A kötet középpontjában a beszédképzés, azon belül is a beszéd akusztikai vetülete áll. Ezért a monográfia legelején ebben a fejezetben röviden végigtekintem a beszéd alapvető fiziológiai folyamatát, illetve a kötet szempontjából releváns akusztikai mérőszámokat. Az emberi beszéd, pontosabban a hangképzés fizikai alapjait a rezgés, azaz nyomásingadozás; fiziológiai alapjait a légzés, pontosabban a tüdőből kifelé áramló levegő szolgáltatja (Markó 2017). A tüdőből kifelé áramló levegő a légcsövön keresztül gégébe jut, ahol – a hangszalagok állásának függvényében – keresztülhaladhat vagy megrezegtetheti a hangszalagokat. Hangszalagrezgés esetén a hangszalagok Bernoulli-hatásnak köszönhető periodikus nyitódása és záródása kváziperiodikus nyomásingadozást, azaz egy összetett rezgést hoz létre, amit zöngének nevezünk. E kváziperiodikus nyomásingadozás azt jelenti, hogy a hangszalagok rezgése (hangforrásként) mozgási energiát ad át a levegőmolekuláknak, tehát periodikusan kimozdítja őket nyugalmi helyzetükből, és saját egyensúlyi pozíciójuk körüli rezgésre készteti őket, ezáltal sűrűsödési és ritkulási csomópontokat hozva létre (Vicsi 2013, Markó 2017). Azáltal, hogy a gerjesztett levegőmolekulák átadják egymásnak mozgási energiájukat a rezgés tovaterjed a szomszédos molekulákra és álló hanghullámok keletkeznek. Tehát a beszédképzésben a hangszalagok rezgése funkcionál hangforrásként, és hozza létre a zöngét. A zönge egyik alapvető jellemzője az alapfrekvenciája (f0), amely az egy időegység alatt lezajlott glottális ciklusok számát jelenti, azaz az alapfrekvencia értéke a teljes periódusok száma és az időegység hányadosaként írható le, és a mértékegysége Hertz (Hz) (Markó 2017).

 

A 220 Hz-nél egy oktávval magasabban fekvő zenei hang (az egyvonalas Aʹ) frekvenciaértéke 440 Hz, ami a 220 Hz-nek kétszerese (21); a két oktávval magasabban fekvő zenei hang (a kétvonalas Aʺ, melynek frekvenciaértéke 880 Hz) a 220 Hz-nek már négyszerese (22). Az egyvonalas Aʹ-nál három oktávval magasabban realizálódó zenei hang (a háromvonalas Aʹʺ, melynek frekvenciaértéke 1760 Hz) pedig a 220 Hz frekvenciaértéknek már nyolcszorosa (23). E példa alapján az a következtetés is levonható, hogy az abszolút frekvenciaértékek összevetése nem alkalmas arra, hogy különböző személyek különböző frekvenciatartományban produkált beszédét összevessük, hiszen egy férfi ejtésében a 100 Hz-ről 150 Hz-re emelkedő f0 ekvivalensnek tekinthető egy nő produkciójában a 180 Hz-ről 270 Hz-re emelkedő hangmagasság-változással az észleletben, pedig a frekvenciakülönbség az első esetben 50 Hz, míg a második esetben 90 Hz, arányuk azonban mindkét esetben 1:1,5 (’t Hart et al. 1990: 24). Ebből fakadóan a beszéddallam vizsgálatakor az alapfrekvenciaértékeket logaritmikus egységekbe, azaz félhangokká szokás konvertálni, ezáltal normalizálva a különböző frekvenciatartományokban bekövetkező változásokat (Nolan 2003). Egy félhangnyi hangmagasság-különbség megegyezik az oktáv 1/12-ével, azaz egy oktávot 12, egymástól egyenlő távolságra elhelyezkedő félhangra lehet bontani (Bolla 1995). Ez szekundok tekintetében, azaz két egymás mellett elhelyezkedő zenei hang távolságát illetően azt jelenti, hogy kis szekund esetében (pl. E-F és H-C) 1 félhang az észlelt hangmagasság-különbség, míg egy nagy szekund esetében (azaz minden más szomszédos zenei hang esetében) 2 félhang. Terc esetében három zenei hang távolságáról beszélünk, ami kis terc esetében 3 félhangot, nagy terc esetében pedig 4 félhangot jelent. A kötet későbbi részeiben a következő hangközök merülhetnek fel: kvart (4 zenei hang, ahol a tiszta kvart: 5 félhang, és a bővített kvart 6 félhang), kvint (5 zenei hang, ahol a szűkített kvint 6, a tiszta kvint 7 félhang) és szext (6 zenei hang, ahol a kis szext 8, a nagy szext 9 félhang) (Kesztler 1952).