留下印象:由参与者主导的语音合成技术揭示了特质印象的声学特征

《Cognition》:Making an impression: Participant-led voice synthesis reveals the acoustic signatures of trait impressions

【字体: 大 中 小 】 时间:2026年01月08日 来源:Cognition 3.1

编辑推荐:

  纳丁·拉万|安德烈·阿尼金 英国伦敦玛丽女王大学生物与行为科学学院大脑与行为研究中心 摘要 听者能够迅速从声音中形成对他人特质的印象,往往在几毫秒内就能推断出多种人物特征。我们采用了一种新方法——自我引导声音合成技术(S4),来识别并比较这些印象背后的声学特征。参与

  纳丁·拉万|安德烈·阿尼金
英国伦敦玛丽女王大学生物与行为科学学院大脑与行为研究中心

摘要
听者能够迅速从声音中形成对他人特质的印象,往往在几毫秒内就能推断出多种人物特征。我们采用了一种新方法——自我引导声音合成技术(S4),来识别并比较这些印象背后的声学特征。参与者通过交互式操作S4,利用四个具有感知显著性的声学维度——平均音高、音高波动、气息感以及共振峰间距——来合成体现六种人物特征的嗓音:年龄、男性化程度、健康状况、吸引力、支配力以及可信度。男性化程度、较高年龄和支配力是通过降低平均音高和共振峰间距来表现的,这符合塑造高大形象的印象,同时也会使语调变得平缓。而身体健康、吸引力和可信度则通过选择较为“典型”、不极端的声学特性来呈现。另一项感知实验表明,第一项实验中合成的嗓音确实向独立样本的听者传递了预期的特征,且听者在评估时依赖的声学线索也较为相似。从方法论角度来看,我们证明了S4的稳健性,并通过两种截然不同的方法得到了相互印证的结果,从而为连接声音生成与感知的印象形成过程提供了全面解释。从理论层面来看,我们的研究结果支持这样一种假设,即特质印象形成于一个连续的“特质空间”之中,体现了不同人物特征在感知和概念层面的渐进性与相互关联性。我们进一步拓展了这一框架,指出不仅感知判断存在关联,人物特征的声学特征也同样相互关联,进而将声学线索整合到声音感知的感知模型中。

引言
当听到陌生人的声音时,听者通常会形成复杂的特质印象(拉万与麦克盖蒂根,2023;麦卡利尔与贝林,2018)。这类印象往往具有主观性,因此并不准确(斯库克、雅各布、温特泽克、沃德与施韦因伯格,2024)。然而,听者是否认为某人可信、有能力仍然很重要,因为研究表明,声音特征及由此产生的印象与投票行为和招聘决策密切相关(克洛夫斯塔德,2016;米莱娃、汤普金森、瓦特与伯顿,2020;斯库克等人,2024;蒂格、博拉克、奥康纳、尚德尔与费因伯格,2012;泰莱奇科娃、普罗科波娃与斯卡尼茨尔,2017)。因此,这些特质印象会影响我们的行为及与他人的社会互动。

印象的形成速度极快:例如,听到“你好”这个词(时长约400毫秒)就足以让人对某人形成特质印象(麦卡利尔、托多罗夫与贝林,2014;米莱娃,2025)。其他研究显示,诸如性别或年龄等特定人物特征的印象,甚至在听到声音后仅25毫秒内就已形成(拉万,2023a;拉万、林克与沙林格,2024;米莱娃与拉万,2023)。在如此快速的印象形成过程中,听者之间往往会对特质印象达成一致:尽管特质印象可能存在个体差异(赫曼、萨瑟兰、弗莱克与斯莱皮安,2017;拉万与萨瑟兰,2024;马丁内斯、芬克与托多罗夫,2020),但部分共享的特质印象表明,声音能够向听者准确传递有关生理性别(在同性别个体中,欧文、伯科维茨与巴乔罗夫斯基,2007)和年龄的信息——例如通过音高、共振峰特征或声音的周期性特征。或者,某些特定的(声学和感知)特征可能与共同的社会或文化刻板印象相关联,而这些刻板印象无论其准确性如何,都会被叠加到特质印象之上(欧文与拉万,2025;斯托利尔、赫曼、凯勒、沃克与弗里曼,2018)。这些声学特征与刻板印象之间的共同关联,也会导致即使听者的特质印象并不准确,他们之间仍能达成一致。本文旨在探究支撑这些特质印象的声学特征。

