导语： 在一个声学科学的意外转折中，研究人员发现，AI生成的语音克隆比真正的人类说话者明显更容易理解。研究发现，尽管仅用10秒音频训练，这些合成副本在噪声环境中比人类可理解性提高高达20%。该研究发表于《美国声学学会杂志》。
研究背景：语音克隆 vs 传统合成语音
传统合成语音（如Siri）
-
需要配音演员在录音室花费数小时
-
样本量大
语音克隆
-
可以仅从10秒语音创建
-
显著扩大潜在语音数量和潜在应用
核心发现：语音克隆更易理解
研究设计
-
样本：80名参与者
-
刺激：80个句子（40个人类，40个语音克隆）
-
条件：4种信噪比（+3、0、-3、-6 dB）
-
方法：在线实验，参与者评价可理解性
关键结果
| 条件 | 发现 |
|---|---|
| 所有噪声水平 | 语音克隆比人类语音可理解性提高高达13.4% |
| 最差噪声水平（-6 dB） | 可理解性差异可能更大（高达20%） |
| 分类准确率 | 基于声学测量，79.4%的情况下正确区分人类和克隆语音 |
| 人类识别准确率 | 参与者以70.4%的准确率识别出人类语音 |
研究人员的意外与困惑
“我最初认为语音克隆会不太可理解，因为它们不熟悉。我发现它们可理解性提高了高达20%，这相当令人震惊。我们论文的一小部分描述了那个实验，然后很大一部分是我和我的合作者疯狂地试图找出是什么让这些语音克隆更可理解。”
— Patti Adank，伦敦大学学院，研究作者
不同人群中的验证
实验重复
-
老年参与者（听力受损）→ 语音克隆仍更易理解
-
美国志愿者（原为英国队列，测试口音是否起作用）→ 语音克隆仍更易理解
-
模拟人工耳蜗的滤波器→ 语音克隆仍更易理解
结论
在所有情况下，语音克隆都获胜。
声学分析：寻找“秘密配方”
方法
-
检查了超过100项声学测量
-
主成分分析 + 线性判别分析
关键差异
| 语音类型 | 驱动可理解性的主要因素 |
|---|---|
| 语音克隆 | 音高和和声测量 |
| 人类语音 | 共振峰和元音空间测量 |
当前状态
-
研究人员尚未完全确定原因
-
计划与文本到语音系统专家合作，调整现有的开源克隆系统来重现该效应
常见问题解答
Q：这是否意味着我们最终会更喜欢与AI交谈而不是真人？
A：对于原始信息（如在嘈杂房间中的方向或客户支持），你的大脑可能已经更喜欢AI。然而，人类语音带有AI克隆仍难以完美复制的情感细微差别和“灵魂”。我们可能为了清晰度而偏好AI，但为了连接而偏好人类。
Q：为什么AI语音对人工耳蜗使用者来说听起来更清晰？
A：人工耳蜗难以处理人类语音的“噪声”和生物不完美性。AI语音是数字精确的，提供更清晰的信号，更容易被人工耳蜗处理器翻译成大脑的电脉冲。
Q：这项技术能用于帮助有语言障碍的人吗？
A：是的。通过理解AI语音如此可理解的原因，可以开发“语音增强器”，实时接收人类语音并使用这些发现的声学规则进行数字“清理”，以帮助他人更好地理解他们。
研究信息
-
原始论文：Adank, P. & Wang, H. "Voice clones are easier to understand in noise than their human originals: the voice cloning intelligibility benefit." JASA (2026). DOI: 10.1121/10.0043094
-
作者：Hannah Daniel（AIP）
-
研究机构：伦敦大学学院、罗汉普顿大学
结语
这项研究发现，仅用10秒音频创建的AI语音克隆在噪声环境中比人类说话者可理解性提高13.4-20%，这一效应在老年参与者、不同口音群体和模拟人工耳蜗的条件下均得到验证。基于超过100项声学测量的分析显示，语音克隆的可理解性主要由音高和和声测量驱动，而人类语音则主要由共振峰和元音空间测量驱动。这一发现对电信、辅助技术、听力障碍人士以及语音恢复应用具有重要意义。研究人员目前仍在探索导致这一效应的具体声学特征。