Até o século XX, os estudos da fala humana não enxergavam a divisão, hoje comumente defendida em grande parte dos estudos linguísticos, entre os campos da Fonética e da Fonologia, como explica Ohala (1991). Nesses estudos, verificava-se uma conciliação de disciplinas diversas ‒ medicina, filologia, física, mecânica –, em torno de um objetivo único: ampliar os conhecimentos sobre a fala por meio de técnicas experimentais.
No fim do século XIX e início do século XX, a Linguística passou a adotar a divisão, primeiramente idealizada por Baudouin de Courtenay e posteriormente concretizada pela Escola Linguística de Praga, entre o estudo das unidades psicológicas ‒ Fonologia ‒ e o estudo
das unidades físicas ‒ Fonética. A partir de então, os fatos relacionados aos aspectos concretos, de natureza acústica e articulatória, foram relegados a um segundo plano nos estudos fonológicos, deixando de fazer parte das discussões principais no âmbito da ciência linguística.
Na Fonologia Gerativa Padrão (CHOMSKY; HALLE, 1968), conforme explica Silva (2010), a informação fonética foi trazida de volta ao escopo da ciência da linguagem, por meio da postulação de um módulo fonético gramatical, responsável por dar conta dos elementos específicos de língua. Por outro lado, especificações temporais não eram contempladas. De acordo com Silva (2008), no modelo, cada elemento deveria ocupar uma posição na representação de um enunciado, não havendo, portanto, sobreposição no nível simbólico. A sobreposição seria uma consequência implementacional.
A proposta autossegmental (CLEMENTS; HUME, 1995) igualmente não especificava de maneira precisa a unidade tempo, como explica Steriade (1990). De acordo com a autora, a informação temporal no modelo ficava restrita à formalização de relações de precedência e simultaneidade, não prevendo, dessa forma, sobreposições parciais.
Enquanto isso, ao longo do século XX, os estudos em Fonética persistiram observando fenômenos deixados de lado pela Fonologia, focalizando suas análises principalmente em aspectos de cunho acústico e articulatório. Lisker (1973) aponta que os foneticistas buscavam observar os fatos que não necessariamente estabeleciam contrastes fonológicos, mas que apresentavam comportamento regular nas línguas do mundo.
Muitas das conclusões atingidas pelos foneticistas chocavam-se com proposições dos modelos fonológicos. Trabalhos como o de Lisker (1972) contrariavam a visão de que a cadeia da fala era formada por um conjunto linear de feixes de traços articulatórios. Segundo o autor, os segmentos plosivos pré-nasalizados do inglês apresentavam dois estados distintos e contíguos do véu palatino que não permitiriam sua simples especificação como [+nasal] ou [- nasal]. Assim, para dar conta do fenômeno, seria preciso especificar formalmente que o véu modificava sua configuração ao longo do tempo.
Tomando como ponto de partida argumentos como esse, Fowler (1980) defende que os modelos fonológicos até então existentes, de tempo extrínseco, perdiam generalizações e não davam conta de processos como a coarticulação. Observando os estudos fonéticos, por outro lado, a autora verificava análises que explicavam regularidades linguísticas, fornecendo explicações mais gerais a fenômenos que impunham dificuldades para as teorias fonológicas,
exigindo delas muitas vezes a proposição de soluções ad hoc, como a proliferação de traços fonológicos específicos, sem função contrastiva no interior das línguas, como observam Browman e Goldstein (1986).
Outra crítica apresentada por Fowler (1980) aos modelos de tempo extrínseco diz respeito à divisão que impõem entre o plano da sentença e o plano executor, característica que gera a necessidade de modelos de tradução entre os dois módulos. Segundo a autora, um modelo teórico que não impõe diferenças entre as propriedades dos segmentos fonológicos na forma canônica e sua efetiva realização articulatória seria mais eficiente, pois dispensaria a necessidade da tradução. Nesse modelo direto, a coarticulação poderia ser vista como a sobreposição de segmentos, sucessivos e contínuos, dispensando assim explicações baseadas no espraiamento de traços. Para Hall (2003), qualquer fenômeno que faça referência ao compartilhamento de traços pode ser melhor explicado via compartilhamento de gestos.
Ao traçar essas críticas aos modelos fonológicos de tempo extrínseco, Fowler (1980) aponta para a necessidade de que as teorias passem a considerar o tempo como um aspecto inerente à Fonologia. De acordo com a autora, quatro seriam as obrigações de uma teoria de tempo intrínseco:
(1) A teoria deve caracterizar as propriedades essenciais dos segmentos como entidades quadridimensionais.
