我分析了來自 Tatoeba 的 79,704 句中文，想了解實際上會出現哪些拼音音節。這份語料包含 1,161 個不重複的音節（可能還有一些更冷僻的沒有涵蓋在內）。我用 Trie 資料結構把每個音節都對應起來，發現聲調分布、字的複雜度與多音字發音上的一些規律，跟教科書所說的並不相同。

以下就是資料揭示的內容。

Trie 結構

Trie（前綴樹）是一種資料結構，從根節點到葉節點的每條路徑都代表一個完整字串。對拼音來說，每個節點是單一個字母，沿著 h → a → n → 4 這樣的路徑走下去，就得到音節「han4」。

拼音音節構成一棵樹，每個字母都是一個節點。以下是完整的 h 分支，顯示音節如何從根節點延伸到終端節點：

從根節點到所有完整音節（ha、hao、he 等）的 h 分支。虛線表示其他分支。

更多探索：

第 1 層 →
第 2 層 →
第 3 層 →
完整 Trie → （將滑鼠移到節點上可看細節）

聲調的悖論

輕聲只占不重複音節的 2.2%，卻占實際用字的 8.4%。為什麼？因為極為常見的語法虛詞（的、了、嗎、麼）全都是輕聲：

從三個角度看聲調：依音節、依字、依頻率

關鍵觀察：第四聲在各項指標上都占主導（27-34%），而輕聲則因為虛詞頻率高，表現遠遠超出它的音節比重。

音節的擁擠程度

大多數拼音音節只對應少數幾個字。但有少數音節極為擁擠：

每個音節對應的字數，多數是 3-4 個字，但有些超過 30 個

最擁擠的音節：

• yi4：37 個字（意、義、議、異、易、億、藝、益……）
• shi4：32 個字（是、事、市、式、試、視、世、士……）
• ji4：30 個字（記、際、計、技、季、繼、既、寄……）

另一方面，有些音節只對應唯一一個字：wo3（我）、le0（了）、ni3（你）。

多音字的迷思

教科書強調許多漢字有多種讀音。但在這份語料出現的 5,002 個字中，真正是多音字的只有 3.8%（199 個字）。Unicode 雖然定義了 80,000 多個漢字，本篇分析聚焦的是學習者在真實使用中會遇到的字：

讀音最多的前 20 個字

即使某個字確實有多種讀音，通常也有一種讀音占絕對多數：

• 的：4 種讀音，但 99.8% 的情況都讀 de0
• 一：3 種讀音，但 yi1 是主要形式
• 著：5 種讀音（語料中讀音最多的字）

音節結構

大多數中文音節在深度 4 完成（3 個字母加聲調，例如 ban1 或 mao2）：

依深度統計的音節完成情況，41.5% 的音節在深度 4 完成（1,161 個中有 482 個）

最長的音節（深度 7：6 個字母加聲調）全都是 -uang 組合：

• chuang1、chuang2、chuang3、chuang4
• shuang1、shuang3
• zhuang1、zhuang4

音節 × 聲調涵蓋情況

去掉聲調後，1,161 個音節收縮為 401 個基本形式。這張熱圖顯示哪些基本音節在 5 個聲調中都存在：

401 個基本音節 × 5 個聲調。格內數值為字數。有些基本音節在所有聲調中都存在，有些只出現在一兩個聲調中。

觀察：

• 大多數基本音節並沒有 5 種聲調變體
• 輕聲（第 0 欄）相當稀疏，只有 25 個基本音節有輕聲
• 有些基本音節只出現在特定聲調（僅出現在 1-2 個聲調欄位）

主要發現

• 79,704 句中共有 1,161 個不重複音節；去掉聲調後為 401 個基本音節（每個基本音節平均 2.9 個聲調）
• 91.8% 的字在實際使用中只有一種讀音，教科書對多音現象的描述在真實使用上被誇大了
• 輕聲：占音節的 2.2%，卻占使用量的 8.4%；差距來自語法虛詞（的、了、嗎、麼）
• 第四聲在音節、字與使用量上都占主導（27-34%）
• 前 10 個音節占全部用字次數的 18.8%；每個音節平均有 4.5 個同音字，其中 yi4 高達 37 個

實際意涵：學習者若掌握了頻率最高那一成的音節及其主要讀音，就能涵蓋大部分的閱讀負擔。多音問題集中在少數幾個字上，而非分散在整份語料中。

技術註記

本分析基於 Tatoeba 語料庫 中的 79,704 句中文。我建立了一個以字母為單位的 Trie 資料結構，每個節點代表單一個字母或聲調數字，終端節點則儲存字的中介資料與頻率資料。

工具：Python 3.9+、matplotlib（圖表）、graphviz（樹狀視覺化）

資料流程：

1. 從語料中擷取字
2. 用 jieba + pypinyin 及／或 GPT-4o-mini 計算拼音
3. 建立 Trie 結構
4. 分析分布、規律與邊緣情況

資源

• GitHub 上的 hanzi-flow - 完整分析程式碼與視覺化
• Tatoeba - 句子語料庫