簡而言之

  • 我整理了 Tatoeba 上 79,704 個中文句子的拼音：共 1,161 個不同音節，去掉聲調後收斂為 401 個。
  • 第四聲在各項指標上都居首，佔 27 到 34%。輕聲只佔音節的 2.2%，但在實際使用中佔 8.4%，因為常見虛詞（的、了、吗）都是輕聲。
  • 多音字比教科書所暗示的更少見：語料庫中 5,002 個字裡只有 199 個（3.8%）有多於一種實際使用的讀音，而且通常有一種讀音佔絕對優勢。
  • 前 10 個音節涵蓋了所有讀出字次的 18.8%，而 yi4 一個音節就對應 37 個字。

我分析了 Tatoeba 上 79,704 個中文句子，想了解哪些拼音音節在實務中真正出現。這個語料庫包含 1,161 個不同音節（可能還有一些冷僻音節未涵蓋在此）。我用 Trie 資料結構把每個音節都對應起來，發現聲調分佈、字的複雜度與多音讀法上的一些規律，和教科書所說的並不相同。

以下是資料揭示的內容。

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，每個節點是一個字母，沿著 h → a → n → 4 這樣的路徑走，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形成到終端節點：

拼音 Trie：h 分支

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。

further 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

輕聲只佔不同音節的 2.2%，但在實際用字中佔 8.4%。為什麼？因為極常見的語法虛詞（的、了、吗、么）全都是輕聲：

聲調分佈分析 三種看聲調的角度：依音節、依字、依頻率

關鍵發現：第四聲在各項指標上都佔主導（27 到 34%），而輕聲則因虛詞頻率高，影響力遠超其佔比。

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：

音節複雜度分佈 每個音節對應的字數：多數為 3 至 4 個，但有些達 30+

最擁擠的音節：

  • yi4：37 個字（意、义、议、异、易、亿、艺、益……）
  • shi4：32 個字（是、事、市、式、试、视、世、士……）
  • ji4：30 個字（记、际、计、技、季、继、既、寄……）

另一方面，有些音節只對應單一個字：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。但在本語料庫出現的 5,002 個字中，實際上只有 3.8%（199 個字）是多音字。雖然 Unicode 定義了 80,000 多個漢字，本分析聚焦於學習者在真實使用中會遇到的部分：

多音字 具多種讀音的前 20 個字

就算某些字確實有多種讀音，通常仍有一種佔主導：

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

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）：

深度分佈 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 的組合：

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

音節 × 聲調的覆蓋情況

去掉聲調後，1,161 個音節收斂為 401 個基本形式。這張熱圖顯示哪些基本音節在 5 種聲調中存在：

音節與聲調矩陣 401 個基本音節 × 5 種聲調。格內數值為字數。有些基本音節在所有聲調中都存在，有些只出現在一兩種聲調。

觀察：

  • 多數基本音節並不具備全部 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
  • 有些基本音節只屬於特定聲調（只出現在 1 至 2 個聲調欄）

主要發現

  • 79,704 個句子中共有 1,161 個不同音節；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% 的字在實務中只有一種讀音，教科書對多音字的強調在真實使用上被高估了
  • 輕聲：佔音節的 2.2%，卻佔使用量的 8.4%；差距來自語法虛詞（的、了、吗、么）
  • 第四聲佔主導，在音節、字與使用量各方面皆然（27 到 34%）
  • 前 10 個音節佔所有字次的 18.8%；每個音節平均對應 4.5 個同音字，yi4 則高達 37 個

實務上的意義：學習者若掌握了最高十分位的音節及其主要讀音，就能涵蓋大部分閱讀負擔。多音字問題集中在一小群字上，而非散佈於整個語料庫。

技術說明

本分析基於 Tatoeba 語料庫 中的 79,704 個中文句子。我建立了一個以字元為單位的 Trie 資料結構，每個節點代表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. 從語料庫中提取字
  2. 以 jieba 搭配 pypinyin 及／或 GPT-4o-mini 計算拼音
  3. 建立 Trie 結構
  4. 分析分佈、規律與邊界情況

資源