日本語の音声体系
日本語の音声には、他の言語にはない独特の特徴がいくつもある。本稿では「外国語としての日本語」という視点から、日本語の音声体系を拍・アクセント・プロソディ・調音の各側面から概観する。
拍（モーラ）: 日本語のリズムを支える単位
日本語の音声を特徴づける最も基本的な単位が「拍」（モーラ）である。拍とは、日本語話者にとって長さがほぼ等しいと認識される音韻的な時間単位のことだ。子どもの遊び「グリコ」で一歩ずつ手をたたくリズムに、この拍感覚が如実に現れている。
拍を数える基本原則は「仮名1文字＝1拍」である。ただし例外がいくつかある。拗音（「ちゃ」「しゅ」「きょ」など）は仮名2文字で1拍として数える。また特殊拍として長音「ー」、促音「ッ」、撥音「ン」はそれぞれ独立した1拍である。「びょういん」は「び・ょう・い・ん」で4拍、「きっぷ」は「き・っ・ぷ」で3拍、「アンパンマン」は「ア・ン・パ・ン・マ・ン」で6拍となる。
日本語学習者にとって特殊拍は習得が難しく、撥音や長音を落としてしまう傾向がある。「こんにちは」が「こにちは」に、「りょこう」が「りよこ」になるといった誤りは典型的だ。
拍と音節の違い
拍と似て非なる概念に「音節（シラブル）」がある。音節は聞こえのまとまりを表す単位であり、特殊拍は先行する子音や母音と結びついて1つの音節を形成する。軽音節はCV（子音＋母音）やV（母音のみ）の構造をとり、重音節はCVC（子音＋母音＋子音）やCVV（子音＋母音＋母音）の構造をとる。
「アンパンマン」を例にすると、拍で数えれば「ア・ン・パ・ン・マ・ン」の6拍だが、音節で数えれば「アン・パン・マン」の3音節になる。「こうつうあんぜん」も拍では8拍だが音節では4音節だ。
この差異は、日本語母語話者が外国語を聞き取る際にも影響する。英語の「McDonald's」を「マクドナルド」として聞き取ってしまうのは、日本語の拍感覚で音を処理するためである。
フット: 流暢さのためのリズム単位
初学者には拍を意識させることが重要だが、日本語らしい流暢さを養成するには「フット」というリズム単位が有効だとされている。フットは基本的に2拍を1まとまりとする韻律単位で、優先順位に従って構成される。まずCV＋特殊拍（重音節）が2拍フットとなり、次に隣り合う仮名2文字が2拍フットを形成し、余った拍は半フットとなる。「おはようございます」をフットで区切ると「おは・よう・ござ・いま・す」となり、リズムは「タン・タン・タ・タン・タン」のようになる。
アクセント: 高低で意味を区別する仕組み
日本語のアクセントは英語のような強弱アクセントではなく、音の高低で区別する「ピッチアクセント」である。いくつかの重要な特徴がある。第一に、アクセントは拍単位で配置される。第二に、1拍目と2拍目は必ず高さが異なるという「初頭制約」がある。第三に、「高い→低い」の下がり目（アクセント核）が単語ごとに社会的習慣として決まっており、一度下がったら二度と上昇しない。
アクセント核の位置によって4つの基本型に分類される。頭高型は1拍目の後にアクセント核があり、「ジショ」「トイレ」などが該当する。中高型は語の中間部分にアクセント核があり、「アナタ」「日本」が例として挙げられる。尾高型は語の最後の拍にアクセント核があり、「花（はな）」「ナカマ」がこれにあたる。平板型はアクセント核がなく下がり目が存在しないもので、「鼻（はな）」「ワタシ」「ダイガク」などがこのパターンをとる。
