A toldalékcső gerjesztésekor az általa felerősített frekvenciákat, energiacsúcsokat (illetve az ezeket kialakító üregi sajátfrekvenciákat) nevezzük formánsoknak (Fitch–Giedd 1999). Mind az approximánsokat, mind a magánhangzókat (együttesen: vokalikus elemeket) formánsos szerkezet jellemzi (Ladefoged 1975). A magánhangzók és az approximánsok közötti különbség úgy ragadható meg, hogy az approximánsok képzésekor a toldalékcső elkeskenyedése (szűkülete) a magánhangzókhoz viszonyítva jelentősebb (de az approximánsokban sem olyan mértékű, hogy a hatására turbulens zörej jöjjön létre) (Trask 1996).

A magánhangzók és approximánsok produkcióját egy olyan akusztikus csőrendszer segítségével tudjuk modellezni, amelyben a nyelv által okozott szűkület a toldalékcsövet két nagyobb üregre bontja. Az ezáltal létrejövő hátulsó üreg a gégéhez, míg az elülső üreg a fogakhoz és az ajkakhoz áll közelebb. Ezt az akusztikai rendszert például egy ajakkerekítéses beszédhang esetén további szűkülettel és üregekkel lehet kiegészíteni (Stevens 1998). Mivel a rendszer egyes részei akusztikailag össze vannak kapcsolva, és hatással vannak egymásra, ezért ez alapján a modell alapján csak közelítő megállapítások tehetők a toldalékcső alakjának és a formánsok értékének összefüggéseiről (Stevens 2000). Ennek ellenére bizonyos összefüggések kirajzolódni látszanak. Mint később bemutatjuk, az itt releváns hangminőségekkel kapcsolatban a toldalékcsövi rezonanciák közül a második formáns frekvenciája (F2) látszik meghatározónak (Gay 1978; Hauser 2020; Ren 1986), így a jelen tanulmányban elsősorban ennek a formánsnak az alakulásával (és időbeli lefutásával) foglalkozunk részletesebben.

A dorzális magánhangzók esetében az F2 értéke a garat felőli üreg nagyságával áll egyenes arányosságban úgy, hogy a hátulsó üreg méretének növekedése magasabb F2 frekvenciaértéket idézhet elő (Hauser 2020; Stevens 1998). Más szóval az F2 értékének változását elsősorban a nyelvnek a szájüregen belüli vízszintes irányú pozíciója befolyásolja. Ezen túlmenően Gay (1978) szerint az első és a harmadik formánshoz képest az F2 szolgál a legtöbb információval a formánsos beszédhangok graduális megvalósulását illetően is (az a vizsgálat, amelynek alapján a szerző erre következtetett, angol beszédhangokra vonatkozott). A fentiek alapján tehát az F2 frekvenciaértéke alapvetően a nyelv vízszintes helyzetéről, illetve a beszédhangok elölségéről, palatalizáltságáról árulkodik. Attól függően azonban, hogy hol és miként (pl. egy vagy több pontban) mérjük ennek a formánsnak a frekvenciáját, az a hangsorban szereplő többi beszédhangról is szolgáltathat információkat a koartikuláció jelensége miatt.

