1701553810
音乐是一个谜。在喜剧《无事生非》（Much Ado About Nothing）中，班纳狄克问道：“羊的内脏会将灵魂从男人身体中强拖出来，这难道不奇怪吗？”在所有文化中，某种节奏的声音会给听者传递强烈的快感和发自内心的情感。将时间花费在这种充满叮咚噪声的物什上，或是明明没有人死去却心怀感伤，这有什么好处呢？许多人认为，音乐能凝聚社会群体，协调行动，强化仪式，释放压力，但他们只是将音乐这个谜传递了下去，并没有解释它。为什么有节奏的声音能凝聚群体，消除压力？就生物学意义上的因果关系而言，音乐是没用的。它没有表现出任何征兆说明其设计是为了获得某个目标，比如寿命延长、子孙增多或者对世界准确的感知和预测。相较于语言、视觉、社会推理和实际生活技巧，音乐完全可以从我们这个物种中消失，而我们其余的生活方式几乎不会因此有任何变化。音乐似乎纯粹是一种用于享乐的技术，一个放满娱乐性药物的什锦拼盘，我们通过耳朵摄入，并即刻刺激到大量的愉悦回路。
1701553811
1701553812
“音乐是一种通用语言。”俗话这样说，但这是误导。20世纪60年代，乔治·哈里森（George Harrison）将印度拉格音乐改编成嘻哈音乐后，任何经历过那种狂热的人都会理解，音乐风格是因不同文化而各异的，而人们最喜欢的是他们成长过程中熟悉的风格。哈里森在孟加拉国举行的演唱会上，当听众为拉维·香卡（Ravi Shankar）演奏自己的锡塔琴而热烈鼓掌时，哈里森感到羞愧不已。音乐的复杂性也因人、文化和历史阶段而异，这种差异程度连语言也是不及的。所有神经正常的孩子都会自发地讲出并理解复杂的语言，而话语的复杂性在不同文化和时期的差异都很少。比较而言，尽管所有人都喜欢听音乐，但许多人唱歌跑调，能够学会一种乐器的人更少，而那些会演奏乐器的人则需要明确的培训指导和大量的练习。而对音乐的复杂性，不同的风格在不同的时间、文化和亚文化中的差异更大。音乐传递的是看不见摸不着的情感，别无他物，即使像“男孩遇见女孩，男孩失去女孩”这样简单的情节都无法用任何音乐风格中的一组音调来叙述。所有这些都说明，音乐和语言大不相同，它是一种技术，而非一种适应。
1701553813
1701553814
但音乐与语言之间也有一些相似之处。我们将看到，音乐可以借用一些供语言使用的心理软件。另外，正如世界上的语言都遵循着一种抽象的通用语法，世界上的音乐风格也都遵循着一种抽象的通用音乐语法。首先，酝酿这种观点的是作曲家和指挥家伦纳德·伯恩斯坦（Leonard Bernstein），他在《未回答的问题》（The Unanswered Question）一书中充满热情地试图将诺姆·乔姆斯基的观点应用到音乐中。对于通用音乐语法，内容最丰富的理论由雷·杰肯多夫（Ray Jackendoff）提出，他与音乐理论家弗雷德·勒代尔（Fred Lerdahl）合作，综合了在他们之前的许多音乐学家（其中最著名的是海里因希·申克的观点）。根据这个理论，音乐是由现有的音符和一套规则制造而成的。这套规则将音符组合成一个序列，将它们组合为三级层次结构，所有结构都叠加在相同的音符串上。要理解一首曲子，就要在我们听它时将这些心理结构组合起来。
1701553815
1701553816
一种音乐风格的构建组件是其现有的音符——大致说，就是一件乐器被设计可以发出的不同声音，所演奏和听到的这些音符被当作是有着开始和结束以及目标音高或音色的各自分立的事件。这将音乐与其他大多数声音流区分开来，这些声音流连续地滑上滑下，比如呼啸的风、机器的轰鸣或是演讲的抑扬之声。音符的差异在于听者感觉到的稳定度。其中一些会给人一种终结或确定的感觉，适合于作曲的结尾。另一些则感觉不稳定，当演奏这些音符时，听者会感觉到一种紧张感，直到曲子回归到更稳定度的音符时这种紧张感才会消除。在有些音乐风格中，音符是有着不同音质（音色或质量）的鼓点声。而在另一些音乐风格中，音符则是从高到低的音高排列，但音程位置并不精确。但在许多音乐风格中，音符是有着固定音高的调子，被冠名以“哆、来、咪……”或者“C、D、E……”。音高在音乐上的显著性无法以绝对的术语来界定，而只能通过音高的音程和一个参考音高界定，这个参考音高通常是这组音符中最稳定的一个。
1701553817
1701553818
人对音高的感觉是由声音振动的频率决定的。在大多数有调音乐形式中，现有的音符与振动频率直接相关。当一个物体被设置进入一种持续的振动中时（弦被拨动、中空的物体被击打、一股空气在回响），这个物体立刻就会以几种频率振动。最低的往往也是声音最大的频率——基础频率，一般确定了我们所听到的音高，但这个物体也在以两倍于基础频率（但通常强度没那么大），三倍于基础频率（强度更小），四倍于基础频率（强度尤其小）等频率振动。这些振动被称为谐波或泛音。它们感知起来并不像与基础音有明显区别的音高，但当它们合在一起演奏时，就赋予了一个音符的饱满度和音质。
1701553819
