entre el lenguaje hablado y escrito, que fue la fuerza motriz de la explicación de Pāṇini, y comenzó a centrarse únicamente en las propiedades físicas del habla. El interés sostenido por la fonética comenzó de nuevo alrededor de 1800 d. C., utilizándose el término "fonética" en su sentido actual por primera vez en 1841. ^{[ 6 ] [ 2 ]} Con los nuevos avances en medicina y el desarrollo de dispositivos de grabación de audio y vídeo, los estudiosos de la fonética pudieron utilizar y revisar datos nuevos y más detallados. Este período inicial de la fonética moderna incluyó el desarrollo de un influyente alfabeto fonético basado en posiciones articulatorias por Alexander Melville Bell . Conocido como habla visible , ganó prominencia como herramienta en la educación oral de niños sordos . ^{[ 2 ]}

Antes de la disponibilidad generalizada de equipos de grabación de audio, los fonetistas dependían en gran medida de una tradición de fonética práctica para asegurar que las transcripciones y los hallazgos fueran consistentes entre los fonetistas. Esta formación incluía tanto el entrenamiento auditivo —el reconocimiento de los sonidos del habla— como el entrenamiento de la producción —la capacidad de producir sonidos—. Se esperaba que los fonetistas aprendieran a reconocer de oído los diversos sonidos del Alfabeto Fonético Internacional ( AFI), y el AFI todavía evalúa y certifica a los hablantes sobre su capacidad para producir con precisión los patrones fonéticos del inglés (aunque han descontinuado esta práctica para otros idiomas). ^{[ 7 ]} Como revisión de su método de habla visible, Melville Bell desarrolló una descripción de las vocales por altura y posterioridad, lo que resultó en 9 vocales cardinales . ^{[ 8 ]} Como parte de su formación en fonética práctica, se esperaba que los fonetistas aprendieran a producir estas vocales cardinales para afianzar su percepción y transcripción de estos fonemas durante el trabajo de campo. ^{[ 7 ]} Este enfoque fue criticado por Peter Ladefoged en la década de 1960 basándose en evidencia experimental donde encontró que las vocales cardinales eran objetivos auditivos en lugar de articulatorios, desafiando la afirmación de que representaban anclas articulatorias mediante las cuales los fonetistas podían juzgar otras articulaciones. ^{[ 9 ]}

Los sonidos que se producen mediante una constricción total o parcial del tracto vocal se denominan consonantes . Las consonantes se pronuncian en el tracto vocal, generalmente en la boca, y la ubicación de esta constricción influye en el sonido resultante. Debido a la estrecha relación entre la posición de la lengua y el sonido resultante, el punto de articulación es un concepto importante en muchas subdisciplinas de la fonética.

Los sonidos se clasifican en parte según la ubicación de la constricción y la parte del cuerpo que la produce. Por ejemplo, en inglés, las palabras " fighting" y "thought" forman un par mínimo que se diferencia únicamente en el órgano que realiza la constricción, no en su ubicación. La "f" de " fighting" es una articulación labiodental, realizada con el labio inferior contra los dientes. La "th" de " thought " es una articulación linguodental, realizada con la lengua contra los dientes. Las constricciones producidas por los labios se denominan labiales, mientras que las producidas por la lengua se denominan linguales.

Las constricciones linguales pueden producirse en varias partes del tracto vocal, clasificadas generalmente en puntos de articulación coronal, dorsal y radical. Las articulaciones coronales se realizan con la parte anterior de la lengua, las dorsales con la parte posterior y las radicales en la faringe . ^{[ 13 ]} Estas divisiones no son suficientes para distinguir y describir todos los sonidos del habla. ^{[ 13 ]} Por ejemplo, en inglés, los sonidos [s] y [ʃ] son ​​coronales, pero se producen en diferentes zonas de la boca. Para explicar esto, se necesitan puntos de articulación más detallados, basados ​​en la zona de la boca donde se produce la constricción. ^{[ 14 ]}

