言葉の起源

話し言葉の起源は言語の起源とは異なります。なぜなら、言語は必ずしも話されるものではなく、書かれたり、手話で表現されることもあるからです。話し言葉は人間のコミュニケーションの基本的な側面であり、人間の日常生活において重要な役割を果たしています。話し言葉によって思考、感情、アイデアを伝えることができ、他者とつながり、集合的な現実を形作る能力が得られます。^{[1] [2]}

人間に言語がどのようにして生まれたのかを科学的に説明しようと多くの試みがなされてきたが、現在まで合意に達した理論はない。

人間以外の霊長類は、他の多くの動物と同様に、社会的コミュニケーションを目的として音を出すための特殊なメカニズムを発達させてきました。^[3]一方、サルや類人猿はそのような目的で舌を使用しません。^{[4] [5]}人間が舌、唇、その他の可動部分を前例のないほど使用していることから、発話はまったく別のカテゴリーに位置付けられているようで、その進化的出現は多くの学者にとって興味深い理論的課題となっています。^[6]

モダリティという用語は、情報を符号化して伝達するために選択された表現形式を意味します。言語の顕著な特徴は、モダリティに依存しないことです。障害のある子供が聞くことや音を出すことを妨げられた場合、言語を習得する生来の能力は、手話で同様に表現される可能性があります。聴覚障害者の手話は独自に発明され、伝達のモダリティを除いて、音声言語の主要な特性をすべて備えています。^{[7] [8] [9] [10]}このことから、人間の脳の言語中枢は、選択されたモダリティに関係なく最適に機能するように進化したに違いないと思われます。

「様相特有の入力からの分離は、神経組織の大きな変化を表している可能性があり、模倣だけでなくコミュニケーションにも影響を及ぼします。人間だけが、1つの様相（例えば、聴覚）を失い、別の様相（例えば、手話）で完全な能力をもってコミュニケーションすることでこの欠陥を補うことができます。」

— マーク・ハウザー、ノーム・チョムスキー、W・テカムセ・フィッチ、2002年。「言語能力：それは何なのか、誰がそれを持っているのか、そしてそれはどのように進化したのか？」^[11]

動物のコミュニケーション システムでは、視覚的特性と聴覚的特性および効果を日常的に組み合わせていますが、どれも様式に依存しません。たとえば、発声障害のあるクジラ、イルカ、鳴鳥は、視覚的な表示で歌のレパートリーを同じように表現することはできません。実際、動物のコミュニケーションの場合、メッセージと様式を切り離すことはできません。伝えられるメッセージが何であれ、それは信号の固有の特性から生じます。

モダリティの独立性を、マルチモダリティという通常の現象と混同してはならない。サルや類人猿は、種特有の「ジェスチャーコール」のレパートリーに依存している。これは、それに伴う視覚的表示と切り離せない感情表現の発声である。 ^{[12] [13]}人間にも、種特有のジェスチャーコール（笑う、泣く、すすり泣くなど）があり、さらに、発話に伴う不随意なジェスチャーがある。^{[14] [ 15] [16]}多くの動物の表示は、それぞれが複数のチャネルを同時に利用するように設計されているように見える点で、ポリモダリティである。

人間の言語特性であるモダリティ独立性は、概念的にはポリモダリティとは異なる。これにより、話者はメッセージの情報内容を単一のチャネルにエンコードし、必要に応じてチャネルを切り替えることができる。現代の都市生活者は、話し言葉と、手書き、タイピング、電子メールなどのさまざまな形式の書き込みを楽々と切り替えている。どのモダリティを選択しても、外部からの支援なしにメッセージの全内容を確実に伝達できる。たとえば電話で話す場合、話し手にとってどれほど自然であっても、それに伴う顔や手のジェスチャーは厳密には必要ではない。逆に、タイピングや手話の場合には、音を加える必要はない。多くのオーストラリア先住民文化では、人口の一部（おそらく儀式上のタブーを守っている女性）が伝統的に、長期間、沈黙（手話）バージョンの言語に限定されている。^[17]その後、タブーから解放されると、これらの同じ個人は、情報内容を犠牲にすることなく純粋な音に切り替え、炉端や暗闇で物語を語るのを再開する。