1701553820
不过现在想象一下，分解一个复杂的音调并以同样的音量分开演奏每一个泛音。比方说，基础频率是每秒64次振动钢琴上中央C下面的第二个C。第一个泛音是以每秒128次周期的振动，两倍于基础频率。演奏这个音本身，听起来要比基础音更高，虽然音高是相同的；在钢琴上，它对应于沿着键盘往下的下一个C，即中央C下的那个C。两个音符的音程被称作八度音阶，所有的人——确切地说，是所有的哺乳动物对有着同样质地音高但隔着一个八度的音调都会感觉出不同。第二个泛音振动至三倍于基础频率，每秒192次，对应于中央C下的G；两个音高的音程被称作全阶第五音。第三个泛音，四倍于基础频率（每秒256次振动），是中央C上面的两个八度。第四个泛音，五倍于基础频率（每秒320次振动），是中央C上面的E，由一个被称为大调第三音的音程分开。
1701553821
1701553822
这三个音高是西方音乐和许多其他风格音乐的核心音高。在我们的例子中，最低最稳定的音符C，被称作主音。绝大多数旋律一般会回归到它并以它为结束，从而给予听者一种和谐感。全阶第五音，或称G音符被称为优势音，旋律一般会趋向于它，并在旋律的中间时点那里稍作停留。大调第三音，或称E音符，在许多情况下（但不是所有的），给予一种明亮、愉悦或欢快的感觉。例如，比尔·哈雷（Bill Haley）的《昼夜摇滚》（Rock Around the Clock）以主音开始（“One o’clock, two o’clock, three o’clock, rock”<一点钟、两点钟、三点钟，摇滚>），继续进入到大调第三音（“Four o’clock，five o’clock, six o’clock, rock”<四点钟、五点钟、六点钟，摇滚>），再到优势音（“Seven o’clock, eight o’clock, nine o’clock, rock”<七点钟、八点钟、九点钟，摇滚>），并在那儿停留几个节拍，然后开始进入主旋律，每段旋律都以主音为结束。
1701553823
1701553824
更复杂音高的填充是靠在主音和优势音上添加音符，常常在音高上对应一个复杂振动越来越高（而且越来越柔和）的泛音。我们参考音符的第七泛音（每秒448次振动）接近于中央A（但由于一些复杂的原因，并不确切是这个音）。第九音（每秒576次振动）是中央C上面八度的D。将这五个音高一起放在相同的八度，你就得到了五主音或五声音阶，这在全世界的各个音乐体系中都很普遍。至少，这是对音阶从何而来的一个流行解释，尽管并不是所有人都同意这个观点。再加上上下两个不同泛音的音高（F和B），你就得到了七主音或自然音阶，它组成了所有西方音乐的核心，从莫扎特到民谣歌曲，到朋克摇滚，再到绝大多数爵士乐。再加上额外的泛音，你就得到了半音音阶——钢琴上所有的黑白键。即使对于门外汉不可理解的20世纪深奥的艺术音乐，一般也会坚持使用半音音阶的音符，而不是使用任意频率的组合。除了绝大多数音符“想要”回归主音（C）之外，音符之间还有其他一些张力态势。例如，在许多音乐情境下，B想要到C上面，F想要被拖向E, A则想要到G那儿去。
1701553825
1701553826
现有的音高可能还包含一些音符，可以增添一种情感色彩。在C大调音阶中，如果E的音高被降低半调降到E大调，形成了相对于C的一个音程被称为小调第三音，那么与它对应的大调相比较而言，就会引发出一种悲哀、痛苦或感伤的情感。小调第七音是另一个“忧伤音符”，它会引发一种淡淡的忧郁或悲切感。其他的音程传递出的感情曾被描述为坚韧、向往、渴求、端庄、不和谐、胜利、恐怖、有缺陷和坚定。当音符被作为一首旋律的部分连续奏出，或者作为和弦或和声的部分同时演奏时，都会引发这些情感。音乐音程的情感内涵并不一定是普遍一致的，因为人们需要熟悉一种音乐风格才能体会到它们，但它们也不是随便选择的。4个月大的婴儿更喜欢有协和音程的音乐，如大调第三音，而不太喜欢有着像小调第二音这样不协和音程的音乐。要想学习具有更为复杂的情感色彩的音乐，人们不需要被巴甫洛夫式地条件化，也就是说，无须凭借听有着欢快或忧伤歌词的音乐音程，或者在有欢快或忧伤情绪时听这些音乐音程。一个人只须多听某种音乐风格的旋律，吸收其音乐模式，对各个音程进行对比，这样情感内涵自然而然就能培养发展出来。
1701553827
1701553828
这些是音高，而它们又是如何串成旋律的呢？杰肯多夫和勒代尔说明了旋律是如何由几组音高组成的，这些音高又是以三种不同的方式同时组织在一起的，每种组织模式都由一个心理表征所记录。以伍迪·格思里（Woody Guthrie）的《这片土地是你的土地》（This Land Is Your Land）开篇为例：
1701553829
1701553830
This land is your land；this land is my land, from Ca-li-for-nia, to the New York Island.
