咬唇，还是不咬 两个音都在嘴唇上，区别只有一件事：下唇有没有碰到上齿。碰了是 v（有摩擦），没碰是 w（没有摩擦）。这一条差别在听感上很小，在口型上很大。
两句话讲完
先定唇齿关系，再定有没有摩擦。
/v/ · 下唇轻贴上齿，有摩擦
上齿轻搭在下唇内侧，气流从上齿与下唇的窄缝挤出，产生持续的摩擦声。声带同时振动 —— 把手放在喉部能感到麻。摩擦和嗓音要同时存在。
/w/ · 双唇收圆，没有摩擦
双唇收圆前突，像准备吹口哨，然后迅速滑向后面的元音。嘴唇不接触牙齿，气流完全不受阻，所以没有任何摩擦声。它是滑音，不是擦音。
自检：手电筒照一下
对着镜子发 v，应该能看到下唇被上齿轻轻压住、有一点点变形。发 w 时嘴唇是圆的、牙齿看不到。这个检查比听录音更可靠。
发音动作（侧剖面）
只画一个发音人、一个瞬间的舌位与唇形。褐色圆圈是「该看哪儿」，图下的文字说明它和另一个音差在哪里。
拼写对应：拼写很清楚，发音不清楚
v 只写 v，w 只写 w —— 这两个音在拼写上几乎不会出错。问题全在发音：中文母语者会用 w 顶替 v。
英语里 v 的拼写非常稳定。少数例外是 of（读 /əv/）和 Stephen（读 /ˈstiːvən/）。
w 只出现在元音前。写在辅音前的 w（write、wrong）不发音。
英格兰和美国大部分口音已经把 wh 并入 /w/。只有苏格兰、爱尔兰部分口音还保留清音 /ʍ/，那里 which 与 witch 不同音。
qu 读 /kw/：一个 k 加一个 w，两个音都要发出来，不要读成单独的 /k/。
/v/ 只在这几个高频词里写作 f、ph 或 u。数量极少，按词记就行。
为什么会混
如果你的母语里没有 v，它会自动被换成最接近的音。
用 /w/ 替代 /v/
这是最常见的一条。母语里没有唇齿浊擦音时，大脑会挑一个「在嘴唇附近、有声」的音顶上，w 正好符合。
在印度英语、部分非洲英语里，这种替代已经固化成变体；但作为学习者，v 与 w 的对立是必须建立的，因为 vine 与 wine 是两个词。
用 /f/ 替代 /v/
f 与 v 口型完全相同，只差声带振不振。汉语拼音只有 f 没有 v，于是「咬唇」这个动作被记住了，但「声带要响」被漏掉了。
自检：捏住鼻子发 v，声音不受影响（气流走口腔）；如果发出来像 n，说明你在用鼻腔。
把 /w/ 读成 /v/
反方向的过度修正：学会了 v 之后，把每个 w 也咬上了唇。w 的关键是嘴唇圆而不碰牙。
德语母语者容易走这条路，因为德语 w 的读音就是英语的 v。
词尾 /v/ 清化成 /f/
很多语言词尾只允许清辅音。英语允许词尾浊音，leave 与 leaf 是两个不同的词。
对比本页的 leave、wave：词尾 v 要拖出一点浊音，不要一收就断。
词表
按目标音在词里的位置分组，共 27 个词，点词即听。这些词是单独录的，不是从上面那些句子里切出来的 —— 切出来的词带着前后邻音，听起来永远比孤立词含糊。同一组用同一个发音人，所以听到的差别来自位置，不是嗓门。
词首9
词中9
词尾9
词尾组九个词全是 v：/w/ 不出现在词尾。英语里没有以 w 收尾的词，所以这一组给不出 w 的例子。顺带一提，now、how 结尾那个音不是 /w/，是双元音 /aʊ/ 的后半段。
语料与声学测量
点击句中的任意单词可从该词开始播放；波形上方的浅黄区域是目标词的实测边界。
逐条数据
下表所有数值均由音频直接测量得出，非人工标注。
| 语料 | 口音 | 性别 | 目标词 | 词长 | v / w 时长 | 基频 | 音高幅度 | 谐噪比 |
|---|
数据是怎么来的
这一节说明每个数字的计算方式，便于复核。
语料：12 条英文句子，由语音合成引擎按 4 个美音音色（两男两女）生成，每句含一个以 /v/ 或 /w/ 开头的目标词。音频统一转为 22.05kHz 单声道 64kbps，每段截取目标词前 1.2 秒至后 1.5 秒。
词边界：取自合成引擎输出的词级时间戳（WordBoundary），并针对引擎时间轴与音频起始之间的固定偏移做了校正（逐条单独估计）。目标词在波形上以浅黄色区域标出。
音素边界：用 MMS_FA 声学模型做强制对齐得到的实测边界。做法是保留该句每个字符的对齐帧区间，用动态规划把字符序列映射到音素序列（th→θ、ng→ŋ、ck→k 这类多字一音），音素边界落在字界之间的过渡中央，词内覆盖率为 100%。时间精度是模型帧长 20 毫秒；音素边界取相邻字界的中点，所以实际分辨率约 10 毫秒。
这一条在 2026-10-19 改过一次：旧做法是查 CMU 词典拿到音素序列后，按经验时长权重在词内摊分 —— 那个做法测出来的其实是词长，不是音素长度。换成长短语料时它直接把 /u/ 与 /ʊ/ 的长短顺序测反了，于是整条链路改成了声学对齐。
基频：用 Praat 的自相关算法（to_pitch）逐帧计算，帧移 10 毫秒，搜索范围按整句估出的说话人音域自适应收缩，并剔除倍频误判。表中「音高幅度」是词内基频最大值减最小值。
为什么两个音时长接近：v 是擦音、w 是滑音，理论上时长结构不同；但在词首位置、后面接同一个元音时，两者的起止边界非常接近。这意味着光看时长分不出来 —— v 与 w 的区别在频谱上（v 有高频摩擦噪声，w 没有），不在时长上。