长期以来,研究人员一直在探讨听者是如何在极其短暂地听到一个声音后,就能形成关于对方复杂特征的印象的。声音感知模型(贝林、贝斯特尔迈尔、拉蒂努斯与沃森,2011;贝林、费克托与贝达德,2004;拉万与麦克盖蒂根,2023;马吉尼斯、罗斯万多维茨与克里格斯坦,2018;扬、弗吕霍尔兹与施韦因伯格,2020)认为,声音感知遵循一系列层级化的处理步骤:最初听到声音时,听者会根据其低级声学特征来分析该声音。接着是“声音结构分析”,用于判断所听到的是否为声音。一旦确定是声音,它就会沿着三条部分独立的路径进行处理,分别支持与言语、情绪以及身份——或更广泛地说,与人物相关的——处理功能(拉万,2023a;拉万与麦克盖蒂根,2023)。

在身份处理路径中,听者会提取有关某人是谁的信息——如果对方是熟人,则识别其具体身份;如果是陌生人,则形成对其非具体的特质印象(拉万与麦克盖蒂根,2023)。尽管关于身份识别和特质印象形成的机制仍存在争议,但理论模型认为,听者会将听到的声音信号(或该信号的某种衍生版本,如偏差模式,拉夫纳、罗森豪斯与加思,2001;马吉尼斯等人,2018)与某个特定熟悉的声音身份(如A先生、B女士)或人物特征(如友善的人、有能力的人)的心理表征进行匹配。这种匹配过程被认为是一种由声学驱动的过程(克雷曼与西迪蒂斯,2011;马吉尼斯等人,2018),即听到的声音与心理表征之间的匹配程度取决于它们在声学上的相似性或差异性。与动态交互理论(弗里曼与安巴迪,2011;弗里曼、斯托利尔与布鲁克斯,2020;斯托利尔等人,2018)等理论框架一致,声音感知的理论模型也承认,人物特征的感知并非仅仅是自下而上的过程,即身份或人物感知仅由声音的声学特征决定。相反,自上而下的过程也能影响感知,例如,身份感知或印象形成也可能受到习得关联、社会刻板印象、情境信息等因素的影响。

在所有声音感知模型中,至少都隐含着一个假设,即特定声音身份和不同人物特征的心理表征可以与特定的声学特征相联系。基于此,长期以来一直有大量实证研究致力于描述与不同人物特征感知相关的声学特征(如可信度、支配力等)。这些研究表明,声音的音高、声道共振频率(共振峰)、声音质量以及其他心理声学特性都与人物特征的感知有关(昂与普茨,2020;贝林、伯梅与麦卡利尔,2017;博尔科夫斯卡与帕沃洛夫斯基,2011;马尔泰祖-帕帕斯蒂利亚诺乌、谢勒与保尔曼,2025;麦卡利尔等人,2014;麦卡利尔与贝林,2018;庞索、布尔德、贝林与奥库图里耶,2018)。不同人物特征的这些声学特征在某种程度上可能是彼此不同的,例如,可信度和支配力就被认为与特定的、独特的声调轮廓相关(庞索等人,2018)。有趣的是,不同特征对应的声学特征往往存在大量重叠。比如,平均音高和共振峰的平均间距(ΔF,也称为共振峰离散度)常常与年龄、性别、吸引力等特征的感知相关。由于这些显著声学特征之间存在重叠,在某些情况下很难为某一特定感知分离出唯一的声学特征(马尔泰祖-帕帕斯蒂利亚诺乌等人,2025)。从生物声学角度来看,这种声学特征的重叠可能与低频与较大体型之间的普遍感知关联有关(昂与普茨,2020;皮桑斯基与布莱恩特,2019)。尤其是共振峰间距可以作为声道物理长度的指标,而声道长度在不同物种中与实际体型相关(菲奇与吉德,1999;雷比与麦科姆,2003),并且与感知到的体型关联更为紧密(皮桑斯基与布莱恩特,2019)。因此,任何与实际或感知体型概念上相关的人物特征(如身体和社会支配力、权威感、自信度)都可能借助较低音高和较窄的共振峰间距所传达的“更大体型”的感知来形成。同样,其他具有社会显著性的感知特征,如感知到的性别和推断出的情感内容,也可以作为锚点,用来避免感知过度泛化或“光环效应”(福特等人,2009;蒙特帕雷与多比什,2003;尼斯贝特与威尔逊,1977;泽布罗维茨与蒙特帕雷,2008)。在这种背景下,任何人物特征的感知都会与由锚点产生的感知相联系并受其驱动,这样一来,一个被认为愤怒的声音也可能同时被认为具有支配力,以及其他概念上相关的特征(参见动态交互理论;弗里曼等人,2020;弗里曼与安巴迪,2011;斯托利尔等人,2018)。