話すことは、あらゆる文化において言語のデフォルトの形式です。人間が最初に頼るのは、自分の考えを音で表現することです。これは、唇、舌、その他の発声器官の構成要素を制御する高度な能力に依存する方法です。

発声器官は、最初は発声のためではなく、摂食や呼吸などのより基本的な身体機能のために進化した。非ヒト霊長類は、概ね同様の器官を持っているが、神経制御は異なる。^[6]非ヒト類人猿は、非常に柔軟で操作しやすい舌を食べるために使うが、発声には使わない。類人猿が食べていないときは、舌の微細運動制御は停止している。^{[4] [5]} 類人猿は、舌で体操をしているか、発声しているかのどちらかであり、両方の活動を同時に行うことはできない。これは哺乳類全般に当てはまるため、ホモ・サピエンスは、呼吸と摂取のために設計されたメカニズムを、明瞭な発声という根本的に異なる要件に利用している点で例外的である。^[18]

人類の進化、より具体的には更新世の沿岸進化^[19]に関する最近の知見は、人間の言語がどのように進化したかを理解するのに役立つかもしれない。議論の余地のある1つの説は、話し言葉に対する特定の前適応は、祖先人類が脂肪酸やその他の脳特有の栄養素が豊富な川岸や湖岸近くに住んでいた時代に進化したというものである。時折水の中を歩いたり泳いだりすることで、呼吸のコントロール（息止めダイビング）が強化された可能性もある。

独立した一連の証拠は、「古代」ホモ属がインド洋沿岸に沿って大陸間拡散し（フローレス島などの海外の島々にまで到達した）、そこで定期的に潜水して貝やザリガニなどの沿岸の食物を捕っていたことを示唆している。[20] これらは脳特有の栄養素が非常に豊富で、ホモ属の脳が肥大した理由を説明できる。[21] 魚介類を捕るために浅いところに潜るには、話し言葉の^前提条件^である随意の気道制御が必要である。貝などの魚介類は一般に噛んだり咀嚼したりする必要はなく、石器の使用と吸引摂食が必要である。この口腔装置のより細かい制御は、人間の発話、特に子音の生成に対するもう1つの生物学的な事前適応であったと言える。^[22]

「言語」という言葉は、ラテン語の「舌」を意味する lingua に由来しています。音声学者は、舌が最も重要な発音器官であり、次に唇が重要であることに同意しています。自然言語は、舌を使って考えを表現する特定の方法と見なすことができます。

人間の舌は変わった形をしている。ほとんどの哺乳類では、舌は長く平らな構造で、大部分が口の中に収まっている。舌は後部で舌骨に付着しており、口腔レベルの下方の咽頭にある。人間の舌は、ほぼ円形の矢状面（正中線）の輪郭をしており、その大部分は延長した咽頭に垂直に横たわり、下がった位置で舌骨に付着している。この結果もあって、上咽頭声道（SVT）を形成する水平管（口内）と垂直管（喉の下）の長さはほぼ同じである（一方、他の種では、垂直部分の方が短い）。人間が顎を上下に動かすと、舌は各管の断面積を独立して約 10:1 変化させ、それに応じてフォルマント周波数を変えることができる。管が直角に接合されていることにより、[i]、[u]、[a]の母音 を発音できるが、これは人間以外の霊長類ではできない。^[23]人間の場合、特に正確に行わなくても、これらの母音を区別するために必要な調音運動により、一貫した特徴的な音響結果が得られ、人間の発話音の量子的^{[明確化が必要]}性質が明らかになる。^[24] [i]、[u]、[a]が世界の言語で最も一般的な母音であることは偶然ではないかもしれない。^[25]人間の舌は他の哺乳類に比べてはるかに短く薄く、多数の筋肉で構成されており、口腔内でさまざまな音を形成するのに役立つ。人間は気道を開閉して鼻から出る空気の量を変えることができるため、発音の多様性も増している。舌と気道に関連する微細運動により、人間はさまざまな速度と強度の音を出すために、広範囲にわたる複雑な形状を作り出す能力が向上します。^[26]

