Eine der griffigsten Definitionen von Phon und Phonem habe ich gleich zu Beginn des Studiums gehört, in meiner allerersten Veranstaltung überhaupt („Einführung in die synchrone Sprachwissenschaft anhand der deutschen Gegenwartssprache“). Sie lautet:

Ein Phonem ist die kleinste bedeutungsunterscheidende Einheit auf der Ebene der Langue (des Sprachsystems).

Ein Phon ist die kleinste bedeutungsunterscheidende Einheit auf der Ebene der Parole (der tatsächlich statthabenden Rede).

Alles andere, Allophon, Realisierung, Opposition und der ganze Rest, folgen logisch aus dieser Bestimmung. Das ganze Studium bin ich immer gut gefahren damit, und wahrscheinlich würde ich sie immer noch unterschreiben, wenn ich nicht eines Tages selbst mit der Aufgabe betraut worden wäre, ein Einführungsseminar zu unterrichten.

Da dämmerte mir: Irgend etwas konnte nicht richtig sein. Die Definition besagt, daß Phone echte Sprachlaute sind, wie sie in der Wirklichkeit begegnen, die gehört werden, gemessen und zerlegt werden können, und die, jeweils für sich, einen zugrundeliegenden Lautplan, eine Art Lautvorschrift befolgen oder realisieren, nämlich das der Regelebene angehörende Phonem. Das Phonem kann man weder hören noch messen noch zerlegen. Es existiert nur als (vom Linguisten erschließbare) Regel, deren Anwendungsergebnisse wiederum die Phone sind. So weit so klar.