在那些旨在识别与特质印象相关的声学特征的研究中,传统上,听者会听取一组声音,并对每一种声音给出感知判断(例如:“这个声音有多可信?”),相关研究可见贝林等人,2017;布鲁克特等人,2010;拉万、米莱娃、伯顿、扬与麦克盖蒂根,2021;拉万与萨瑟兰,2024;马尔泰祖-帕帕斯蒂利亚诺乌等人,2025;米莱娃等人,2020;米莱娃与拉万,2023。这些声音组通常由实验者根据人口统计特征、声音的声学特性以及与特定研究相关的其他因素来选取。然后,研究人员会根据收集到的感知数据来判断声学特性与感知判断之间是否存在相关性。这类研究的一个优点是,声学特性与感知判断之间的关系可以通过较为隐含的方式获得。参与者只需意识到自己正在进行感知判断,而不必知道他们所听到的声音的声学特性才是研究重点。不过,这类研究的缺点在于,结论通常是基于有限数量的刺激得出的,这些刺激可能无法涵盖某一特定感知的所有相关声学变化。此外,这类研究的证据仍然仅仅是相关性的,因此很难确定特定声学线索与推断出的人物特征之间的关联是因果关系还是偶然现象,因为在自然声音中,许多声学参数往往存在高度相关性(如平均音高与共振峰间距)。

另一种方法论思路是每次只操纵一个声学参数,这种方法最初被应用于音高和共振峰间距等简单的声学特征(高德兰与巴斯肯特,2018;格尔费尔与本内特,2013;赞塔尼、克里格斯科尔特、麦克盖蒂根与加里多,2019)。最近,这种方法已被扩展到更微妙的声学线索,如气息感或不规则发音以及非线性发声现象,其实现方式是将自然录音的声学操纵与参数化声音合成及感知实验相结合(阿尼金,2019;阿尼金与雷比,即将出版)。还有其他方法也被使用,例如逆相关分析,该方法能够发现感知到的人物特征与动态发声特征(如声调轮廓)之间的关联(庞索等人,2018)。虽然这种针对特定声学参数的精准操纵能够提供完美的实验控制,但其主要限制在于可行性问题。要揭示单个声学线索与推断出的人物特征之间的一阶相关性之外的更多关系,就需要大量的刺激和评分。因此,要获取更复杂的关联证据,或确定某种效果能否在特定类型的刺激之外普遍适用,或探索一个人物特征的多个声学线索,都将导致所需评分数量呈指数级增长。

不过,还有其他一些方法能够更直接、更明确地探究声音心理表征的内容。通过利用声音合成技术,我们可以构建易于使用的界面,让听者能够合成具有特定感知特征的嗓音。其中一种方法就是自我引导声音合成技术,即S4(阿尼金与雷比,即将出版),该技术允许听者控制和调整他们所听到的声音,使他们能够快速探索一个高维度、完全参数化的声学空间。因此,这一过程使得参与者能够以直接且可客观量化的方式报告他们对某一特定感知特征的心理表征,而无需反复聆听实验者挑选的多种不同声音。允许听者通过合成技术控制声音的声音并不是一个新想法。在心理声学研究领域,对合成声音的实时控制长期以来一直是重要的实验方法(Fastl & Zwicker, 2007)。近期,Gerratt和Kreiman(2001)利用合成界面来研究病态语音的质量。这项研究的出发点是,即便是有经验的听者,在使用评分标准评估语音的感知或心理声学特性时,也往往无法达成一致意见。作者们发现,当要求听者通过合成技术再现病态语音质量时,他们却能达成共识,这表明评分标准所导致的不一致并非源于感知差异,而可能是由于所采用的方法问题。与作者们的结论一致,这项研究进一步体现了合成技术在研究语音感知方面的应用潜力。

在本研究中,我们运用S4技术,通过多元分析方法并在高度控制的实验条件下,探究基于“嗨!”这一问候语所产生的特征印象背后的声学特征。这使我们能够:1)在同一方法框架内确定不同人格特征的声学特征;2)分析不同人格特征之间声学特征的相似性与差异性;3)验证S4技术在语音感知研究中的实用性和可行性。