La laringe, comúnmente conocida como "caja de la voz", es una estructura cartilaginosa en la tráquea responsable de la fonación . Las cuerdas vocales se mantienen juntas para que vibren, o separadas para que no lo hagan. Las posiciones de las cuerdas vocales se logran mediante el movimiento de los cartílagos aritenoides . ^{[ 47 ]} Los músculos laríngeos intrínsecos son responsables de mover los cartílagos aritenoides, así como de modular la tensión de las cuerdas vocales. ^{[ 48 ]} Si las cuerdas vocales no están lo suficientemente juntas o tensas, vibrarán esporádicamente o no vibrarán en absoluto. Si vibran esporádicamente, resultará en una voz ronca o susurrante, según el grado; si no vibran en absoluto, el resultado será la afonía .

Además de la correcta posición de las cuerdas vocales, debe haber flujo de aire a través de ellas para que vibren. La diferencia de presión a través de la glotis necesaria para la fonación se estima en 1-2 cm H₂O ₍ 98,0665-196,133 pascales ) . ^{[ 49 ]} El diferencial de presión puede descender por debajo de los niveles necesarios para la fonación debido a un aumento de la presión por encima de la glotis (presión supraglótica) o a una disminución de la presión por debajo de la glotis (presión subglótica). La presión subglótica se mantiene gracias a los músculos respiratorios . La presión supraglótica, sin constricciones ni articulaciones, es aproximadamente igual a la presión atmosférica . Sin embargo, dado que las articulaciones —especialmente las consonantes— representan constricciones del flujo de aire, la presión en la cavidad detrás de dichas constricciones puede aumentar, lo que resulta en una mayor presión supraglótica. ^{[ 50 ]}

Según el modelo de acceso léxico, se emplean dos etapas cognitivas distintas; por lo tanto, este concepto se conoce como la teoría de dos etapas del acceso léxico. La primera etapa, la selección léxica, proporciona información sobre los elementos léxicos necesarios para construir la representación a nivel funcional. Estos elementos se recuperan según sus propiedades semánticas y sintácticas específicas, pero las formas fonológicas aún no están disponibles en esta etapa. La segunda etapa, la recuperación de las formas de las palabras, proporciona la información necesaria para construir la representación a nivel posicional. ^{[ 51 ]}

Al producir el habla, los articuladores se mueven y entran en contacto con ubicaciones específicas en el espacio, lo que produce cambios en la señal acústica. Algunos modelos de producción del habla toman esto como base para modelar la articulación en un sistema de coordenadas que puede ser interno al cuerpo (intrínseco) o externo (extrínseco). Los sistemas de coordenadas intrínsecas modelan el movimiento de los articuladores como posiciones y ángulos de las articulaciones del cuerpo. Los modelos de coordenadas intrínsecas de la mandíbula suelen usar dos o tres grados de libertad que representan la traslación y la rotación. Estos presentan problemas al modelar la lengua que, a diferencia de las articulaciones de la mandíbula y los brazos, es un hidrostato muscular —como la trompa de un elefante— que carece de articulaciones. ^{[ 52 ]} Debido a las diferentes estructuras fisiológicas, las trayectorias de movimiento de la mandíbula son líneas relativamente rectas durante el habla y la masticación, mientras que los movimientos de la lengua siguen curvas. ^{[ 53 ]}

Se han utilizado movimientos rectilíneos para argumentar que las articulaciones se planifican en el espacio extrínseco en lugar del intrínseco, aunque los sistemas de coordenadas extrínsecas también incluyen espacios de coordenadas acústicas, no solo espacios de coordenadas físicas. ^{[ 52 ]} Los modelos que asumen que los movimientos se planifican en el espacio extrínseco se topan con un problema inverso al explicar la ubicación de los músculos y las articulaciones que producen la trayectoria o señal acústica observada. El brazo, por ejemplo, tiene siete grados de libertad y 22 músculos, por lo que múltiples configuraciones diferentes de articulaciones y músculos pueden conducir a la misma posición final. Para los modelos de planificación en el espacio acústico extrínseco, también se aplica el mismo problema de mapeo de uno a muchos, sin un mapeo único de objetivos físicos o acústicos a los movimientos musculares necesarios para lograrlos. Sin embargo, las preocupaciones sobre el problema inverso pueden ser exageradas, ya que el habla es una habilidad altamente aprendida que utiliza estructuras neurológicas que evolucionaron para tal fin. ^{[ 54 ]}