Dann ist da aber noch die Sache mit der Allophonie. In allen Sprachen (in manchen öfter und komplizierter, in anderen weniger und einfacher) stößt man auf das Phänomen, daß manche Phoneme nicht ein, sondern gleich mehrere Phone festlegen, und zwar je nach dem, in welchem Kontext anderer Phoneme das fragliche Phonem realisiert werden soll: Sprachlaute beeinflussen einander, und zwar tun sie das in regelmäßiger Weise. Man versäumt eine wichtige Verallgemeinerung, wenn man zwei Laute, die auf regelmäßige Weise miteinander korrespondieren, als zwei unabhängige Laute auffaßt. Tatsächlich sind sie schicksalhaft so eng miteinander verknüpft, daß man sie besser als zwei Erscheinungsformen desselben zugrundeliegenden Dings ansieht. Drei Illustrationen dazu, zwei aus einem anderen Bereich als dem der Sprachwissenschaft, eines aus der deutschen Standardsprache:
Die Uniformen des Zugbegleitpersonals der Deutschen Bundesbahn hat zwei klar geschiedene Formen, eine die aus Blazer, Hose und einem schirmlosen Hütchen besteht, eine andere mit Jacket, Hose und einer Schirmmütze als Hauptzier. Es wäre nun ziemlich ungeschickt, davon zu sprechen, daß die DB einfach zwei verschiedene Uniformen hat; insbesondere könnte man mit einer solchen Beschreibung den Sinn von zwei Uniformen gegenüber einer einzigen Uniform nicht erfassen. Bei genauerem Hinsehen fällt aber eine bestimmte nichtzufällige Verteilung auf: Weibliche Angestellte tragen das Hütchen, männliche die Schirmmütze. Das heißt, welche der beiden Uniformen erscheint, hängt vom Geschlecht dessen ab, der sie trägt. (Natürlich könnte es auch andersherum sein und das Geschlecht von der verwendeten Uniform abhängen; in der Humanbiologie ist das der eher unwahrscheinliche Fall, der aber in der Linguistik sorgfältig geprüft werden muß.) Es ist nun zweckmäßig, nur von einer einzigen DB-Uniform zu sprechen, deren Erscheinungsbild in voraussagbarer Weise variiert: Das Mützchen kommt auf Frauen-, die Mütze auf Männerhäuptern vor; wo das eine vorkommt, kommt das andere nicht vor und umgekehrt. Eine solche Distribution (Verteilung) zweier Erscheinungsformen desselben „Urdingens“ nennt man komplementär.
Zweites Beispiel. Die Buchstaben des Lateinischen Standardalphabets erscheinen immer in einer von genau zwei Formen, die man Groß- bzw. Kleinbuchstaben nennt. Obwohl das so ist, spricht man immer nur von einem einzigen Buchstaben, sagt also etwa, das Alphabet habe 26 Buchstaben, nicht ihrer 52, undsoweiter. In phonologischen Termini würde man für jeden Buchstaben von einem einzigen Phonem reden, das zwei Realisierungen hat, einmal als Klein- ein andermal als Großbuchstabe. Wo welche Form des Buchstabens erscheint, ist eine Frage der jeweiligen Orthographie und (mehr oder weniger) genau geregelt. Es gibt eine Menge von Kontexten für Großbuchstaben (Anfang von Eigennamen, Satzanfang, nie außerhalb vom Wortanfang etc) und eine zweite Menge von Kontexten für Kleinbuchstaben, und wenn die DUDEN-Redaktion ordentlich gearbeitet hat, überschneiden sich die zwei Mengen nicht. Auch die Groß- und Kleinbuchstaben des Lateinischen Alphabets sind komplementär distribuiert. Wo ein Großbuchstabe steht, steht kein Kleinbuchstabe, und umgekehrt.
In natürlichen Sprachen ist es nun sehr häufig der Fall, daß bestimmte Laute sich verhalten wie DB-Uniformen und Buchstabenformen, nicht, daß sie Mützchen tragen, sondern daß sie komplementär distribuiert sind.
An dieser Stelle kommt in allen Einführungen zum Thema unweigerlich die Sprache auf den deutschen ch-Laut. Dieser Text ist keine Ausnahme.
Der Laut am Ende des deutschen Worts Bach und der Laut am Ende des deutschen Worts ich kommen jeweils in genau dem Kontext vor, in dem der andere nicht vorkommt. Der Bach-Laut kommt nur nach den Vokalen a, o und u vor; der ich-Laut in allen anderen Kontexten vor. Ebenso wie man von einer DB-Uniform und einem Buchstaben sprechen kann, kann man das ch in Bach und vom ch in ich als ein einziges Dingens auffassen, das noch kein Laut ist, das überhaupt nichts hör- oder meßbares ist, aber in Abhängigkeit von seiner Position durch die beiden Erscheinungsformen ch-in-Bach und ch-in-ich als konkreter Sprachlaut realisiert wird. Das fragliche Element ist nicht so sehr dadurch charakterisiert, was es ist oder wie es realisiert wird, sondern vor allem dadurch, was es nicht ist, und daß es sich von anderen Elementen und ihren jeweiligen Realisierungen unterscheidet. Man könnte dem Ding auch eine Nummer geben und es grün anmalen. Man könnte es natürlich auch rot anmalen. Wichtig ist nicht, welche Nummer, oder welche Farbe, sondern nur, daß es anders ist als die anderen, in linguistischer Sprechweise: Daß es zu anderen Elementen in Opposition steht.
