说话能力的获得——十阶段与四套内部模型

前面分解的是「听懂」（听觉理解）；本篇对称地分解「会说话」（语言产出）。「说话」不是把脑中的想法翻译成声音，最终能力是形成一套可以实时运行的闭环：意图 → 语言组织 → 发音动作 → 声音 → 对方反馈 → 修正。获得过程分为十阶段：发声控制 → 声音模仿 → 音系建立 → 声音—动作映射 → 词汇建立 → 组块 → 句法生成 → 实时生成 → 自我监控 → 互动生成，底层是四套互相连接的内部模型。

一、先把「说话能力」拆成结果链

想表达什么
↓
形成表达意图
↓
选择概念/信息
↓
组织语言意义
↓
选择词
↓
组织句法
↓
组织语音
↓
规划发音动作
↓
执行口腔动作
↓
产生声音
↓
自己听到自己的声音
↓
判断是否表达成功
↓
根据反馈修正

最底层不是「背单词」，而是：

建立从意图到声音的可执行映射。

二、第一阶段：先获得「发声—听觉」的闭环

婴儿并不是一开始就说词。首先是：

1 2	自己发声 → 听见自己的声音 → 改变发声方式 → 再次听 → 发现声音变化 → 逐渐控制声音

例如「啊——」然后改变音高、音量、持续时间、口型、舌头位置、呼吸，逐渐形成身体动作 → 声音结果的映射。

说话不只是纯认知任务，还是一个运动控制任务。

三、第二阶段：获得「声音模仿能力」

1 2	听到别人 → 形成听觉表征 → 尝试发出类似声音 → 自己听到结果 → 比较「目标声音」和「自己的声音」 → 调整发音动作 → 再次发音

1 2	目标声音 → 运动计划 → 身体执行 → 实际声音 → 听觉比较 → 误差 → 运动修正

这是一个闭环控制系统。说话能力不是单纯「学会声音」，而是：

建立声音 ↔ 发音动作之间的双向模型。

四、第三阶段：建立语言声音类别

1 2	大量声音 → 发现哪些声音属于同一类别 → 建立声音类别 → 知道自己发出的声音属于哪个类别

英语中不同人的 /p/、不同速度的 /p/、不同位置的 /p/ → 共同的 /p/ 表征。这时候才真正建立语言的音系系统。说话时反过来：目标音素 → 找到对应的发音动作 → 执行。

听和说在这里开始连接：听觉表征 ↔ 发音动作。

五、第四阶段：从声音到词

建立 概念/对象 ↔ 词 ↔ 声音：

1	球 → ball → /bɔːl/

不断发生「听到 ball、看到球、自己说 ball、别人回应」，于是概念 ↔ 词 ↔ 声音 ↔ 发音动作逐渐成为一个整体。

这里非常关键：真正获得的是直接通路。

1
2
3

初学者：我要表达「球」→ 中文「球」→ 想英文 ball → 发音
熟练以后：概念「球」→ ball → 声音
实际交流中：看到球 → ball（几乎直接出来）

六、第五阶段：从单词到「组块」

如果每次说话都重新计算 I / want / to / go / to / the / store，速度会非常慢。大量使用之后会形成：

1	[I want to] + [go to the store]

再进一步，I want to go to the store. 作为一个较大的语言动作单位。这就是组块化：

从一个词一个词地组装，变成调用已经形成的语言组块。 组块解决了工作记忆容量问题，是说话从慢到快的关键。

七、第六阶段：获得句子生成能力

「我想表达一个新的意思，但以前没有完整说过这句话」：

1 2	意图 → 昨天 → 我 → 买 → 杯子 → 商店 → 过去时 → 英语词汇选择 → 英语句法组织 → 语音组织 → 发音

最终：I bought a cup at the store yesterday.

这里形成的是：

从意义结构动态生成语言结构。

背句子只能产生已经见过的句子；生成能力则允许以前没说过的新句子。

八、第七阶段：获得「实时生成」能力

这是外语学习特别容易卡住的地方。

1 2	初学者：想法 → 中文句子 → 翻译 → 英语语法检查 → 找词 → 组织 → 发音（太慢）熟练者：想法 → 英语表达 → 发音（在线进行）

熟练者的在线过程：

正在说第一个意群
    ↓
同时规划第二个意群
    ↓
同时监控自己说出来的声音
    ↓
继续生成第三个意群

这才是真正的口语流利度：

语言生成过程的实时化和自动化。

九、第八阶段：获得自我监控与修正

真正的说话系统不能只负责输出，它还要「说 → 听自己的声音 → 判断 → 发现问题 → 修正」：

1	I go—sorry, I went there yesterday.

再例如发现对方没理解：I mean… I went there last Friday.

