最开始学语音相关内容的时候，总以为说话就是单纯发出声音，直到跟着导师做方言语音采集的实操项目，才彻底摸清语音的本质属性体现在哪些方面，它从来不是简单的物理声响，是绑定人、绑定交流、有专属规则的特殊声音。
那段时间每天都要跑社区，找不同年龄段的本地人录制日常对话，最开始完全摸不着门道。我拿着录音设备，单纯收录大家说话的声波、音调，录了满满几个G的音频，整理数据时发现一堆无效素材。很多人单独对着设备朗读文字，声音清晰、波形规整，但完全不是日常语音，根本没法用作研究参考。
后来才反应过来，语音首先最核心的是社会性。脱离了人与人的交际场景，单独发出的音节、声调，顶多算是物理声音，算不上真正的语音。有次采访一位独居老人，他平时说话语速慢、语调平缓，和邻里聊天时会自带语气起伏，会根据对方的回应调整语速、停顿。同样一句话，独自念叨和与人交流时的语音状态完全不同，这就是语音天生带着的社会属性，为了人际沟通、信息传递、情感交互而生，没有社会交际，语音就失去了存在的意义。
很多人会混淆语音和普通声响，这是我踩过最久的误区。
户外的风声、雨声，机器的轰鸣声，都是物理声波，但不属于语音。我之前做过对比测试，把环境噪音和人声做波形拆解，普通声音只有单纯的物理震动属性，而语音不一样。每一段语音都有固定的系统性，是约定俗成的符号体系。
本地的方言里，同一个声母搭配不同韵母，声调微调一点，词义就天差地别。我曾因为分不清两组相近声调，把受访者说的“走路”记成“赶路”，导致记录出错。折腾好久才搞明白，语音的系统性是硬性属性，每种语言、方言的语音都有自己固定的搭配规则、声调体系，不是人随意发声，是整个群体默认统一的系统规范。
还有一个很容易被忽略的点，语音具备生理性。所有语音都是人体发音器官协同运作的结果，不是凭空产生的。
录制青少年语音的时候，能明显感受到差异。小孩子声带稚嫩、口腔开合幅度小，发音更清脆，部分翘舌音总是发不标准；中年人的发音器官发育成熟、肌肉控制力强，吐字清晰饱满；老年人声带老化、松弛，发声会略显沙哑，部分音节含糊不清。之前为了统一素材标准，强行让老人刻意咬字清晰，结果录出来的声音僵硬、不自然，完全违背了语音的生理特征。每个人的发音状态，都受自身声带、口腔、呼吸等生理条件限制，这是语音与生俱来的属性。
我之前一直片面认为，语音只要能被听见、被识别就够了，完全忽略了它的时间性。
语音是瞬时传播、转瞬即逝的，只能依附时间存在。文字可以留存、反复观看，但是语音一旦发出，没有录制留存的话，当下就会消散。做采集工作时，好几次因为设备卡顿，漏掉了受访者随口补充的关键表述，事后再也无法复原当时的语音状态。而且语音的快慢、停顿、轻重，全部依托时间节奏，同样的字句，停顿位置不同、语速不同，传递的语义和情绪也截然不同。
没有人会刻意感知这些属性，所有人说话都是本能的，但这些属性实实在在构成了语音的全部内核。
那天整理完最后一份方言音频素材，关掉电脑的时候，耳边还残留着一整天收录的各色人声。突然发觉，我们每天张口就来的话语，看似随意简单，实则被多重属性牢牢约束着，只是身处其中，从来不会刻意察觉。