多模态时代,语言输入也呈现多模态。学习者接受的语言输入包括文本、图片、音频和视频材料等。根据多模态学习理论,多模态输入比单模态输入更能促进语言学习。但近年研究显示,多模态有时可能会造成注意力负担,反而产生不了预期的效果。鉴于此,本研究聚焦多模态输入,旨在探究视频字幕和视频看前任务对小学生英语发音的影响。来自陇南师范高等专科学校附属小学六年级的60名学生参加了本研究。研究分三个主要阶段,第一阶段为前测,测量被试的英语发音准确性和语音意识（第1周）;第二阶段为多媒体教学,旨在引导学生观看英文版西游记并完成语音训练（第2-7周）。教学过程中,被试被随机分配到四种实验条件,包括两种观看模式（带字幕/无字幕）和两种看前任务（聚焦语音/聚焦语义）。第三阶段为后测,测量学习者发音准确性和语音意识,同时就其学习过程进行了访谈（第8周）。研究得出以下发现:第一,视频观看及语音教学有助于学生提高发音准确性和语音意识。第二,字幕对学习者发音准确性及语音意识未产生显著影响。第三,两种看前任务（聚焦语音/聚焦语义）在两种观看模式（带字幕/无字幕）下对学习者发音准确性和语音意识产生显著交互影响。根据简单效应分析,带字幕观看模式下聚焦语义和无字幕观看模式下聚焦语音时,学生语音意识增强,发音更准确。研究最后探讨了对外语教学的启示,指出有效引入多模态视听材料对提高小学生英语发音非常必要,但教师应该根据教学目标合理设计视频观看任务。