Opposition ist das genaue Gegenteil der komplementären Verteilung. Zwei Elemente stehen in Opposition zueinander, wenn sie im selben Kontext vorkommen können und das Auftreten des einen und nicht des anderen, mit einem Wort, der Unterschied zwischen ihnen bedeutsam ist. So ist der Unterschied zwischen den im Deutschen Standardalphabet durch und repräsentierten /k/ und /t/ bedeutsam, da er Bedeutungen wie die von Kasse und Tasse unterscheidet. /k/ und /t/ kommen hier im selben Kontext /__ase/ vor. Natürlich heißt das nicht, daß sie im selben Kontext gleichzeitig vorkommen und sich auf die Füße treten, sondern daß sie dort ein Gegensatzpaar bilden: Kasse vs Tasse. Zwei Ketten von Elementen, die sich wie Kasse/Tasse nur in einer (unteilbaren) Stelle unterscheiden, nennt man übrigens ein Minimalpaar.
Elemente, die Bedeutungen unterscheiden (also im selben Kontext vorkommen, also in Opposition stehen), nennt man Phoneme. Wobei wir bei Teil eins der eingangs erwähnten Definition angekommen sind.
Wie verhält es sich nun mit dem Bach-Laut und dem ich-Laut? Sie kommen in getrennten Kontexten vor, stehen also nicht in Opposition. Ihr Auftreten ist vorhersagbar, weswegen sie nicht bedeutungsunterscheidend sein können. Mit anderen Worten, es gibt im Deutschen keine zwei Wörter unterschiedlicher Bedeutung, die sich nur durch die Differenz von ich-Laut einerseits und Bach-Laut andererseits unterschieden. Diese bilden kein Minimalpaar. Wohl aber bilden sie gemeinsam, bzw bildet das Phonem, das sie beide je nach Kontext realisieren, Minimalpaare mit anderen, quasi unbeteiligten Elementen: Nacht und nackt (Bach-Laut gegen /k/, die Schreibung ist irrelevant); nüchtern und Nüstern (ich-Laut gegen /s/). Diese Erscheinung nennt man Allophonie, die zwei (oder mehr) durch Kontext bedingten Realisierungen eines einzigen Phonems Allophone.
Und jetzt zum eigentlichen Problem. Phoneme sind abstrakte Einheiten, die nur über ihre Realisierungen in Erscheinung treten. Diese Realisierungen sind die Phone, bzw die Allophone. Wenn man diese nun als konkrete, beobachtbare, meßbare, durch Sprecher produzierte Lautereignisse auffaßt (also quasi im Sinne von Verwirklichungen platonischer Ideen), kommt man in gewisse Schwierigkeiten, die Allophonie betreffend. Denn: Keine zwei Realisierungen desselben Phonems sind jemals gleich. Nicht nur die Sprecher unterscheiden sich in winzigen anatomischen und artikulatorischen Details; auch keine zwei von einem einzigen Sprecher nacheinander produzierten Realisierten eines Phonems sind wirklich identisch. Das t in Tasse kann ein bißchen mehr oder weniger stimmhaft, ein bißchen mehr oder weniger aspiriert, ein bißchen länger odr kürzer, ein bißchen dentaler, ein bißchen alveolarer artikuliert sein. Stets gibt es winzige Abweichungen. Alle diese winzigen Unterschiede sind natürlich nicht signifikant, sie verändern nicht die Bedeutung. Aber sie ließen sich schön praktisch als Realisierungen eines einzigen Phonems /t/ zusammenfassen. Also sind es Allophone von /t/?
Dann hätte aber nicht nur /t/, sondern jedes Phonem unendlich viele Allophone; und eine regelmäßige Verteilung wie man sie beim ich-Laut und beim Bach-Laut beobachtet, ginge in einem Wust von unsystematischer, sprunghafter Varianz verloren. Das ist ein bißchen so, als müßte man jedes lose Fädchen, jeden Kekskrümel, jede Sitzfalte und jeden Dreckspritzer als eigene Ausgabe der DB-Uniform auffassen, gleichberechtigt mit den weiblichen und männlichen Formen. Oder als müßten wir jeden verrückten Einfall irgendeines Schriftgraphikers, hier ein bißchen mehr Strichstärke, hier größere Punzen, dort kleinere Serifen, neben Versalien und Kleinbuchstaben als je eigenständige Buchstabenformen ansprechen. Wir könnten dann die Generalisierung, daß es prinzipiell zwei Formen gibt, nicht mehr aufrechterhalten.
Daher können Allophone noch nicht die tatsächlichen Realisierungen ihres Phonems, noch keine wirklichen, meß- und hörbaren Schallereignisse sein. Eine zweite abstrakte Ebene muß her, zwischen Phonem und Laut, eine Ebene, auf der die systematischen Zuordnungen zwischen Allophonen und Phonemen vorgenommen werden. Die tatsächlichen Realisierungen lassen sich ja wieder den Vertretern der systematischen Varianz zuordnen, beide Uniformformen haben ihre je eigenen Realisierungen in Gestalt von individuell verschmutzten, abgetragenen oder sonstwie veränderten Kleidungsstücken, dennoch bleiben sie als männliche oder weibliche Form erkennbar; der Bach-Laut und der ich-Laut haben je für sich ihre eigenen Winzvarianzen, ohne deshalb aufzuhören, Bach- oder ich-Laut zu sein. Die Varianz der tatsächlichen Laute wimmelt um das Zentrum dessen herum, was die Allophone artikulatorisch vorgeben:
Das Phonem ist die kleinste bedetungsunterscheidende Einheit auf der Ebene des Sprachsystems. Es wird realisiert durch Allophone, in denen sich eine systematische Varianz manifestiert. Allophone schließlich werden durch Lautereignisse realisiert, die zufälligen winzigen Abweichungen unterworfen sind.