アクセントには弁別機能もある。「アメ（飴）」と「アメ（雨）」、「ハナ（花）」と「ハナ（鼻）」のように、アクセントの違いが意味の区別に直結する場合がある。なお現代日本語では「彼氏」「サーファー」「図書館」など多くの語彙で平板化が進行する傾向がある。
東京式と京阪式
アクセント体系には地域差もある。東京式アクセントでは1拍目と2拍目の高さが必ず異なるが、京阪式アクセントでは1拍目と2拍目が同じ高さをとることもある。また一型アクセント（アクセントによる語の弁別がない体系）を持つ地域も存在する。
プロソディ: 5つの要素が織りなす韻律
プロソディとは語や文を超えた音声の特徴であり、5つの要素から構成される。
第一はアクセントの下がり目で、単語レベルでの高低変化パターンである。第二は拍の長さとリズムで、等時性を持つ拍のリズム感やフットによる韻律構造がこれにあたる。
第三はプロミネンスで、最も伝えたい部分を声の高さや大きさで際立たせることをいう。「先週 帯屋町で 友人と 映画を見た」という文で、どの部分を強調するかによって時間・場所・相手・行為のいずれに焦点を置くかが変わる。
第四はイントネーションで、文全体に現れる音調の変化である。「山田さんです。」と下降調で言えば断言となり、「山田さんですか。」と上昇調で言えば疑問や確認を表す。イントネーションの形は固定的ではなく、単語のアクセント、文構造、発話意図などによって決まる。
第五はポーズ（休止）の位置で、文の区切りや意味のまとまりを示す無音部分の配置である。「彼は泣きながら走り去る友人を見送った」という曖昧文は、ポーズの位置によって「泣いているのは彼なのか友人なのか」の解釈が変わる典型例である。
調音の3つの基準: 音を分析する枠組み
日本語学習者の発音を分析するには、音がどのように作られるかを理解する必要がある。音の違いは調音点（どこで息を止めるか）、調音法（どのように息を妨害するか）、声帯振動の有無（声帯が震えるかどうか）の3つの基準で特定できる。
調音点には両唇（マ・バ・パ行の子音）、歯茎（サ・タ・ナ・ラ行の子音）、歯茎硬口蓋（シ・チ・ジの子音）、硬口蓋（ヒ・ニの子音）、軟口蓋（カ・ガ行の子音）、声門（ハ・ヘ・ホの子音）がある。
調音法には鼻音（マ・ナ行: 閉鎖しつつ鼻から息を通す）、破裂音（カ・ガ・タ・ダ・パ・バ行: 完全閉鎖から急激に開放）、摩擦音（サ・ザ・ハ行: 狭い隙間を通す）、破擦音（ツ・チ: 閉鎖と摩擦の組み合わせ）、弾き音（ラ行: 舌先で歯茎を軽く弾く）、接近音（ヤ行・ワ行: 母音に近い）がある。
声帯振動については、のどに手を当てて発音することで有声音（濁音、マ・ナ・ラ行、ん）と無声音（清音、半濁音）を体感的に確認できる。
この枠組みを使えば、学習者の発音エラーを体系的に説明できる。「みっちゅ（正: みっつ）」は調音点が歯茎から歯茎硬口蓋にずれたエラー、「はたダきます（正: はたらきます）」は弾き音が破裂音に置き換わった調音法のエラー、「たいがく（正: だいがく）」は有声・無声が逆転した声帯振動のエラーである。
日本語の5母音
日本語には5つの基本母音がある。ア[a]は中央・低母音、イ[i]は前舌・高母音、ウ[ɯ]は後舌・高母音、エ[e]は前舌・中母音、オ[o]は後舌・中母音である。注目すべきは、ウが非円唇母音であることだ。多くの言語では後舌高母音は唇を丸めて発音するが、日本語のウは唇を丸めない。一方、オは日本語で唯一の円唇母音である。赤ちゃんが最初に発する「ママ」「パパ」「マンマ」がすべて両唇音であるのは、最も調音しやすい音が最初に習得されるためであり、学習者指導でも調音の難易度を考慮する必要がある。