El modelo de punto de equilibrio propone una solución al problema inverso argumentando que los objetivos de movimiento se representan como la posición de los pares musculares que actúan sobre una articulación. ^{[ d ]} Es importante destacar que los músculos se modelan como resortes, y el objetivo es el punto de equilibrio para el sistema masa-resorte modelado. Al utilizar resortes, el modelo de punto de equilibrio puede explicar fácilmente la compensación y la respuesta cuando los movimientos se ven interrumpidos. Se consideran un modelo de coordenadas porque asumen que estas posiciones musculares se representan como puntos en el espacio, puntos de equilibrio, donde converge la acción elástica de los músculos. ^{[ 55 ] [ 56 ]}

Los enfoques gestuales de la producción del habla proponen que las articulaciones se representan como patrones de movimiento en lugar de coordenadas particulares a alcanzar. La unidad mínima es un gesto que representa un grupo de "patrones de movimiento articulatorio funcionalmente equivalentes que se controlan activamente con referencia a un objetivo relevante para el habla (por ejemplo, un cierre bilabial)". ^{[ 57 ]} Estos grupos representan estructuras de coordinación o "sinergias" que consideran los movimientos no como movimientos musculares individuales, sino como agrupaciones de músculos dependientes de la tarea que trabajan juntos como una sola unidad. ^{[ 58 ] [ 59 ]} Esto reduce los grados de libertad en la planificación de la articulación, un problema especialmente en los modelos de coordenadas intrínsecas, que permiten cualquier movimiento que logre el objetivo del habla, en lugar de codificar los movimientos particulares en la representación abstracta. La coarticulación se describe bien mediante modelos gestuales, ya que las articulaciones a velocidades de habla más rápidas pueden explicarse como compuestos de los gestos independientes a velocidades de habla más lentas. ^{[ 60 ]}

Una distinción fundamental entre los sonidos del habla es si son sonoros o no. Los sonidos son sonoros se producen cuando las cuerdas vocales vibran durante la fonación. Muchos sonidos pueden producirse con o sin fonación, aunque ciertas limitaciones físicas pueden dificultar o imposibilitar la fonación en algunas articulaciones. Cuando las articulaciones son sonoras, la principal fuente de ruido es la vibración periódica de las cuerdas vocales. Articulaciones como las oclusivas sordas carecen de fuente acústica y se caracterizan por su silencio, mientras que otros sonidos sordos, como las fricativas, generan su propia fuente acústica independientemente de la fonación.

La fonación está controlada por los músculos de la laringe, y los idiomas utilizan un mayor nivel de detalle acústico que la simple sonorización binaria. Durante la fonación, las cuerdas vocales vibran a una frecuencia determinada. Esta vibración genera una onda acústica periódica compuesta por una frecuencia fundamental y sus armónicos. La frecuencia fundamental de la onda acústica se controla ajustando los músculos de la laringe, y los oyentes la perciben como tono. En los idiomas tonales, la manipulación del tono se utiliza para transmitir información léxica, y muchos idiomas la emplean para marcar información prosódica o pragmática.

Para que las cuerdas vocales vibren, deben estar en la posición correcta y debe haber flujo de aire a través de la glotis. ^{[ 49 ]} Los tipos de fonación se modelan en un continuo de estados glóticos, desde completamente abierto (sordo) hasta completamente cerrado (oclusión glótica). La posición óptima para la vibración, y el tipo de fonación más utilizado en el habla, la voz modal, se encuentra en el punto medio de estos dos extremos. Si la glotis está ligeramente más abierta, se produce una voz susurrante, mientras que acercar las cuerdas vocales produce una voz ronca. ^{[ 61 ]}

