关于汉语普通话的韵律层级结构，近年已有不少研究，提出了多种类似ToBI的汉语韵律标注系统。但是，这些系统中的韵律层级标注都是基于听觉感知的，不能直接反映韵律产生过程的声学物理特征，而且听感的主观性也难以保证标注的一致性和可靠性。本文利用描述F0曲线产生过程的指令响应模型，从韵律产生的角度定量地考察汉语口语的语调构成，借助模型分析由F0曲线推导出短语指令的分布。研究表明，基于模型解析的短语指令和基于听感标注的各级韵律边界之间只存在概率性的较弱的对应关系，而后者的主观随意性在研究中亦有体现。因此，已被广泛采用的基于听感的韵律层级标注并不适合直接用于文语转换系统中韵律生成的研究，而汉语口语韵律层级的定义与标注亦需要从声学信号出发、从韵律产生的角度做更深入的考察。