在实验1中,我们让参与者通过控制四个声学参数——平均音高、音高波动范围、共振峰间距以及呼吸感——来合成能够体现六种人格特征(男性化、年龄、健康状况、可信度、吸引力以及支配力)的声音。借助S4,参与者需要合成出某一连续人格特征的两个极端表现(例如,在衡量可信度时,参与者需在一次试验中合成出非常可信的声音,而在另一次试验中则合成出极不可信的声音)。之所以选择这六种人格特征,是因为它们被认定为影响人们对声音特征印象的重要因素,因此在诸多关于特征印象形成的研究中经常被探讨(Lavan, 2023a, Lavan, 2023b; McAleer et al., 2014; Mileva, 2025; Mileva & Lavan, 2023)。这些声学参数之所以被选中,是因为它们是判断与人格相关的特征时的重要声学线索,比如吸引力(Babel, McGuire, & King, 2014; Borkowska & Pawlowski, 2011; Bruckert et al., 2010; Maltezou-Papastylianou et al., 2025; Xu, Lee, Wu, Liu, & Birkholz, 2013)、可信度与支配力、能力(Knowles & Little, 2016)、年龄(Linville & Fisher, 1985)、性别(Gelfer & Bennett, 2013; Pernet & Belin, 2012)等等。随后,我们测试了实验1中合成的声音是否确实具备预期的特征(例如,那些被设定为可信的声音,在独立听者听来是否真的可信?)。作为第二个问题,我们还想了解实验2中的独立听者在做出感知判断时,是否与实验1的参与者使用了类似的声学线索。因此,实验2既是对实验1方法的感知层面验证,也是用传统方法对实验1结果的再验证。这两项实验共同探讨了从“生成”(即合成)和感知两个角度来看,声学特性是如何影响特征印象形成的。

根据现有文献,我们预测参与者会系统地调整声学参数,以合成出能够体现特定人格特征的声音,从而在实验1中确定与其心理表征相对应的声学特征。此外,我们预计参与者在实验2中进行感知判断时也会使用相似的声学线索。具体而言,我们认为男性化和高支配力会表现为较低的音高和较窄的共振峰间距(相对于女性化和低支配力而言;Aung & Puts, 2020; Gelfer & Bennett, 2013; Pernet & Belin, 2012; Titze, 1989)。同时,我们认为较高的音高波动范围和平均音高与可信度较高的声音相关(Belin et al., 2017; Maltezou-Papastylianou et al., 2025; McAleer et al., 2014)。另一个基于先前研究的预测是,具有更强呼吸感的声音可能被认为更具吸引力(?turm, Hejná, & Tyle?ková, 2025; Xu et al., 2013),而且由于声音老化及声带疾病会导致周期性降低,这类声音也可能被认为更显年长且健康状况较差(De Bodt, Wuyts, Van de Heyning, & Croux, 1997; Hartman, 1979)。

另一个重要的预测来自上述观点:已有研究表明,不同人格特征之间有时存在密切的感知与概念关联(Irvine & Lavan, 2025; Lavan, 2023a; Stolier et al., 2018)。此外,众所周知,相同的声学特征在不同情境下可能会传递出不同的、甚至相互矛盾的感知意义(例如,较高的呼吸感既可能表示吸引力,也可能表示健康状况不佳,而通常情况下,健康状况不佳与吸引力并无关联)。因此,我们预计在实验1和实验2中,声学特征未必是完全唯一或仅与某一种人格特征相关的。另外,我们预计这些人格特征的感知评分之间的相关性,会与实验2中观察到的声学特征相似性模式相一致。尽管我们预计实验1和实验2的结果会大致相似,但需要注意的是,这两项实验所采用的方法截然不同,因此并不一定会得出完全相同的结论。

**实验片段**

**实验1:通过语音合成识别特征印象的声学特征**
实验1首先运用S4技术,让未经专业训练的参与者调整合成声音,使其尽可能准确地体现六种人格特征(男性化、年龄、健康状况、可信度、吸引力以及支配力),进而确定并比较这六种特征对应的声学特征。

**实验2:通过感知实验验证合成出的特征**
为验证实验1的成果,并对其结果进行概念层面的重复验证,我们接下来让独立听者对合成声音进行感知评估,以确定实验1中合成的声音是否确实具备预期的人格特征。

**总体讨论**
通过一种新颖的方法——自引导声音合成技术(S4),我们证明了听者能够有效地操控声学参数,从而在合成语音中体现男性化、年龄、支配力、健康状况、吸引力和可信度等特征。这些合成声音在另一项独立的感知评分实验中得到了验证,结果表明,这些预期的人格特征确实能够被一组没有相关经验的独立听者所感知。

**结论**
本研究的贡献既体现在实证层面,也体现在方法论方面。从实证角度来看,我们确定了六种不同人格特征的声学特征,其中在感知和概念上相互关联的特征(如男性化与支配力)具有更为相似的声学特征。这些发现为理解特征印象形成的声学基础以及支撑这些印象的心理表征结构提供了新的见解。

**CRediT作者贡献说明**
Nadine Lavan:写作——审稿与编辑,写作——初稿撰写,可视化,验证,资源整理,项目管理,方法论,研究设计,概念构建。Andrey Anikin:写作——审稿与编辑,写作——初稿撰写,可视化,验证,软件应用,资源整理,项目管理,方法论,研究设计,形式分析,数据整理,概念构建。

**致谢**
AA的研究工作得到了瑞典研究委员会(Vetenskapsr?det)的资助,项目编号为2023–00850。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号