人間の場合、唇は母音に加えて、破裂音や摩擦音の生成に重要である。しかし、唇がそれらの理由で進化したことを示すものは何もない。霊長類の進化の過程で、メガネザル、サル、類人猿（半鼻類）は夜行性から昼行性へと活動が移行し、嗅覚を犠牲にして視覚への依存度が高まった。その結果、鼻先が小さくなり、鼻腔または「湿った鼻」が失われた。その結果、顔と唇の筋肉の制約が減り、顔の表情の目的のためにそれらを活用することが可能になった。唇も厚くなり、その後ろに隠れた口腔は小さくなった。^[26]したがって、アン・マクラノンは、「人間の発話にとって非常に重要な、可動性があり筋肉質の唇の進化は、半鼻類の共通祖先における昼行性と視覚によるコミュニケーションの進化の拡張的結果であった」としている。^[27]人間の唇が、発話の特定の要件に合わせてより最近に適応したかどうかは不明である。

人間は非ヒト霊長類と比べて呼吸のコントロールが著しく向上しており、話しているときに吐く息を長くし、吸う息を短くすることができる。話している間、肋間筋と腹部の内側の筋肉が動員されて胸郭を広げ、肺に空気を吸い込み、続いて肺が収縮するときに空気の放出を制御する。関係する筋肉は、非ヒト霊長類よりも人間のほうが著しく神経支配が強い。 ^[28]化石人類の証拠から、脊柱管の必要な拡大、したがって脊髄の大きさはアウストラロピテクスやホモ・エレクトスでは起こらなかったが、ネアンデルタール人や初期現代人には存在していたことが示唆されている。^{[29] [30]}

喉頭または喉頭器官は、発声を司る声帯を収容する首の器官です。ヒトの喉頭は下降しており、他の霊長類よりも低い位置にあります。これは、ヒトが直立姿勢に進化したために、頭部が脊髄の真上に移動し、他の全てのものが下方に押し下げられたためです。喉頭の位置が変更されたことで、咽頭と呼ばれる長い空洞が形成され、発せられる音の範囲と明瞭度が高まりました。他の霊長類には咽頭がほとんどないため、発声力が大幅に低下しています。^[26]この点ではヒトだけが特別なわけではありません。ヤギ、イヌ、ブタ、タマリンは、大きな声を出すために一時的に喉頭を下げます。^{[31]シカのいくつかの種は、恒久的に下がった喉頭を持っており、雄は}吠えるディスプレイの際にさらに下げることがあります。^[32]ライオン、ジャガー、チーター、飼い猫も同様の発音をする。^{[33]しかし、}フィリップ・リーバーマンによれば、非ヒト動物の喉頭下降は舌骨の下降を伴わないため、舌は口腔内で水平のままとなり、咽頭調音器官としての機能を果たせなくなる。^[34]