1701553831
1701553832
（这片土地是你的土地，这片土地是我的土地，从加利福尼亚到纽约岛）
1701553833
1701553834
1701553835
1701553836
1701553837
第一个表征被称为一个分组结构。听者会感觉到几组音符聚在一起构成基调模式，基调模式接下来又组成乐句，乐句又组成行或节，行或节再组成章节、乐章和曲篇。这种树形层次类似于一个句子的词组结构，当音乐有歌词时，二者部分地重合在一起。这种分组结构在这里用音乐曲谱下的括号来表示。旋律中“This land is your land”和“this land is my land”的旋律部分，是这个结构里长度最短小的群组。当它们组合在一起时，就形成了一个更大的组块。这个更大的组块与综合组块“from California to the New York Island”联合在一起构成一个还要大的组块，以此类推。
1701553838
1701553839
第二个表征是一个韵律结构，我们报数为“一-二-三-四，一-二-三-四”的强弱节奏的重复序列。整个模式用音乐符号归纳起来作为拍子，如4/4，结构本身的主要边界由竖线来划定，将乐曲分为小节。每小节包含四拍，在不同的音符之间分配，第一拍最强，第三拍中强，第二拍和第四拍都保持弱。本例中的韵律结构由音符下的点行来表示。每一行对应节拍器的一次滴答者。一行中的点越多，那个音符的重音就越强。
1701553840
1701553841
第三个表征是一个简式结构。它将旋律分解为基本部分和装饰。装饰剥离后，基本部分被进一步分解为更加基本的部分和对它们的装饰。这种简约持续下去直到旋律被约减成少数一些显著音符的光秃秃的架构。下面就是《这片土地是你的土地》一曲首先被归结为一半的主音，然后到四个主音，再到只剩两个主音。
1701553842
1701553843
1701553844
1701553845
1701553846
整个段落基本上就是从C到B的一种花哨方式。我们在节奏吉他的和弦中可以听到一首旋律的简式结构。此外，乐队为踢踏舞者伴奏时，在结束时间会演奏一段章节，其中在本来留给整行曲子的位置击打同一个音符，从而使踢踏声更容易被听到，这也是我们听过的简式结构。当我们听出古典音乐或爵士乐中一首曲子的变调时，我们会感受到简式结构。旋律的架构被保留下来，而装饰部分则因不同的变奏而异。
1701553847
1701553848
杰肯多夫和勒代尔提出，实际上有两种方式可以将旋律分解为越来越简化的架构。我已经给你看了第一种方式，时间跨度的简约，它与分组和旋律结构一起，将一些音组和节奏指定为另一些音组和节奏的装饰部分。杰肯多夫和勒代尔将第二种方式称为延长简约。它记录了音流穿过音节的感觉，在整个曲子的演奏过程中越来越长的章节里所积聚和释放的张力感，以及在曲终时最大程度平和栖息感的汇集。当旋律从较稳定的音符离开到较不稳定的音符时，紧张感集聚起来；当旋律回归稳定音符时，紧张感得到释放。紧张和释放的轮廓还可以被概括界定为从不协和和弦到协和和弦的变化，从非重音音符到重音音符的变化，从较高音到较低音的变化，以及从延长音到非延长音的变化等。
1701553849
1701553850