A koartikuláció célja, hogy a diszkrét (fonológiailag meghatározható, és inherens tulajdonságokkal rendelkező) beszédhangok között átmenet, azaz tranzíció képződjön azért, hogy e diszkrét entitásokból egy kontinuumot kapjunk (Daniloff–Hammarberg 1973). Mivel beszédünk folytonos, a beszédhangjainkat alkotó artikulációs gesztusok átfedésben állnak egymással (Magen 1997), azaz a beszédhangok artikulációs gesztusai (így például a beszédhangok képzési helye) hatással vannak az őket körülvevő beszédhangok megvalósulására is (vö. Deme et al. 2022; Öhman 1966). A formánsos akusztikai szerkezetű szegmentumok – elsősorban magánhangzók – esetében három fázist különíthetünk el az ejtés idői lefutásában: (i) a kezdő fázisban jön létre az artikulációs-akusztikai cél megközelítéséhez szükséges átmenet, (ii) a középső fázisban történik meg az artikulációs akusztikai cél elérése (ahol egy viszonylagosan stabil megvalósulást, ún. „tiszta fázist” feltételezünk), és végül (iii) a záró fázisban készül fel a beszélőszervrendszer a következő artikulációs cél elérésére (ha van ilyen) (vö. Gay 1978, Deme et al. 2022). Ezzel szemben az olyan beszédhangok, mint a /j/ approximáns realizációja (többek között rövid időtartamú és gyors megvalósulásából fakadóan) nem feltétlenül követeli meg a tiszta fázis jelenlétét, például szókezdő pozícióban a fentebbi három fázis közül csak az utolsó, azaz a következő akusztikai célhoz való „legördülő” tranzíció valósul meg (Catford 1988). Ettől függetlenül azonban például a /j/ egyértelműen azonosítható (alveolopalatális) képzési hellyel rendelkezik, tehát nem a képzési helye specifikálatlan, hanem pusztán az akusztikai szerkezetére jellemző a világosan detektálható kvázistatikus szakasz hiánya. Emellett azt is meg kell jegyeznünk, hogy az akusztikai kivitelezést illetően a magánhangzók ejtésében is problematikus a tiszta fázis kérdése: közhelyszerű ismeret ugyanis a beszédtudományokban az, hogy a folyamatos beszédben nem minden magánhangzó és nem minden pozíció esetében jellemző ennek a megjelenése. A tiszta fázis hiánya tehát nem utal egyértelműen a képzési hely (vagy általánosabban: az artikulációs-akusztikai cél/képzési cél) teljes hiányára, de a képzési cél hiánya bizonyosan a tiszta fázis hiányával jár együtt. Ezen a ponton fontos tisztáznunk, hogy képzési vagy artikulációs-akusztikai célon a beszédhang célkonfigurációjának elérését értjük, amit a jelen akusztikai elemzésben Gay (1978) nyomán határozunk meg: ez lehet egyfelől a mássalhangzó és a vokalikus szegmentum közötti tranzíciónak az a pontja, amely az akusztikumban „kicsúcsosodik” és/vagy stabil fázisként jelenik meg. Másfelől pedig – az előbbi hiányában – lehet az F2 értékének maximális kitérési pontja is. Amennyiben a vokalikus fázisban több artikulációs-akusztikai cél is megjelenik, a graduális akusztikai változást az F2-értékek több pontú mérésével tudjuk vizsgálni. Ebben az esetben abból indulunk ki, hogy minden vokalikus cél esetében megfigyelhetünk kitéréseket az F2 menetében, és ezekből következtethetünk a célok számára és megvalósításuk időzítésére is.

A tanulmányban vizsgált /ɕa/ [ɕja] xia hangsorban a szibilánst követő vokalikus szegmentum(sorozat) kezdetén mért F2 értéke a koartikulációból fakadóan elsősorban a megelőző szibiláns artikulációs konfigurációjáról szolgál információval, ahogyan pedig időben egyre jobban távolodunk a formánsos szerkezet kezdetétől és közeledünk a következő beszédhang időbeli középpontjáig, annál inkább a szibiláns után következő első vokalikus elem artikulációs-akusztikai céljáról.

Az [i] esetében, palatális képzési helyű szegmentumról lévén szó, arányaiban nagyobb hátulsó üreget, így magasabb F2-értéket várunk. A centrális ejtésű [a] szegmentum esetében azonban az [i]-hez képest alacsonyabb F2-értékre számítunk (Bolla 1995; Stevens 1998). Ez gyakorlatilag azt jelenti, hogy az [i] szegmentum artikulációs-akusztikai céljának megvalósulásakor pozitív irányban (a magasabb frekvenciák felé) várjuk a maximális kitérést az F2 menetében, míg az [a] esetében negatív irányú (az alacsonyabb frekvenciák felé mutató) csúcsosodást várunk. Míg tehát az [i] magánhangzó artikulációs-akusztikai célját az F2 maximumával (F2max) lehet megragadni az itt vizsgált hangsorokban, addig az [a] esetében az F2 minimumértéke (F2min) jelzi az artikulációs-akusztikai cél elérését.