これらすべてにもかかわらず、人間の発声器官が実際にどれほど「特別」であるかについては、学者の間で意見が分かれています。チンパンジーでは、喉頭が成長の過程である程度下降し、その後舌骨下降が続くことが示されています。^[35]これに対して、フィリップ・リーバーマンは、人間だけが舌骨下降と関連して永久的で大幅な喉頭下降を進化させ、その結果、湾曲した舌と 1:1 の比率の 2 つの管からなる発声器官が生まれたと指摘しています。^[要出典]人間の場合、喉頭蓋と口蓋帆の単純な接触がもはや不可能であり、嚥下中に哺乳類の通常の呼吸器官と消化器官の分離が妨げられます。これにはかなりのコストがかかり、食べ物を飲み込むときに窒息するリスクが増加するため、どのような利点がそれらのコストを上回る可能性があるのか​​を問わざるを得ません。明らかな利点は発声に違いないと主張する人もいますが、これに異議を唱える人もいます。反論の一つは、人間は実際には食物を喉に詰まらせる重大な危険にさらされていないということである。医学的統計によれば、この種の事故は極めて稀である。^[36]もうひとつの反論は、ほとんどの学者の見解では、私たちが知っているような言語は人類の進化の比較的後期、ホモ・サピエンスの出現とほぼ同時期に出現したということである。^[37]人間の声道の再構成のような複雑な発達にはもっと長い時間を要したはずであり、その起源はもっと古いことを示唆している。この時間スケールの不一致は、人間の発声の柔軟性が当初は言語に対する選択圧によって推進されたという考えを弱めている。

少なくとも1頭のオランウータンが声帯を制御する能力を実証している。^[38]

喉頭を下げるということは、声道の長さを長くすることであり、その結果、フォルマント周波数が低くなるため、声が「より深く」聞こえるようになり、より大きく聞こえる印象を与える。ジョン・オハラは、人間、特に男性の喉頭を下げる機能は、おそらく発話そのものよりも、威嚇の表現を強化するためであると主張した。^[39]オハラは、喉頭を下げることが発話への適応であるならば、この点では、喉頭がそれほど低くない成人女性よりも成人男性の方が適応しているはずだと指摘した。実際、女性は言語テストで常に男性よりも成績が良く、この推論全体が誤りであることが証明されている。^[要出典] ウィリアム・テカムセ・フィッチも同様に、これが人間の喉頭を下げることの元々の選択的利点であると主張している。フィッチによれば、人間の喉頭が最初に下がったことは発話とは何の関係もなかったが、可能なフォルマントパターンの範囲が広がったことは、その後発話に利用された。雄鹿に見られる喉頭の極端な下降は、大きさの誇張が唯一の機能である。大きさの誇張仮説と一致して、人間では思春期に喉頭の2度目の下降が起こるが、これは雄にのみ起こる。人間の女性でも喉頭が下降するという反論に対して、フィッチは、乳児を守るために発声する母親もこの能力の恩恵を受けていただろうと示唆している。^[40]

専門家の多くは、ネアンデルタール人の発話能力は現代のホモサピエンスとそれほど変わらないと考えている。間接的な議論としては、彼らの道具作りや狩猟戦術は、何らかの発話能力がなければ習得も実行も困難だっただろうということだ。^[41]ネアンデルタール人の骨から最近抽出されたDNAは、ネアンデルタール人が現代人と同じFOXP2遺伝子を持っていたことを示している。この遺伝子は誤って「文法遺伝子」と呼ばれているが、現代人の場合、発話に関与する口腔顔面の動きを制御する役割を果たしている。^[42]

1970年代には、ネアンデルタール人は現代人のような発話能力を持っていなかったと広く信じられていました。^[43]彼らの舌骨は声道の非常に高い位置にあり、特定の母音を発音することは不可能だったと主張されました。

舌骨は多くの哺乳類に存在し、舌、咽頭、喉頭を互いに支え合うことで、舌、咽頭、喉頭の幅広い動きを可能にし、変化を生み出している。^{[44]舌骨が低い位置にあるのは}ホモ・サピエンスに特有のものではないことが現在では認識されているが、発声の柔軟性との関連性は誇張されていた可能性がある。男性の喉頭は低いが、女性や2歳児よりも広い音域を出せるわけではない。ネアンデルタール人の喉頭の位置が、出せる母音の範囲を妨げていたという証拠はない。^[45]イスラエルのケバラ洞窟で現代人と思われるネアンデルタール人の舌骨が発見されたことから、ネアンデルタール人は喉頭が下降しており、したがって人間のような発声能力を持っていたのではないかとの主張がなされた。^{[46] [47]}しかし、他の研究者は、舌骨の形態は喉頭の位置を示すものではないと主張している。^[6]頭蓋底、下顎、頸椎、頭蓋基準面を考慮する必要がある。 ^{[48] [49]}