El patrón de fonación normal utilizado en el habla típica es la voz modal, donde las cuerdas vocales se mantienen juntas con tensión moderada. Las cuerdas vocales vibran como una sola unidad de forma periódica y eficiente con un cierre glótico completo y sin aspiración. ^{[ 62 ]} Si se separan más, no vibran y, por lo tanto, producen fonemas sordos. Si se mantienen firmemente juntas, producen una oclusión glótica. ^{[ 61 ]}

Si las cuerdas vocales se mantienen ligeramente más separadas que en la fonación modal, producen tipos de fonación como la voz susurrante (o murmullo) y la voz susurrante. La tensión en los ligamentos vocales ( cuerdas vocales ) es menor que en la fonación modal, lo que permite que el aire fluya con mayor libertad. Tanto la voz susurrante como la voz susurrante existen en un continuo que se caracteriza, de forma general, como un rango que va desde la forma de onda más periódica de la voz susurrante hasta la forma de onda más ruidosa de la voz susurrante. Acústicamente, ambas tienden a amortiguar el primer formante, mostrando la voz susurrante desviaciones más extremas. ^{[ 63 ]}

Al mantener las cuerdas vocales más juntas, se produce una voz ronca. La tensión en las cuerdas vocales es menor que en la voz modal, pero se mantienen juntas firmemente, lo que provoca que solo vibren los ligamentos de las cuerdas vocales. ^{[ e ]} Los pulsos son muy irregulares, con un tono y una amplitud de frecuencia bajos. ^{[ 64 ]}

Algunas lenguas no mantienen una distinción de sonoridad para algunas consonantes, ^{[ f ]} pero todas las lenguas usan la sonoridad en cierto grado. Por ejemplo, no se conoce ninguna lengua que tenga un contraste de sonoridad fonémica para las vocales con todas las vocales conocidas sonorizadas canónicamente. ^{[ g ]} Otras posiciones de la glotis, como la voz susurrada y la voz ronca, se usan en varias lenguas, como el mazateco jalapa , para contrastar fonemas, mientras que en otras lenguas, como el inglés, existen alofónicamente.

Hay varias maneras de determinar si un segmento es sonoro o no, la más sencilla es palpar la laringe durante el habla y observar cuándo se sienten vibraciones. Se pueden obtener mediciones más precisas mediante el análisis acústico de un espectrograma o corte espectral. En un análisis espectrográfico, los segmentos sonoros muestran una barra de sonorización, una región de alta energía acústica, en las bajas frecuencias de los segmentos sonoros. ^{[ 65 ]} Al examinar un corte espectral, el espectro acústico en un momento dado, un modelo de la vocal pronunciada invierte el filtrado de la boca produciendo el espectro de la glotis. Luego, se ajusta un modelo computacional de la señal glótica sin filtrar a la señal acústica filtrada inversamente para determinar las características de la glotis. ^{[ 66 ]} También se puede realizar un análisis visual utilizando equipos médicos especializados como ultrasonido y endoscopia. ^{[ 65 ] [ h ]}

Las vocales se clasifican generalmente según la zona de la boca donde se producen, pero dado que se generan sin constricción en el tracto vocal, su descripción precisa depende de la medición de las correlaciones acústicas de la posición de la lengua. La ubicación de la lengua durante la producción de vocales modifica las frecuencias de resonancia de la cavidad, y son estas resonancias —conocidas como formantes— las que se miden y utilizan para caracterizar las vocales.

La altura vocálica se refiere tradicionalmente al punto más alto de la lengua durante la articulación. ^{[ 67 ]} El parámetro de altura se divide en cuatro niveles principales: alta (cerrada), semicerrada, semiabierta y baja (abierta). Las vocales cuya altura se encuentra en el medio se denominan medias. Las vocales cerradas ligeramente abiertas y las vocales abiertas ligeramente cerradas se denominan casi cerradas y casi abiertas, respectivamente. Las vocales más bajas no solo se articulan bajando la lengua, sino también bajando la mandíbula. ^{[ 68 ]}