Az [i] és [a] hangokon túlmenően az itt bemutatásra kerülő elemzésben jelentősége lesz a palatális [j] approximánsnak, illetve a [j] és [i] potenciális különbségeinek. Bár a palatális [i] magánhangzó, valamint a palatális [j] approximáns különválasztása mind az artikulációs, mind az akusztikai vizsgálatok tapasztalatai szerint roppant nehéz, Recasens (2013) szerint ezeknek a hangoknak a képzési helye elkülöníthető egymástól: míg az [i] esetében a palatális képzési helyet helytálló meghatározásnak tekinti, addig a [j] approximáns esetében a palatálisnál előrébb elhelyezkedő, alveolopalatális képzési helyet javasol. Ezen túlmenően Jaggers (2018) szerint a [j] approximáns esetében nemcsak a képzési hely helyezkedik el előrébb, mint az [i] magánhangzóban, de a [j]-ben keletkező szűkület (azaz a szájpad és a nyelv távolsága) is kisebb. A kisebb szűkület (a nyelv magasabb helyzete) abból fakad, hogy a [j] közelítőhang, a képzési hely elölsége pedig az aktív artikulátor (azaz a nyelvi régió) függvénye: míg a magánhangzók dorzális ejtésűek, addig az approximánsok produkciója a nyelv elülsőbb régióinak bevonásával történik, a [j] approximáns esetében a koronális terület érintettségével (Jaggers 2018).

Ugyancsak különbséget találunk az [i] és [j] dinamikusságában is. A [j] approximánsnak ugyanis inherens tulajdonsága, hogy a magánhangzókhoz képest gyorsabban és dinamikusabban valósul meg. Ezzel együtt pedig az [i] és [j] időzítésbeli eltéréséből fakadóan az első artikulációs-akusztikai cél eléréséhez szükséges időben is eltérésekre számíthatunk: a [j]-ben hamarabb jelenik meg ez a cél (Jaggers 2018).

A fent tárgyalt képzési tulajdonságok akusztikai vetületét a következőképpen ragadhatjuk meg. A [j] esetében a koronális produkcióból és a palatálisnál előrébb elhelyezkedő, alveolopalatális képzési helyből fakadóan az [i]-hez viszonyítva alacsonyabb F2-re számíthatunk (Nittrouer et al. 1989). (Meg kell jegyeznünk ugyanakkor, hogy ezt a feltételezett különbséget Jaggers (2018) vonatkozó mérései csak tendenciaszerű eltérésekben erősítették meg.) Az [i] és [j] beszédhangok ejtése közben létrehozott szűkület méretében fellelhető eltéréseket az első formáns (F1) értékével lehet vizsgálni, ez a formáns ugyanis a nyelvállás és/vagy az állkapocsnyitás fokára, illetve a szűkület elölségére is következtetni enged (ezzel az aspektussal a tanulmány terjedelmi korlátai miatt nem tudunk részletesebben foglalkozni). Végül: az időzítés, és a megvalósítás dinamikussága megragadható az időtartamban, kétféleképpen is. Egyfelől mivel a [j] megvalósulása az [i]-énél gyorsabb, ezért a /ja/ esetében az /ia/-nál alacsonyabb teljes időtartamra számíthatunk a kérdéses hangsorokban. Másfelől pedig ugyanezen okból az is várható, hogy a [j]-ben az artikulációs-akusztikai cél elérése, tehát az F2 menetében tapasztalható pozitív irányú kitérés időpontja is hamarabb bekövetkezik.