成熟的说话能力本身就是一个闭环：

1 2	意图 → 生成 → 发音 → 自我听觉反馈 → 对方反馈 → 判断 → 修正 → 继续生成

十、第九阶段：获得互动能力

真正的口语不是「一个人连续输出」，而是听 ↔ 说实时耦合：

A：Where did you go?
→ 理解问题 → 生成答案
→ B：I went to...
→ A 的反应 → 继续/改变表达

到了这里，「说话能力」已经不再只是语言生成，而是：

在共同语境中实时协调双方的信息。

十一、完整的「说话能力获得过程」

① 发声控制：身体动作 → 声音
② 声音模仿：听到目标 → 尝试产生 → 听反馈 → 修正
③ 音系建立：大量声音变式 → 抽象语言声音类别
④ 声音—动作映射：语言声音 → 发音动作
⑤ 词汇建立：概念 ↔ 词 ↔ 声音 ↔ 动作
⑥ 语言组块：词 → 高频组合 → 自动调用
⑦ 句法生成：意义结构 → 新语言结构
⑧ 实时生成：意图 → 连续语言 → 连续发音
⑨ 自我监控：输出 → 自己听 → 判断 → 修正
⑩ 互动生成：我的表达 ↔ 对方反应 ↔ 下一步表达

十二、「阶段」和「流程」还需要再分一次

阶段

回答「最终要获得哪些能力」：发声 → 模仿 → 音系 → 词 → 组块 → 生成 → 实时生成 → 监控 → 互动。

能力获得流程

回答「某一个能力是怎么长出来的」，例如英语 /r/ 的发音：

1
2
3

听目标 → 观察/感受发音 → 尝试 → 产生声音 → 自己听 → 比较
→ 发现误差 → 调整动作 → 再次尝试 → 不同词中重复
→ 不同语速中重复 → 不同环境中使用 → 自动化

实际训练流程

才是：

1 2	给材料 → 让用户模仿 → 录音 → 反馈 → 再次模仿 → 换说话人 → 换词 → 换句子 → 自由表达 → 检测是否迁移

「获得能力」并不等于「训练步骤」。 训练步骤只是人为制造一个环境，让上面的能力形成机制不断运行。

最关键的一点：四套互相连接的内部模型

「说话能力」最底层不是记住多少单词、学过多少语法，而是逐渐建立四套互相连接的内部模型：

① 意义模型：我想表达什么？
② 语言模型：这个意义应该怎样组织成语言？
③ 发音模型：这个语言形式应该产生什么声音？
④ 运动模型：我的身体应该怎样运动才能产生这个声音？

然后形成闭环：

1 2	意义 → 语言 → 声音 → 动作 → 实际声音 → 听觉反馈 → 与目标比较 → 修正 → 更准确的模型

再加上对方反馈 → 意义是否传达成功 → 调整语言/表达。

母语环境之所以强大，是因为它天然每天都在提供这个闭环；外语培养体系真正应该做的，不是简单地「教更多英语」，而是人为重建这个能力形成环境，并逐步增加变化、自由度和互动压力，直到脱离训练环境仍能运行。

与其他线的关系

本线 ←→ 认知能力分解（09-认知与语言/02）
  02 分解「听懂」（听）；本线对称分解「会说话」（说）
  两者共用能力获得的底层机制（变式→不变性、反馈→修正）

本线 ←→ 输入端能力（09-认知与语言/07）
  听的前端是语言事件检测；说的前端是发声—听觉闭环

本线 ←→ 预测机制（09-认知与语言/08）
  说话 = 意图→声音→反馈→比较→修正 的预测闭环

本线 ←→ 外语表达（09-认知与语言/10）
  10 讲输出的训练方法（意义重建/生成—比较—修正）
  本线讲说话能力的阶段结构（十阶段/四模型）——10 是训练，本线是结构

收束

会说话 = 形成一套实时运行的闭环：
  意图 → 语言组织 → 发音动作 → 声音 → 反馈 → 修正

十阶段：
  发声控制 → 声音模仿 → 音系建立 → 声音—动作映射 → 词汇建立
  → 组块 → 句法生成 → 实时生成 → 自我监控 → 互动生成

四套内部模型：意义 / 语言 / 发音 / 运动（互相连接、形成闭环）

阶段 ≠ 能力获得流程 ≠ 训练流程：
  阶段回答「要获得哪些能力」
  获得流程回答「一个能力怎么长出来」
  训练流程只是制造让能力形成机制运行的环境

关键机制：
  直接通路（概念→声音，不经过中介语言）
  组块化（解决工作记忆容量）
  实时生成 + 自我监控 + 互动（流利度与适应性）

「会说话」真正形成的过程，是四套内部模型（意义/语言/发音/运动）在反馈闭环中逐渐建立连接——不是背单词，而是建立从意图到声音的可执行映射。