スペインのアタプエルカで発見された中期更新世の人類は原始ネアンデルタール人と考えられており、外耳と中耳の形態から、現代​​人と似た聴覚を持ち、チンパンジーとは非常に異なっていたことが示唆されている。彼らはおそらく、多くの異なる音声を区別することができたと思われる。^[50]

舌下神経
舌下神経、頸神経叢、およびその枝
詳細
識別子
ラテン	舌下神経
神経解剖学の解剖用語 [Wikidataで編集]

舌下神経は舌の動きを制御する上で重要な役割を果たしている。1998年、研究チームは化石頭蓋底の舌下管の大きさを用いて神経線維の相対数を推定しようと試み、これに基づいて中期更新世の人類とネアンデルタール人はアウストラロピテクスや類人猿よりも舌の制御がより細かく調整されていたと主張した。^[51]しかしその後、舌下管の大きさと神経の大きさは相関していないことが実証され、^[52]現在ではそのような証拠は人間の発話の進化の時期について情報を与えないと考えられている。^[53]

ある有力な学派によると、^{[54] [55]}人間の発声器官はキーボードやデジタルコンピュータをモデルにした本質的にデジタルである^{[明確化が必要]}（下記参照）。チンパンジーの発声器官には、解剖学的および生理学的な類似点があるにもかかわらず、デジタルキーボード^{[明確化が必要]}を示唆するものは何もない。これは、人類の進化の過程で、いつ、どのようにアナログからデジタルの構造と機能への移行が起こったのかという疑問を提起する。

人間の喉頭上管は、可動式のトグルまたはスイッチの配置であり、各トグルまたはスイッチは、常にいずれかの状態にある必要があるという意味でデジタルであると言われています。たとえば、声帯は、振動している (音を出す) か、振動していない (サイレント モード) かのどちらかです。単純な物理学により、対応する特徴(この場合は「発声」) は、その中間にあることはできません。オプションは「オフ」と「オン」に限定されます。同様にデジタルなのは、「鼻音化」と呼ばれる機能です。任意の瞬間に、軟口蓋または口蓋帆は、鼻腔内で音が共鳴することを許可するか、許可しないかのいずれかです。唇と舌の位置の場合、2 つ以上のデジタル状態が許容される場合があります。

音声が二元的な音声特徴の複合体によって構成される複合実体であるという理論は、1938年にロシアの言語学者ロマン・ヤコブソンによって初めて提唱された。^[56]このアプローチの初期の著名な支持者はノーム・チョムスキーであり、彼はそれを音韻論からより一般的に言語、特に統語論と意味論の研究にまで拡張した。^{[57] [58] [59]} 1965年の著書「統語論の諸側面^{」[60]で、チョムスキーは意味概念を}、明示的に弁別的特徴理論のモデルに基づいて二元デジタル原子要素の組み合わせとして扱った。これに基づくと、「独身者」という語彙は、[+ 人間]、[+ 男性]、[- 既婚] と表現される。

このアプローチの支持者は、特定の言語または方言を話す人が特定の時期に認識する母音と子音を、科学的にはあまり興味のない文化的実体と見なしています。自然科学の観点からは、重要な単位は、生物学的性質によりホモサピエンスに共通する単位です。すべての人間が生来備えている原子要素または「特徴」を組み合わせることで、原理的には誰でも、過去、現在、未来を問わず、世界のどの言語にも見られる母音と子音の全範囲を生成できます。この意味で、特徴は普遍的な言語の原子要素です。