(2) Mais abstratamente, a teoria deve racionalizar a classificação dos segmentos em vogais e consoantes. Isso é evidentemente necessário se o modelo de coarticulação é compatível com os fenômenos temporais mais finos de taxa de elocução e organização temporal de acentuação (...).
(3) A teoria deve fundir o plano e seu executor por meio da incorporação do tempo no plano de uma elocução.
(4) A teoria deve racionalizar os efeitos de coarticulação, e um modelo derivado dela deve estar apto para gerá-los (FOWLER, 1980, p. 122, tradução nossa31). Na teoria de tempo intrínseco nos termos de Fowler (1980), a fala atuaria como uma estrutura coordenada, na qual diferentes elementos que integram um sistema atuariam cooperativamente na execução de uma dada tarefa. Experimentos desenvolvidos por Kelso, Saltzman e Tuller (1986), por exemplo, verificaram que, durante a produção de plosivas bilabiais, os participantes realizavam correções nos lábios ao sofrer perturbações artificiais na mandíbula. Ou seja, lábios e mandíbula atuariam em conjunto na execução de uma tarefa: se
31 (1) The theory must characterize the essential properties of segments as four dimensional entities. (2) More abstractly, the theory must rationalize the classification of segments into vowels and consonants. This is evidently necessary if the model of coarticulation is to be compatible with the course-grained timing phenomena of rate and stress-timing (and if it is to capture our intuitions that consonants and vowels constitute different kinds of entities.) (3) The theory must merge the plan and its executor by incorporating time into the plan for an utterance. (4) The theory must rationalize coarticulatory effects, and a model derived from it must be able to generate them.
um elemento do sistema, a mandíbula, fosse obstruído, os demais compensariam sua trajetória por meio de um maior esticamento dos lábios, atingindo, assim, o resultado final esperado.
Outra discussão trazida no trabalho de Fowler (1980) é o aparente paradoxo entre a produção, contínua e gradiente, e a percepção, categórica e discreta. A autora explica que, embora percebamos a fala como uma sucessão de segmentos discretos (FOWLER, 1980, p. 114), ao analisá-la do ponto de vista articulatório ou acústico, não pareceria possível captar essa divisão temporal. Isso ocorreria devido à simultaneidade de ocorrência dos diferentes gestos32, entre os quais não haveria claras fronteiras, perpendiculares ao eixo do tempo.
A complexidade em identificar essa discrição qualitativa e temporal dos segmentos do ponto de vista acústico e articulatório seria motivada, em grande parte, pela coprodução. Esse conceito faz referência à simultaneidade temporal do início de dois segmentos, geralmente uma consoante e uma vogal. Como a fala corrida não seria composta por pausas e lacunas, pode-se depreender, em última instância, que as vogais seriam continuamente produzidas, sendo entrecortadas pelas consoantes, como explica Fowler (1980): “a produção de uma consoante ou de um grupo consonantal, logo, é imposta em um contexto de produção vocálica contínua” (FOWLER, 1980, p. 128, tradução nossa33).
Tal proposição vai de encontro a propostas lineares, segundo as quais a cadeia da fala seria formada por um arrazoado de segmentos justapostos. Para Fowler (1980), os segmentos coproduzidos não ocupam lócus próprios no eixo do tempo, mas, pelo contrário, confundem-se a ponto de serem iniciados em um único momento temporal.
Ao propor maior atenção aos aspectos temporais da produção da fala, o trabalho de Fowler (1980) colocou em foco os fenômenos de ordem fonética, relegados a um segundo plano a partir do corte saussuriano. Propondo a diminuição do abismo entre a Fonética e a Fonologia, as teorias de tempo intrínseco, antevistas pela autora, focalizam o papel da informação acústica e articulatória para a análise da fala, e atribuem à informação temporal um papel de destaque. Na seção seguinte, será discutido como essas propostas transformaram-se em um modelo teórico autônomo, a Fonologia Gestual.
32 Os gestos aos quais Fowler (1980) se refere não são os mesmos que estariam presentes no embrião da Fonologia
Gestual. Enquanto a autora faz referência aos gestos articulatórios físicos que ocorrem no trato, no modelo teórico proposto por Browman e Goldstein (1986; 1989; 1992), os gestos assumem um caráter não apenas físico, mas também simbólico. São eles as unidades de contraste fonológico nas línguas. Uma maior explicação sobre esse ponto é feita na seção 3.3.
33 The production of a consonant or a consonant cluster, then, is imposed on a background of continuous vowel production.