Si bien el AFI implica que existen siete niveles de altura vocálica, es improbable que una lengua determinada pueda contrastar mínimamente los siete niveles. Chomsky y Halle sugieren que solo existen tres niveles, ^{[ 69 ]} aunque parecen ser necesarios cuatro niveles de altura vocálica para describir el danés y es posible que algunas lenguas incluso necesiten cinco. ^{[ 70 ]}

La posterioridad vocálica se divide en tres niveles: anterior, central y posterior. Por lo general, las lenguas no presentan más de dos niveles de posterioridad vocálica. Algunas lenguas que afirman tener una distinción de posterioridad de tres niveles incluyen el nimboran y el noruego . ^{[ 71 ]}

En la mayoría de los idiomas, los labios durante la producción de vocales se pueden clasificar como redondeados o no redondeados (extendidos), aunque se han descrito otros tipos de posiciones labiales, como compresión y protrusión. La posición de los labios se correlaciona con la altura y la posterioridad: las vocales anteriores y bajas tienden a no ser redondeadas, mientras que las vocales posteriores y altas suelen ser redondeadas. ^{[ 72 ]} En la tabla del AFI, las vocales emparejadas tienen la vocal extendida a la izquierda y la vocal redondeada a la derecha. ^{[ 73 ]}

Junto con los rasgos vocálicos universales descritos anteriormente, algunas lenguas poseen rasgos adicionales como nasalidad , duración y diferentes tipos de fonación, como sorda o ronca . En ocasiones, se requieren gestos linguales más especializados, como la roticidad , la raíz lingual avanzada , la faringalización , la estridencia y la fricción, para describir una vocal determinada. ^{[ 74 ]}

Conocer el punto de articulación no basta para describir completamente una consonante; la forma en que se produce la constricción es igualmente importante. Los modos de articulación describen cómo exactamente el articulador activo modifica, estrecha o cierra el tracto vocal. ^{[ 75 ]}

Las oclusivas (también llamadas explosivas) son consonantes en las que el flujo de aire se obstruye por completo. Durante la constricción, se acumula presión en la boca, que luego se libera como una pequeña ráfaga de sonido cuando los articuladores se separan. El velo del paladar se eleva, impidiendo que el aire fluya a través de la cavidad nasal. Si el velo del paladar desciende y permite que el aire fluya a través de la nariz, se produce una oclusiva nasal. Sin embargo, los fonetistas casi siempre se refieren a las oclusivas nasales simplemente como "nasales". ^{[ 75 ]} Las africadas son una secuencia de oclusivas seguida de una fricativa en el mismo lugar. ^{[ 76 ]}

Las fricativas son consonantes en las que la corriente de aire se vuelve turbulenta al obstruir parcial, pero no completamente, parte del tracto vocal. ^{[ 75 ]} Las sibilantes son un tipo especial de fricativa en la que la corriente de aire turbulenta se dirige hacia los dientes, ^{[ 77 ]} creando un sonido sibilante agudo. ^{[ 78 ]}

Las nasales (a veces llamadas oclusivas nasales) son consonantes en las que se produce un cierre en la cavidad oral y se baja el velo del paladar, permitiendo que el aire fluya a través de la nariz. ^{[ 79 ]}

En una aproximación , los articuladores se acercan, pero no hasta el punto de permitir una corriente de aire turbulenta. ^{[ 78 ]}

Las laterales son consonantes en las que la corriente de aire se obstruye a lo largo del centro del tracto vocal, permitiendo que fluya libremente por uno o ambos lados. ^{[ 78 ]} También se han definido las laterales como consonantes en las que la lengua se contrae de tal manera que la corriente de aire es mayor alrededor de los lados que sobre el centro de la lengua. ^{[ 80 ]} La primera definición no permite que el aire fluya sobre la lengua.