Amint már utaltunk rá, a mandarin kínai nyelvben az alveolopalatális [ɕ] szibiláns ejtéséhez szorosan kötődik egy [j]-szerű szegmentum megjelenése, hiszen a frikatív szűkület feloldásakor a palatalizált képzésből fakadóan természetes átmenetként jelenik meg egy hallható [j] approximáns. Ez egyúttal azt is jelenti, hogy a /ɕa/ [ɕja] xia hangsorban a vokalikus szakasz kezdetén a nyelvtest megemelkedett és előre húzódott állapotban van, és ebből fakadóan jelentősebb méretű garat felőli üreg (Esling 2010; Ladefoged–Maddieson 1996; Recasens 2013), illetve magas F2-érték jellemző (Hauser 2020; Li 2008). Emellett a kínai szibilánsokból [a] kontextusban előálló [sa], [ʂa], és [ɕja] szótagok esetében a kísérletek eredményei szerint az alveolopalatális szibilánst követő F2-menet nemcsak magasabbról indul (a várakozásoknak megfelelően), hanem végig, a vokalikus rész teljes időtartama alatt magasabb frekvenciatartományon is marad. Ez pedig azt jelenti, hogy a /ɕa/ [ɕja] szótagban az [a] szegmentum artikulációs-akusztikai célja is más, mint a [sa] és [ʂa] hangsorbeli megfelelőjéé: az [a] a [ɕja] hangsorban (akusztikailag legalábbis) előrébb/palatálisabban valósul meg (Hauser 2020; 1. ábra). Az [a] akusztikai előre húzódása Hauser (2020) szerint az alveolopalatális szibiláns koartikulációs hatásának köszönhető, mely nemcsak a vokalikus szakasz kezdetét érinti, hanem a vokalikus hangsor egészét és összes elemét.

 

A hiátustöltőként és a /j/ fonéma realizációjaként megjelenő [j]-t fonetikai szempontú elemzésben korábban Menyhárt (2006) és Gósy (2014) vizsgálta a magyarban. Gósy (2014) a vokális szakaszokból a [j] approximánst szegmentálva a hiátustöltőként és a fonéma realizációjaként megjelenő [j]-ket összevetve nem talált különbséget ezek időtartamában. Megjegyzendő azonban, hogy az idézett vizsgálatban kontextustól függetlenül tendencia szintjén a /j/ fonéma megvalósulásaként megjelenő [j] szegmentumok minden esetben hosszabb időtartamúak voltak, mint a hiátustöltőként megjelenő approximánsok. Menyhárt (2006) ugyancsak meghatározta a [j]-variánsok hanghatárait, és eredményeiben hasonlóképpen hosszabb időtartamúnak bizonyultak a fonémikusan is jelenlévő [j]-megvalósulások, mint a hiátustöltő [j]-k. Menyhárt (2006) azt állapította meg, hogy a hiátustöltőként megjelenő [j] mintegy 20 ms-mal rövidebb időtartamú volt a /j/ fonéma realizációjaként megjelenőnél (51).

Fontos látni, hogy az itt idézett vizsgálatok a [j]-megvalósulásokat a hangsorokból kiemelve elemezték, miközben ezeknek a hangoknak az elhatárolása (hanghatáraik megállapítása) – éppen az átmeneti jellegükből fakadóan – roppant nehéz. Emellett pedig kiemelendő az is, hogy mivel az eddigi eredmények statikus módszereket alkalmaztak, azaz egyetlen értékkel számszerűsítve vizsgálták a kérdéses hangokat, a [j]-megvalósulásokon belüli, illetve a környező beszédhangokban végbemenő változásokról, a beszédhang(kapcsolat)ok dinamikus ejtéséről, illetve az ezek mentén tapasztalható esetleges eltérésekről jelenleg még nincsenek ismereteink.

Részben a fenti okokból a jelen kutatásban a magyar nyelvű szótagok esetében olyan hangkapcsolatokat is vizsgálunk, amelyekben mögöttesen is megjelenik a /j/, illetve olyanokat is, amelyek megkövetelik a hiátustöltést, azaz ahol a magánhangzó-szekvencia egyik tagja /i/, amit egy legalsó nyelvállású illabiális centrális /a/ követ (Siptár 2002; Gósy 2014). Éppen ezért lehetőségünk lesz összevetni a hiátustöltőként és a /j/ fonéma megvalósulásaként megjelenő [j]-variánsokat, illetve megfigyeléseket tehetünk az [i] és [j] fentebb tárgyalt potenciális eltéréseit illetően is, melyekről a szerzők ismeretei szerint még nem készült fonetikai vizsgálat a magyar nyelvre nézve.