音乐学家德里克·库克（Deryck Cooke）提出了一个延长简约的情感语义学理论。他解释了音乐是如何通过在不稳定和稳定音程间的转换而传达紧张和释然感，以及通过在大调和小调音程间的转换传递欢快和悲伤的感觉。他说，仅由四五个音符的简单模式就可以传递出像“纯粹、神圣的欢乐”“恶魔般的恐怖”“持续的、令人快乐的渴望”和“极度苦恼的发作”这样的感受。较长的延伸以及模式中套模式的乐段，可以传达复杂细致的情感基调。正如库克所分析的，一个乐段表达出了“痛苦情绪的激烈迸发感，它没有进一步抗争，而是退而接受认可——一种悲痛的起起落落。既不是完全抗争也非完全接受，它有一种焦躁不安的悲哀效果”。库克用几个有着一致诠释力的例子来支持他的分析，许多曲子配有歌词，这提供了额外的证据。一些音乐学家对库克的理论嗤之以鼻，给他的每一种论断都找到了反例。但这些例外一般都来自精美的古典音乐，它们运用间插交错、嵌入式和含糊暧昧的乐行来挑战听者对曲子的简单期待，它们针对的是老练、富有经验的听者。库克的独特分析或许还有待探讨，但他认为音程模式和情感模式之间存在合理联系这一观点显然是正确的。
1701553851
1701553852
这就是音乐的基本设计。但如果音乐没有赋予任何生存优势，那它来自何方，又为什么起作用呢？我怀疑音乐就是块听觉乳酪蛋糕——一种精致的点心用来搔动我们至少6个心理官能的敏感之处。一首标准的曲子能够同时触及这6处，但我们可以从各种不那么正宗的音乐中分别看到这些成分，因为这些音乐或许会将一个或几个成分遗漏在外。
1701553853
1701553854
1.语言。我们可以给音乐填词，当一个懒惰的词作者将重音音节和非重音音符或是反过来非重音音节和重音音符排在一起时，我们会唯恐避之不及。这说明，音乐从语言那里借了一些心理设备——具体而言，就是从语调节律扩展至许多音节的声音轮廓。强弱节奏的韵律结构、音高起落的音调轮廓，还有乐句套乐句的层次分组，所有这些在语言和音乐中都以相似的方式发挥着作用。这种类似之处或许解释了这一直觉：一首乐曲传达出一种复杂的信息，它通过引入主题并予以置评做出论断以及它会强调某些部分而对另一些部分浅吟低语。音乐被称为是“效果更强的演讲”，它确实可以被归入演讲。一些歌手不经意间表演成“根据音高来讲话”，而不是和着旋律，比如鲍勃·迪伦、娄·里德（Lou Reed）和《窈窕淑女》（My Fair Lady）中的雷克斯·哈里森（Rex Harrison）。他们听起来像介乎于活生生、滔滔不绝的话唠和音盲跑调歌手之间的状态。说唱音乐、传教士们响亮干脆的演讲，还有诗歌也是其中介形式。
1701553855
1701553856
2.听觉场景分析。就像眼睛收到一堆混杂的马赛克碎片，必须将平面从它们混乱的背景中分离出来一样，耳朵也会收到一堆混乱的杂音频率，必须将出自不同来源的音流分离开来——交响乐团中的独奏者、嘈杂房间里的一个说话声、鸟鸣啁啾的森林中一只动物的叫声、叶子沙沙作响中的呼啸风声。听觉感知是反向声学：输入的是声波，输出的是发出它的声音制造者的具体描述。心理学家阿尔伯特·布莱格曼（Albert Bregman）提出了听觉场景分析的原则，并且表明大脑是如何将旋律中的音符串在一起的，就像这支旋律是来自唯一一个声音发出者的音流一样。
1701553857
1701553858
大脑识别声音发出者的一个窍门是，注意和音关系。内耳将“嘟嘟”声分解为它的组成频率，然后大脑将其中一些部分又黏合起来，并将它们感知为一个复杂的音调。具有和音关系的组成部分——其中一部分是一个频率，另一个部分双倍于那个频率，还有一个部分三倍于那个频率，以此类推。它们被组合在一起，感知起来就像单一的音调，而不是分开的音调。大脑很可能就是这样把它们黏合在一起的，并促使我们对声音的感知可以反映现实。根据大脑的猜测，在和音关系中同时发出的声音，大概就是源自外部世界的一个声音发出者的单一声音的泛音。这个推测很合理，因为许多谐振器，比如被拨动的弦、被击打的中空物体，还有叫唤的动物，都会发出由许多和音泛音组成的声音。
1701553859