近年、音韻的変化の根底にある生来の「普遍文法」という概念が疑問視されている。音声について書かれた最も包括的なモノグラフであるピーター・ラデフォゲドとイアン・マディソンの『世界の言語の音』 [ ^25]では、少数の固定された個別の普遍的な音声的特徴を仮定する根拠は事実上見つかっていない。例えば、305の言語を調査したところ、彼らは調音と音響の連続体に沿って基本的にどこにでも位置する母音に遭遇した。ラデフォゲドは、音韻的特徴は人間の本性によって決定されるものではないと結論付けた。「音韻的特徴は、言語学者が言語体系を記述するために考案した人工物と見なすのが最善である」^{[61] 。}

自己組織化は、システムの多くの構成要素間の局所的な相互作用からマクロな構造が自発的に形成されるシステムの特徴です。^[62]自己組織化システムでは、グローバルな組織特性はローカルレベルでは見つかりません。口語的に言えば、自己組織化は「ボトムアップ」（「トップダウン」とは対照的）組織化という概念で大まかに捉えられます。自己組織化システムの例は、氷の結晶から無機世界の銀河の渦巻きまで多岐にわたります。

多くの音声学者によると、言語の音は自己組織化を通じて自らを配置し、再配置する。^{[62] [63] [64]}音声には知覚的（どのように聞こえるか）特性と調音的（どのように発音するか）特性の両方があり、いずれも連続的な値を持つ。話者は努力を最小限に抑え、明瞭さよりも調音のしやすさを優先する傾向がある。聞き手はその逆で、発音が難しくても区別しやすい音を優先する。話者と聞き手は常に役割を交代しているため、世界の言語に実際に見られる音節体系は、音響的特徴と調音のしやすさの間の妥協点となっている。

エージェントベースのコンピュータモデルは、言語コミュニティまたは集団レベルでの自己組織化の観点を取り入れています。2つの主要なパラダイムは、（1）反復学習モデルと（2）言語ゲームモデルです。反復学習は、世代から世代への伝達に焦点を当てており、通常は各世代に1つのエージェントのみが使用されます。^[65]言語ゲームモデルでは、エージェントの集団全体が同時に言語を生成、認識、学習し、必要に応じて新しい形式を発明します。^{[66] [67]}

いくつかのモデルは、模倣などの比較的単純なピアツーピアの音声インタラクションが、集団全体に共有され、異なる集団では異なる音のシステムを自発的に自己組織化する方法を示しています。たとえば、Berrah et al. (1996) ^[68]と de Boer (2000) ^{[69]によって}詳述され、最近ベイズ理論を使用して再定式化されたモデルは、模倣ゲームをプレイする個人のグループが、人間の母音システムとかなりの特性を共有する母音のレパートリーを自己組織化する方法を示しました。たとえば、de Boer のモデルでは、最初は母音はランダムに生成されますが、エージェントは時間の経過とともに繰り返し相互作用するにつれてお互いから学習します。エージェント A はレパートリーから母音を選択し、必然的にノイズを伴ってそれを発音します。エージェント B はこの母音を聞いて、自分のレパートリーから最も近い母音を選択します。これが本当に元の音と一致するかどうかを確認するために、Bは自分が聞いたと思う母音を発音し、Aはもう一度自分のレパートリーを参照して最も近いものを探します。これが最初に選択したものと一致する場合、ゲームは成功です。そうでない場合は失敗です。「繰り返しのやり取りを通じて」、デ・ブールは「人間の言語に見られるものと非常によく似た母音体系が出現します」と説明しています。^[71]

別のモデルでは、音声学者ビョルン・リンドブロム^[72]は、最適な知覚的差別化の原理に基づいて、自己組織化の根拠に基づいて、3母音から9母音までの母音システムの好ましい選択を予測することができました。

さらなるモデルでは、音素符号化と組み合わせ性の起源における自己組織化の役割を研究した。組み合わせ性とは、音素の存在と、構造化された音節を構築するためのそれらの体系的な再利用である。ピエール＝イヴ・ウデイヤーは、脳内の運動と知覚の表現を直接結合した、適応的かつ全体的な発声模倣のための基本的な神経装置が、喃語を話す個体の社会において、音韻パターンを含む発声の組み合わせシステムを自発的に共有できることを示すモデルを開発した。^{[62] [73]}これらのモデルは、形態学的および生理学的生来の制約がこれらの自己組織化メカニズムとどのように相互作用して、発声システムにおける統計的規則性の形成と多様性の両方を説明できるかについても特徴付けた。

