中検やHSKのリスニングセクションにおいて、受験者の正答率を急激に押し下げる最大の難関が「四（sì）」と「十（shí）」の識別です。ネイティブスピーカーが早口で読み上げるアナウンスや市場のやり取りの中で、この二つの単語は多くの日本人にとって「まったく同じ音」に聞こえてしまいます。
この現象の背景には、日本語の音素体系と中国語の調音メカニズムの決定的な乖離が存在します。音響音声学の観点から両者を分解すると、違いは以下の2点に集約されます。
第一に、子音の調音点と調音法の違いです。「四」の子音「s」は舌歯音（無気摩擦音）であり、舌先を上の前歯の裏側に軽く近づけ、隙間から鋭く息を擦り出して発音します。日本語の「ス」に近いクリアで平坦な摩擦音です。これに対して「十」の子音「sh」はそり舌音（舌尖後摩擦音）であり、舌先を硬口蓋（上あごの硬い部分）に向けて持ち上げ、舌の裏側と上あごの狭い隙間に息を響かせる、ややこもった重い摩擦音になります。
第二に、声調（トーン）の軌跡です。実は、子音の聞き分け以上に重要なのがピッチカーブの知覚です。
- 四（sì）：第4声（全降調 51） ── 音の高さの最高点から急激に崖から突き落とすように短く鋭く発音する。
- 十（shí）：第2声（高昇調 35） ── 中音域から驚いたときのように一気に高音域へと引き上げる。
日本語話者の脳は、言語を処理する際に「母音と子音の組み合わせ」を優先的に知覚する傾向が強く、音のピッチ（高低変化）を母音情報と同等に捉える訓練を受けていません。そのため、子音の「s」と「sh」の微小な周波数差だけに意識が集中し、肝心要である「声調の上下動」を処理しきれずにフリーズしてしまうのです。中国の伝統的な早口言葉「四是四，十是十，十四是十四，四十是四十」が語学訓練の定番とされているのも、調音運動と声調コントロールの精密な分離がネイティブにとっても高度な技術であることを物語っています。
