词与词之间的界，在音频里基本看不见。拼写里的那个空格，在声音里往往并不存在 —— 这个板块量的就是这件事。
英语写的时候分词，说的时候不分。前一个词末尾的辅音遇上后一个词开头的元音，两个音会直接连上；元音遇上元音时，口腔会自己插进一个拼写上根本不存在的滑音；而信息量小的词，会比它的拼写看起来短得多。
下面每一页取其中一件事，配上真实的录音，以及「为什么挑这一条」的那个测量值。这里没有要背的规则 —— 你能听见差别，也能看见差别背后的数字。
7 节
还有一小类没做
d + y 的同化（did you → didja、would you → wouldja）没有页面。原因是引擎，不是排期：让它读 didja，它给出 d ɪ d j ə，那个 j 自己占 71 毫秒 —— 两个音始终没有并成 dʒ。t + y 这一类是并的（gotcha 的 tʃ 实测 161ms），所以那一半有页面。d + y 需要真人对话语料，合成引擎劝不动；我们宁可把这个缺口露着，也不拿一个邻近的现象填进去冒充同化。
这些数字是什么，不是什么
页面上每个数值都是从音频里算出来的，不是从发音模型推出来的。两个指标各自一句话就能说清：边界下沉 —— 接缝处能量掉了多少 dB；时长比 —— 一个词持续多久，相对同一句里的中位词。
我们刻意不说「这是弱读」。一个词短，可能是因为它被弱化了，可能是因为它不重读，也可能只是说话人赶时间 —— 测量分不开这三件事。所以我们只报时长，让录音自己去说明。
有一条限制得说清楚：对齐按 20ms 一帧做，所以这里所有时长都是 20ms 的整数倍。一个只持续 40ms 的元音，只有两帧证据。这够说「它很短」，不够说「这个元音是中央元音」。
音频来源
录音取自 LibriSpeech dev-clean：志愿者朗读公共版权小说，16kHz 单声道，无背景音乐、无环境噪声。授权 CC BY 4.0，允许再分发，需署名。
这一点在一个方向上关系到诚实：它是朗读，不是自然对话。念小说的人比两个人吵架时咬字更清楚，所以这里听到的连读落在偏弱的一端。如果在这个语料里某处接缝就几乎没有下沉，那么日常快说时只会更紧。