ジェスチャー理論によれば、言語は比較的後になって発達したもので、もともとジェスチャーだったシステムから徐々に進化した。ジェスチャーを使ってコミュニケーションをとっていた当時、人類の祖先は発声をコントロールできなかった。しかし、徐々に発声をコントロールし始めると、話し言葉が進化し始めた。

この理論を支持する証拠は 3 種類あります。

1. 身振り言語と音声言語は、類似した神経系に依存しています。口と手の動きを司る皮質の領域は、互いに隣接しています。
2. 野生の霊長類は、単純な概念や意思疎通の意図を表現するために、音声信号を最小限に抑え、手、顔、その他の目に見えるジェスチャーを優先します。これらのジェスチャーのいくつかは、手を伸ばした「物乞いの姿勢」など、人間とチンパンジーが共有するジェスチャーに似ています。^[74]
3. ミラーニューロン^{[説明が必要]}

研究では、話し言葉と手話は類似した神経構造に依存しているという考えを強く裏付ける結果が見つかっている。手話を使用する患者で左半球の 病変を患っている患者は、発声言語患者が口頭言語で示すのと同じ障害を手話で示した。^[75]他の研究者は、手話中は発声言語や書き言葉の使用時と同じ左半球の脳領域が活性化することを発見した。^[76]

人間は、話すことで伝えたい考えをまとめるときに、自発的に手や顔のジェスチャーを使います。^{[77] [78]}もちろん、聴覚障害者のコミュニティによく見られる手話も数多く存在します。前述のように、手話は複雑さ、洗練さ、表現力において、あらゆる口頭言語に匹敵します。主な違いは、「音素」が舌、歯、唇、呼吸などによって体内で表現されるのではなく、手、体、顔の表情によって体の外側で表現されることです。

多くの心理学者や科学者が、この理論や他の行動理論に答えるために、脳内のミラー システムを調べてきました。言語の進化の要因としてミラー ニューロンを支持する証拠には、霊長類のミラー ニューロン、類人猿に身振りでコミュニケーションを教える成功、幼児に言語を教えるための指差し/身振りなどがあります。Fogassi と Ferrari (2014) ^[要出典]は、サルの運動皮質、特にミラー ニューロンが位置するブローカ野の F5 領域をモニタリングしました。彼らは、サルが他の誰かの異なる手の動作を実行したり観察したりしたときに、この領域の電気的活動の変化を観察しました。ブローカ野は、言語の生成と処理を担う前頭葉の領域です。特に手で動作を実行または観察すると発火するこの領域のミラー ニューロンの発見は、コミュニケーションがかつて身振りで行われていたという考えを強く裏付けています。幼児に言語を教える場合にも同じことが当てはまります。特定の物体や場所を指差すと、子供のミラーニューロンはあたかもその行動をしているかのように発火し、長期的な学習につながる^[79]

批評家は、哺乳類全般にとって、音は情報を符号化して高速で遠距離に伝達するための最良の媒体であることが判明したと指摘している。これが初期の人類にも当てはまった可能性を考えると、彼らがなぜこの効率的な方法を放棄し、よりコストがかかり扱いにくい視覚的ジェスチャーのシステムを選んだのか、そして後の段階で音に戻ったのかは理解しがたい。^[80]

説明として、人類の進化の比較的後期の段階で、道具を作ったり使用したりするために手があまりにも必要になったため、手振りの競合する要求が障害になったという説が提唱されている。話し言葉への移行は、その時点で初めて起こったと言われている。^[81]しかし、人類は進化の過程で道具を作り、使用してきたため、ほとんどの学者はこの議論に納得していない。(この問題に対する別のアプローチ、つまり信号の信頼性と信用性を考慮したアプローチについては、以下の「パントマイムからスピーチへ」を参照)。

