如果你被丢到一个完全陌生的语系里，比如非洲南部的某种 Click 语言，或者高加索山里某种塞满 ejective（挤喉音）的语言，你会觉得这些声音"不像人话"。但如果有人告诉你，全世界的语言——从冰岛到火地岛，从因纽特语到斯瓦希里语——其实在"用什么音"这件事上惊人地一致，你大概会觉得更反常。
Tom Scott 这支播放量超过 810 万的爆款视频《The Language Sounds That Could Exist, But Don't》（那些本可以存在、却没人用的语音），干的就是这件事：它没有教你发音，而是把你拽到一张叫 IPA 的地图前，让你看清一个被忽略的事实——人类这张嘴能发出的音，远比任何一种语言实际使用的多得多；而全人类，都挤在这张地图的同一小块角落里。
这为什么值得深读？因为它同时回答了三个问题：为什么有些音"全世界都有"、有些音"全世界几乎没有"、以及——你以为天经地义的英语 "th" 音，为什么在语言学家眼里其实是个稀有物种。读懂这条，你学外语发音、理解语音识别、甚至设计一门人造语言（conlang），都会多一个底层的坐标系。
| 项目 | 内容 |
|---|---|
| 视频标题 | The Language Sounds That Could Exist, But Don't |
| 频道 | Tom Scott（Language Files 系列） |
| 时长 | 约 16 分钟（长视频深度解读） |
| 播放量 | 810 万+ |
| 发布时间 | 2019 年 10 月 |
| 核心主题 | IPA 音位地图、语音普遍性、稀有音的成因 |
视频最关键的一个重新定义（这是 Tom Scott 的原话方向）：绝大多数人第一次接触 IPA（International Phonetic Alphabet，国际音标），是在英语课本里，于是误以为它是"给英语标音用的"。其实恰恰相反——IPA 是一张穷尽人类发音器官可能性的地图。
它把嘴里的每一次"阻碍"拆成两个坐标：place（发音部位）——气流在哪儿被挡，从双唇一路往后到声门；manner（发音方式）——怎么挡，是爆破、摩擦、鼻音还是颤音。再叠上"声带振动与否"这一维度，于是这张表上的每一个格子，都对应一个你的嘴"物理上能发出来"的音。视频要我们盯着这张地图看，然后接受一个结论：人类能发的音，是个三位数的巨大集合；而每种语言真正用的，只有二三十个。
【延伸】我补充一个常被忽略的层面：IPA 还区分了"气流机制（airstream mechanism）"。绝大多数语言只用肺部呼气（pulmonic egressive）这一种动力。但你的嘴其实还能用另外两种：用声门往上推的 glottalic（产生 ejective 挤喉音、implosive 内爆音）、用舌头和软腭形成密闭气室的 velaric（产生 click 吸气音）。这三种动力，是理解"为什么有些音稀少"的钥匙。
视频接着抛出数据：有一小撮辅音，几乎出现在每一种语言里。这不是 Tom Scott 瞎说的，背后是几十年的跨语言统计。
UPSID（加州大学洛杉矶分校的音位数据库，覆盖全球数百种语言）给出的答案是：最常见的单个音段，是双唇鼻音 /m/，出现在 425 种语言里。而 /m/、/n/、/p/、/t/、/k/ 这五个辅音，集体出现在大约 95% 的有记录语言中（IPA Lookup 的统计）。一个语言如果缺了 /p t k/ 中的任何一个，在语言学家眼里都是值得上头条的新闻。
而所有语言加起来，平均辅音库存大概在 20 个出头（WALS 第一章基于 562 种语言的均值，落在 low twenties）。换句话说，嘴能画出一张上百格的大地图，每种语言却只挑了二十来格，而且挑的几乎是同一片。
视频把"为什么是这几个音最常见"讲得最透。核心逻辑只有两个词：好发、好听。
于是结论是：这些音不是被"选"出来的，而是被嘴的物理结构逼出来的。任何一个正常的发声器官，只要开始组织语言，都会优先长出这一簇音。这是真正的"解剖学必然"。
【延伸】另一半原因是听觉显著性（perceptual distinctness）。/s/ 和 /ʃ/ 听起来差不多，所以有的语言二选一；但 /a/ 和 /i/ 听起来天差地别，所以几乎所有语言都同时拥有。语言的音位库，是"好发"和"好听"两股力量在地图上反复博弈后的稳态。
视频最精彩的部分，是带我们去地图的"无人区"。它列举了一串你的嘴明明能发、却几乎没人用的音。这部分我结合 WALS 第 19 章《Presence of Uncommon Consonants》补全背景：
这些音的共同点：不是发不出来，而是发得费劲、听得不稳，所以没能在历史的传播里站稳脚跟。
视频一个容易被忽略的洞察：稀有音的分布不是随机的，而是扎堆且会借用的。
ejective 同时出现在高加索、北美西北、安第斯三座高地——这三地语言没有亲缘关系，却独立长出了同一种音。click 在非洲南部一整片语言里共享。这暗示一件事：稀有音的存留，靠的是地理隔离和"语言接触（contact）"。一个孤立的高地语言，可以背着这些难发的音一路传下去；一旦它和主流语言高频混居，这些"高成本音"就会被慢慢磨掉。