Las vibrantes son consonantes en las que la lengua o los labios se ponen en movimiento por la corriente de aire. ^{[ 81 ]} La constricción se forma de tal manera que la corriente de aire provoca un patrón repetitivo de apertura y cierre del o los articuladores blandos. ^{[ 82 ]} Las vibrantes apicales suelen constar de dos o tres periodos de vibración. ^{[ 83 ]}

Las oclusivas y las siclusivas son gestos únicos, rápidos y generalmente apicales en los que la lengua se lanza contra el paladar, comparable a una oclusiva muy rápida. ^{[ 81 ]} Estos términos a veces se usan indistintamente, pero algunos fonetistas hacen una distinción. ^{[ 84 ]} En una oclusiva, la lengua contacta el paladar en un solo movimiento, mientras que en una siclusiva la lengua se mueve tangencialmente al paladar, golpeándolo al pasar.

Durante el mecanismo de flujo de aire glótico , la glotis se cierra, atrapando una masa de aire. Esto permite que el aire restante en el tracto vocal se mueva por separado. Un movimiento ascendente de la glotis cerrada expulsará este aire, dando como resultado una consonante eyectiva . Alternativamente, la glotis puede descender, aspirando más aire hacia la boca, lo que da como resultado una consonante implosiva . ^{[ 85 ]}

Los chasquidos son oclusivas en las que el movimiento de la lengua provoca la entrada de aire en la boca; esto se denomina corriente de aire velar . ^{[ 86 ]} Durante el chasquido, el aire se enrarece entre dos cierres articulatorios, produciendo un fuerte sonido de «chasquido» al liberarse el cierre anterior. La liberación del cierre anterior se denomina entrada del chasquido. La liberación del cierre posterior, que puede ser velar o uvular, es la salida del chasquido. Los chasquidos se utilizan en varias familias de lenguas africanas, como las lenguas khoisan y bantú . ^{[ 87 ]}

Los pulmones impulsan casi toda la producción del habla, y su importancia en la fonética se debe a que crean presión para los sonidos pulmonares. Los tipos de sonido más comunes en todos los idiomas son la salida pulmonar, donde el aire se exhala de los pulmones. ^{[ 88 ]} Lo contrario es posible, aunque no se conoce ningún idioma que tenga sonidos pulmonares ingresivos como fonemas. ^{[ 89 ]} Muchos idiomas, como el sueco, los usan para articulaciones paralingüísticas , como las afirmaciones en varios idiomas genéticamente y geográficamente diversos. ^{[ 90 ]} Tanto los sonidos egresivos como los ingresivos dependen de mantener las cuerdas vocales en una postura particular y usar los pulmones para aspirar aire a través de las cuerdas vocales para que vibren (sonoras) o no vibren (sordas). ^{[ 88 ]} Las articulaciones pulmonares están limitadas por el volumen de aire que se puede exhalar en un ciclo respiratorio dado, conocido como capacidad vital .

Los pulmones se utilizan para mantener dos tipos de presión simultáneamente para producir y modificar la fonación. Para producir la fonación, los pulmones deben mantener una presión de 3 a 5  cm H₂O _superior a la presión sobre la glotis. Sin embargo, se realizan ajustes pequeños y rápidos a la presión subglótica para modificar el habla en características suprasegmentales como el acento. Varios músculos torácicos se utilizan para realizar estos ajustes. Debido a que los pulmones y el tórax se estiran durante la inhalación, las fuerzas elásticas de los pulmones por sí solas pueden producir diferenciales de presión suficientes para la fonación a volúmenes pulmonares superiores al 50 por ciento de la capacidad vital. ^{[ 91 ]} Por encima del 50 por ciento de la capacidad vital, los músculos respiratorios se utilizan para "controlar" las fuerzas elásticas del tórax y mantener un diferencial de presión estable. Por debajo de ese volumen, se utilizan para aumentar la presión subglótica mediante la exhalación activa de aire.