人類における言語の出現時期についてはほとんどわかっていない。書き言葉とは異なり、話し言葉は物質的な痕跡を残さないため、考古学的には不可視である。直接的な言語的証拠がないため、人類の起源を研究する専門家は、おそらく話し言葉の生成に関連する解剖学的特徴と遺伝子の研究に頼ってきた。そのような研究は、前近代のホモ属に話し言葉の能力があったかどうかに関する情報を提供するかもしれないが、彼らが実際に話していたかどうかはまだわかっていない。彼らは音声でコミュニケーションをとっていたかもしれないが、解剖学的および遺伝学的データには、原言語と話し言葉を区別するために必要な解像度が欠けている。

カリフォルニア大学バークレー校の言語学者ジョアンナ・ニコルズは、統計的手法を用いて、現代の言語が現在のように広まり、多様化するのに必要な時間を推定し、 音声言語は少なくとも10万年前には多様化し始めていたはずだと1998年に主張した。^[82]

2012年、人類学者のシャルル・ペローとサラ・マシューは、音素の多様性を用いて、これに一致する日付を示唆した。^[83]「音素の多様性」とは、言語における知覚的に異なる音の単位（子音、母音、声調）の数を示す。現在の世界的な音素の多様性のパターンには、6万～7万年前に始まった現代のホモ・サピエンスのアフリカからの拡大の統計的シグナルが含まれている可能性がある。一部の学者は、音素の多様性はゆっくりと進化しており、最古のアフリカの言語が今日持っている音素の数を蓄積するには、どのくらいの期間存在しなければならなかったかを計算する時計として使用できると主張している。人類がアフリカを離れて世界の他の地域に拡大するにつれて、彼らは一連のボトルネック（非常に小さな集団だけが新しい大陸や地域に定着するために生き残ったポイント）を経験した。伝えられるところによると、このような人口の激減は、遺伝的、表現型的、音素的多様性の対応する減少につながった。アフリカの言語は現在、世界でも最大級の音素数を誇る一方、南米やオセアニアでは音素数が最も少ない。これらは地球上で最後に植民地化された地域の一部である。例えば、ニューギニアの言語であるロトカ語と南米で話されているピラハン語は、どちらも音素がわずか11個であるが、 ^{[84] [85]、}南アフリカで話されている言語である!Xun語には141個の音素がある。著者らは、一方では東南アジア本土の植民地化、他方では長らく孤立していたアンダマン諸島という自然実験を用いて、音素の多様性が時間とともに増加する割合を推定している。この割合を用いて、世界の言語の歴史は、 35万年前から15万年前のいつか、アフリカの中石器時代にまで遡ると推定している。これは、ホモ・サピエンスを生み出した種分化イベントに対応している。

しかし、これらの研究や類似の研究は、遺伝子と音素の誤った類推に基づいていると言語学者から批判されている。遺伝子と異なり、音素は言語間で横方向に頻繁に伝達されるからである。また、オセアニアとアメリカ大陸には音素の数が非常に多い言語があり、アフリカには音素の数が非常に少ない言語があるため、世界の言語のサンプリングにも誤りがある。彼らは、世界の音素の多様性の実際の分布は、言語が短期間で多くの音素を失ったり獲得したりできることは十分に実証されているため、言語の長い歴史ではなく、最近の言語接触を反映していると主張する。言い換えれば、遺伝的創始者効果が音素の多様性に影響を与えると期待する正当な言語学的根拠はない。^{[86] [87]}

• インタラクティブな矢状断面
• スピーチのデザイン特徴 2012-07-22 にWayback Machineでアーカイブ
• 言語の進化（解剖学的および神経学的基礎）。2014-06-11 にWayback Machineにアーカイブされました。
• 儀式と言語の起源。^{[永久リンク切れ‍ ]}
• チョムスキーを解読する^{[永久リンク切れ‍ ]}