为什么普通话里，「币」与「地」的读音很容易混淆，但是「爸」和「大」的读音却不容易混淆呢？ 第1页

我大概翻了一下别的答案，好像都是在从历史语言学角度入手想回答这个问题。我觉得那样从逻辑上来说是本末倒置，因为历史音变之所以有可能产生，就是因为说话听话的过程中声学性质相近进而引起听觉混淆的音的存在。你总不能说历史上发生了 *s > n 的音变就说 s 听起来像 n 吧？那我是不是可以说普通话四声听起来像 s 因为那是词尾 s 脱落导致的结果？

这个问题从声学语音学角度就很容易回答，我们只需要三/四样东西就可以了，嘴巴(+声带)、Praat 和 R。科学告诉我们，自己动手，丰衣足食。所以我录了一下我自己发bi, di, ba, da, pi, ti, pa, ta的录音 (每个音节重复三遍) 分析了一下。

先说结论：对于高元音而言，拼音声母 b 和 d 对元音共振峰的影响很相似，没有语境帮助的话光听声音确实容易弄混。我们知道，元音的区别是由共振峰的高低来决定的。一般来说元音的高低反比于 F1 的高低，而元音的前后则正比于 F2 的高低。低元音的 F1 更高，F2 更低，而前高元音则是 F1 低而 F2 很高。其实辅音也是要靠共振峰区分的。辅音除阻以后到发声器官移动到元音位置发出元音是有一个过程的。这个过程中，辅音对共振峰施加的影响不是辅音除阻以后突然消失，而是有一个过渡。我们可以把这个共振峰滑动渐变的过程理解为一个非常非常短的双元音。这个共振峰的过渡从声学上帮我们区别元音之前到底是哪一个辅音。

少说废话，我们来看频谱图吧（所有频谱图均取自 Praat，作图使用的是当下很受欢迎的 R 中的 ggplot2）。

大家注意看，从下往上红点标出来四条曲线正好是 F1 到 F4。我们看除了 F4 以外，bi 和 di 的前三条共振峰的渐变是如此的相似，都是F2 和 F3 慢慢升高而 F1 一直很低。声学性质如此相似也难怪在没有语境的情况下（对答案的时候）容易搞混了。可是如果放在词里，是不是就很难会弄混这两个？比较一下：低热 vs. 逼仄。

但是如果声母是 a 的话声学性质就没那么像了。

我们看到发 da 时，F2 和 F3 都比发 ba 时要高。

可能频谱图太抽象了，没那么直观，那我们就从韵母的前 50%中取五个各个共振峰的值画个图更直观地观察一下：

是不是 bi 和 di 的频谱曲线非常近似？因为他们声学性质太相似了，所以单独把这两个音节拿出来就是容易听混。而 ba 和 da 只有 F1 看起来很像，F2 和 F3 一个是上升，一个是下降，区别巨大。

可是，我不知道题主有没有想过，那为什么好像 pi 和 ti 不容易弄混呢？我们继续来看看频谱图：

我们可以观察到，在发 pi 和 ti 的时候，辅音除阻以后还要好一会儿声带才开始振动发出元音。这段从除阻到声带振动开始的时间语音学上叫做 VOT（发声起始时间）。在 VOT 内，依然是可以观察到共振峰的，比如上面两图。

在声母是 p 和 t 的时候，因为元音开始发声的时间比在声母是 b 和 d 的时候长得多，所以辅音的成阻部位形成的共振峰性质可以保留的时间更长^[1]。所以其实在 pi 和 ti 里，第一二三共振峰的性质和跟 在 bi 和 di 里是一样的，然而因为没有元音带来的快速转换的压力，所以这个性质可以保持得更久，听觉上更显著，更不容易弄混。

而且事实上，我们如果只看元音的共振峰性质的话，当声母是送气声母 p 和 t 的时候，元音的共振峰反倒没什么区别，如下图：

这就是为什么 bi/di 容易混淆，而 pi/ti, ba/da 都不容易混淆的原因。

希望我的回答不仅能帮题主弄明白这个问题的答案，也能让题主对语音学产生一点点了解更多的兴趣。

参考

1. ^ Stevens, K. N., & Klatt, D. H. (1974). Role of formant transitions in the voiced‐voiceless distinction for stops. The Journal of the Acoustical Society of America, 55(3), 653-659.