Durante el habla, el ciclo respiratorio se modifica para adaptarse a las necesidades lingüísticas y biológicas. La exhalación, que suele representar alrededor del 60 % del ciclo respiratorio en reposo, aumenta hasta aproximadamente el 90 %. Debido a que las necesidades metabólicas son relativamente estables, el volumen total de aire movido en la mayoría de los casos de habla permanece prácticamente igual que en la respiración tranquila. ^{[ 92 ]} Los aumentos en la intensidad del habla de 18  dB (una conversación en voz alta) tienen un impacto relativamente pequeño en el volumen de aire movido. Debido a que sus sistemas respiratorios no están tan desarrollados como los de los adultos, los niños tienden a utilizar una mayor proporción de su capacidad vital en comparación con los adultos, con inhalaciones más profundas. ^{[ 93 ]}

El modelo fuente-filtro del habla es una teoría de la producción del habla que explica la relación entre la postura del tracto vocal y las consecuencias acústicas. Según este modelo, el tracto vocal puede modelarse como una fuente de ruido acoplada a un filtro acústico . ^{[ 94 ]} En muchos casos, la fuente de ruido es la laringe durante el proceso de fonación, aunque otras fuentes de ruido pueden modelarse de la misma manera. La forma del tracto vocal supraglótico actúa como filtro, y diferentes configuraciones de los articuladores dan como resultado diferentes patrones acústicos. Estos cambios son predecibles. El tracto vocal puede modelarse como una secuencia de tubos, cerrados en un extremo, con diámetros variables, y mediante el uso de ecuaciones para la resonancia acústica se puede derivar el efecto acústico de una postura articulatoria. ^{[ 95 ]} El proceso de filtrado inverso utiliza este principio para analizar el espectro de la fuente producido por las cuerdas vocales durante la fonación. Al aplicar la función inversa a un filtro predicho, se puede eliminar el efecto acústico del tracto vocal supraglótico, obteniendo así el espectro acústico producido por las cuerdas vocales. ^{[ 96 ]} Esto permite el estudio cuantitativo de los distintos tipos de fonación.

La audición, el proceso de oír sonidos, es la primera etapa de la percepción del habla. Los articuladores provocan cambios sistemáticos en la presión del aire que viajan como ondas sonoras hasta el oído del oyente. Estas ondas sonoras chocan contra el tímpano, haciéndolo vibrar. La vibración del tímpano se transmite a través de los huesecillos —tres pequeños huesos del oído medio— hasta la cóclea . ^{[ 103 ]} La cóclea es un tubo espiral lleno de líquido, dividido longitudinalmente por el órgano de Corti , que contiene la membrana basilar . El grosor de la membrana basilar aumenta a medida que se extiende por la cóclea, lo que provoca que diferentes frecuencias resuenen en diferentes puntos. Este diseño tonotópico permite al oído analizar el sonido de forma similar a una transformada de Fourier . ^{[ 104 ]}

La vibración diferencial de la membrana basilar provoca el movimiento de las células ciliadas dentro del órgano de Corti. Esto causa la despolarización de las células ciliadas y, en última instancia, la conversión de la señal acústica en una señal neuronal. ^{[ 105 ]} Si bien las células ciliadas no producen potenciales de acción por sí mismas, liberan neurotransmisores en las sinapsis con las fibras del nervio auditivo , que sí produce potenciales de acción. De esta manera, los patrones de oscilaciones en la membrana basilar se convierten en patrones espaciotemporales de descargas que transmiten información sobre el sonido al tronco encefálico . ^{[ 106 ]}

Además de las consonantes y las vocales, la fonética también describe las propiedades del habla que no se localizan en segmentos , sino en unidades mayores del habla, como sílabas y frases . La prosodia incluye características auditivas como el tono , la velocidad del habla , la duración y la intensidad . Los idiomas utilizan estas propiedades en distintos grados para implementar el acento , los acentos tonales y la entonación ; por ejemplo, el acento en inglés y español se correlaciona con cambios en el tono y la duración, mientras que en galés se correlaciona de forma más consistente con el tono que con la duración, y en tailandés solo se correlaciona con la duración. ^{[ 107 ]}