【延伸】这就是为什么全球化和语言濒危，最先带走的就是稀有音——它们本就只活在几个口袋里。每一种 Khoisan 语言的消亡，都意味着人类音位地图上永久少了几个格子。
这是视频里最能让英语使用者炸裂的认知反转。英语里 "think" 的 /θ/、"this" 的 /ð/，被母语者当成理所当然的普通音。但在 WALS 的统计里，齿/齿龈非咝擦音（dental/alveolar non-sibilant fricative，正是英语 "th"）属于四大"uncommon consonants"之一。
全球只有约 7-8% 的语言拥有这类音。法语母语者发不出 "th" 不是因为懒，而是因为他们的语言根本没长这个格子；反过来，阿拉伯语母语者能轻松发出 /θ/，因为闪含语族里这类音一抓一大把。你之所以觉得一个音"难"，往往不是你嘴笨，而是你的母语音位库在这张地图上没覆盖到那一格。这解释了所有经典的发音障碍：日本人难分 /l/ 和 /r/、中国人难分 /r/ 和 /l/ 或卷舌音、说英语的人发不出法语的 /ʁ/——都是同一个"地图覆盖"问题。
【我的延伸分析，非视频内容】这张音位地图还暗藏一条发育线索：婴儿学语，并不是随机练所有音，而是从地图中央向边缘扩散。先掌握的永远是双唇音（/m/、/p/、/b/，因为吃奶就会）和低元音 /a/，最后才轮到舌根、卷舌、挤喉这些边角。婴儿的"咿呀学语"顺序，几乎就是把人类语言普遍音位的排序重新走一遍。这说明：这张地图不只是一个语言学分类，它就是人类发声器官的"出厂默认菜单"，连发育生物学都在按它运行。
flowchart TD
A["IPA：人类发声器官的可能性地图<br/>约 100+ 辅音格子 + 元音 + 3 种气流机制"] --> B{"每种语言只挑一小撮<br/>平均辅音库存 ~20 个"}
B --> C["普遍核心区 /m n p t k/<br/>出现在 ~95% 语言<br/>最常见 /m/: 425 语言"]
B --> D["稀有无人区<br/>click / pharyngeal / ejective / linguolabial"]
C --> E["成因 1：解剖学<br/>双唇/软腭最易挡气<br/>鼻音只多一个变量"]
C --> F["成因 2：听觉显著性<br/>音与音差异越大越易被保留"]
D --> G["成因 3：地理隔离 + 语言接触<br/>稀有音扎堆、会借用、易被磨灭"]
A --> H["英语 th /θ ð/<br/>其实是全球稀有音<br/>~7-8% 语言拥有"]
E --> I["结论：语言非任意<br/>被嘴和耳朵共同雕刻"]
G --> I
H --> J["应用：外语发音难<br/>= 母语地图没覆盖到那一格"]
I --> J
给语言学习者——别再怪自己"嘴笨"。 你发不出某个外语音，90% 的概率不是天赋问题，而是你的母语音位库在地图上没覆盖到那一格。解决思路也因此清晰：先用 IPA 查清楚目标音的 place（部位）和 manner（方式），照着镜子练"挡气动作"本身，而不是反复模仿整个词。法语的小舌音 /ʁ/、西班牙语的大舌音 /r/、阿拉伯语的咽音 /ʕ/，都是"动作对了音就出来"的典型。
给语音/AI 从业者——理解了普遍性，就理解了数据偏斜。 为什么主流 TTS 和 ASR 在英语、普通话上表现好，到了 Click 语言就崩？因为训练数据里这些稀有音样本极少，而模型本质上是在拟合"地图中央"。这也解释了 2025–2026 年 AI 对话系统追求 200ms 内响应却仍显"卡顿"的另一个侧面：不仅要算得快，还要覆盖得到人类这张稀疏音位地图的边角。
给内容/人造语言创作者——一门合格的 conlang，不能随便乱填音。 jan Misali、Biblaridion 这些人造语言专家之所以专业，就在于他们尊重这张地图：要么老老实实用普遍核心区（自然、易学），要么有意识地挑稀有音并给出"语言接触"的合理性背书（比如设定一个孤立高地社会）。乱填音的语言，听上去就会"不像人话"。
认知升级——语言不是任意约定，是被身体约束的稳态。 我们常说"语言是任意的（arbitrary）"，那是说"猫为什么叫 cat"没道理；但在"用什么音"这件事上，语言高度不任意。全人类表面上有六七千种语言，在音位维度上却向同一小块地图收敛。这是嘴、耳朵、大脑和几万年地理隔离共同雕刻的结果。
wals.info，第 1 章辅音库存、第 19 章稀有辅音，是本文所有数据的出处，可按地图浏览全球语言特征。internationalphoneticassociation.org，点击每个格子就能听到真人发音，是熟悉"可能性地图"最快的工具。人类这张嘴能画出一张三位数的音位地图，但全世界的语言都默契地挤在同一小块角落——因为好用、好听、好运的音就那几个，而剩下的整片无人区，是被嘴、耳朵和地理共同遗忘的可能。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。