Las primeras teorías de la percepción del habla, como la teoría motora, intentaron resolver el problema de la invariancia perceptiva argumentando que la percepción y la producción del habla estaban estrechamente vinculadas. En su forma más fuerte, la teoría motora sostiene que la percepción del habla requiere que el oyente acceda a la representación articulatoria de los sonidos; ^{[ 108 ]} para categorizar correctamente un sonido, el oyente reconstruye la articulación que produciría ese sonido y, al identificar estos gestos, puede recuperar la categoría lingüística deseada. ^{[ 109 ]} Si bien hallazgos como el efecto McGurk y estudios de caso de pacientes con lesiones neurológicas han brindado apoyo a la teoría motora, experimentos posteriores no han respaldado la forma fuerte de la teoría motora, aunque existe cierto apoyo para formas más débiles de la teoría motora que afirman una relación no determinista entre producción y percepción. ^{[ 109 ] [ 110 ] [ 111 ]}

Las teorías sucesoras de la percepción del habla se centran en las claves acústicas de las categorías sonoras y pueden agruparse en dos grandes categorías: teorías abstraccionistas y teorías episódicas. ^{[ 112 ]} En las teorías abstraccionistas, la percepción del habla implica la identificación de un objeto léxico idealizado a partir de una señal reducida a sus componentes necesarios y la normalización de dicha señal para contrarrestar la variabilidad del hablante. Las teorías episódicas, como el modelo de ejemplares, sostienen que la percepción del habla implica el acceso a recuerdos detallados (es decir, recuerdos episódicos ) de tokens escuchados previamente. El problema de la invariancia perceptiva se explica en las teorías episódicas como una cuestión de familiaridad: la normalización es un subproducto de la exposición a distribuciones más variables, en lugar de un proceso discreto como afirman las teorías abstraccionistas. ^{[ 112 ]}

La fonética acústica se ocupa de las propiedades acústicas de los sonidos del habla. La sensación de sonido se produce por fluctuaciones de presión que hacen que el tímpano se mueva. El oído transforma este movimiento en señales neuronales que el cerebro registra como sonido. Las formas de onda acústicas son registros que miden estas fluctuaciones de presión. ^{[ 113 ]}

La fonética articulatoria se ocupa de las formas en que se producen los sonidos del habla.

La fonética auditiva estudia cómo los humanos perciben los sonidos del habla. Debido a las características anatómicas del sistema auditivo que distorsionan la señal del habla, los humanos no experimentan los sonidos del habla como registros acústicos perfectos. Por ejemplo, las impresiones auditivas de volumen , medidas en decibelios (dB), no se corresponden linealmente con la diferencia de presión sonora. ^{[ 114 ]}

La discrepancia entre los análisis acústicos y lo que oye el oyente es especialmente notoria en los sonidos del habla que poseen mucha energía de alta frecuencia, como ciertas fricativas. Para resolver esta discrepancia, se han desarrollado modelos funcionales del sistema auditivo. ^{[ 115 ]}

La transcripción fonética es un sistema para transcribir los fonemas que aparecen en una lengua, ya sea oral o de signos . El sistema de transcripción fonética más conocido, el Alfabeto Fonético Internacional (AFI), proporciona un conjunto estandarizado de símbolos para los fonemas orales. ^{[ 119 ] [ 120 ]} La naturaleza estandarizada del AFI permite a sus usuarios transcribir con precisión y coherencia los fonemas de diferentes lenguas, dialectos e idiolectos . ^{[ 119 ] [ 121 ] [ 122 ]} El AFI es una herramienta útil no solo para el estudio de la fonética, sino también para la enseñanza de idiomas, la actuación profesional y la patología del habla . ^{[ 121 ]}

Aunque ninguna lengua de señas tiene un sistema de escritura estandarizado, los lingüistas han desarrollado sus propios sistemas de notación que describen la forma de la mano, la ubicación y el movimiento. El Sistema de Notación de Hamburgo (HamNoSys) es similar al Alfabeto Fonético Internacional (IPA) en que permite distintos niveles de detalle. Algunos sistemas de notación, como KOMVA y el sistema Stokoe, fueron diseñados para su uso en diccionarios; también utilizan letras del alfabeto de la lengua local para representar las formas de las manos, mientras que HamNoSys las representa directamente. SignWriting pretende ser un sistema de escritura fácil de aprender para las lenguas de señas, aunque aún no ha sido adoptado oficialmente por ninguna comunidad sorda. ^{[ 123 ]}