一个人说话听起来比实际年龄老，变老的往往不只是嗓子。
《Science Advances》2026 年 9 月 30 日在线发表了一项跨国研究。研究者收集拉美五国 2928 个人的说话录音，用机器学习从声音和用词估算"你听起来几岁"，再减掉身份证上的年龄，得到一个差值，他们叫它语音年龄差。
这个差值越大的人，血浆里的磷酸化 tau 蛋白（p-Tau217）越高，核磁算出来的脑龄差越大，连 DNA 甲基化算出来的年龄也偏老。
这个结果听着别扭。说话显老，直觉上是嗓子的事：声带松了，气不够了。嗓子怎么会跟血里的蛋白、跟细胞的甲基化扯上关系？
这个直觉似是而非。嗓子确实会老，但一段话里能被量出来的东西，远不止嗓子。
这项研究做了什么
参与者来自阿根廷（195 人）、智利（299 人）、墨西哥（509 人）、秘鲁（798 人）、哥伦比亚（1127 人）。其中健康对照 1504 人，患者 1424 人：阿尔茨海默病 1068 人，非语言型额颞叶变性 255 人，语言型额颞叶变性 77 人，轻度认知障碍 24 人。
每个人做五项标准化的西班牙语任务：看一段动画短片后复述；两次 60 秒的音位流畅性（说出以某个字母开头的词）；两次 60 秒的语义流畅性（说出"动物""蔬菜"类的词）；以及听一段故事后的即时复述和延迟复述。
录音交给一套固定的特征提取流程，拆成七类指标：说话的时间结构（语速、停顿长短）、音高、语义（用词的具体程度和细致程度）、词汇、情绪色彩、话量。再用这七类去回归预测这个人的实际年龄。
模型预测年龄的整体表现：决定系数 R² = 0.44，相关系数 r = 0.67，平均绝对误差 9.04 岁。
为什么说话能反映全身的状态
把一句连贯的话说出来，至少四套系统得同时在线。
第一套是出声的硬件：膈肌和肋间肌提供气流，声带振动产生基频，舌、唇、下颌把气流塑造成具体的音。这套肌肉的力量和协调性随年龄下降，直接的后果是每口气能连续说的时间变短、停顿变多变长、音高的稳定度变差。
第二套是实时监控：人说话的时候一直在听自己说，靠听觉反馈和口腔的本体感觉随时纠偏。这个回路慢下来，发音会变得含糊，自我纠正会变多。
第三套是词汇语义检索：要说"柴犬"，得从心理词典里把这个具体的词调出来；调不出来就退而用"狗"，再退就用"动物"。用词从具体滑向笼统，是语义网络效率下降的直接表现。
第四套是执行功能和工作记忆：组织说话的顺序、压住跑题的冲动、记住自己讲到哪了。
所以语音不是"嗓子的年龄"，而是把这四套系统的状态打包成一串可以测量的数字。任何一环退化，都会在停顿时长、音高抖动、用词具体度、话量这些指标上留痕。这是语音年龄差能跟其他衰老指标对上的物质基础。
对得上的程度不一样，差别本身有信息
研究算了语音年龄差和各项衰老指标的相关系数，大小差别明显：
和核磁算出的脑龄差：结构像 r = 0.42，功能像 r = 0.49，两者合并 r = 0.53
和语言类认知成绩：r = −0.38
和非语言类认知成绩：r = −0.31
和社会环境处境（教育、食物保障、经济状况、就医便利、早年经历合成的一个分数）：r = −0.22
和血浆 p-Tau217：r = 0.21
和三套 DNA 甲基化时钟（Hannum、Retroclock、OMICmAge）：r 都在 0.20 到 0.21
先说这些数字有多大。r = 0.5 上下属于中等相关，一群人里的趋势清清楚楚；r = 0.2 属于弱相关，群体里能看出方向，落到某一个人身上基本对不上。所以下面这些关联都是"人群里成立"，不是"每个人身上都成立"。
这个排序不是随机的。语音年龄差和脑龄差贴得最近（0.42 到 0.53），和甲基化时钟隔得最远（0.20 上下）。
说话主要是大脑的输出，脑影像量的也是大脑，两者量的是同一个过程的两个侧面；甲基化时钟测的是全身细胞层面的改变，和说话之间隔了好几层。研究者的解读是，语音年龄差更像一个偏脑的指标，但它和甲基化时钟仍有不算零的相关，说明里面也掺了一部分全身性的衰老信息。
社会处境也挤进了这张表，这不奇怪
上面那串相关系数里，有一条容易被跳过：语音年龄差和社会环境处境的相关是 r = −0.22，在健康对照里甚至更强（r = −0.28）。处境越差的人，语音听起来越老。
这个分数由教育年限、食物保障、经济状况、就医便利程度和早年经历合成。它为什么会落到说话上？
教育这一条最直接。受过多少年教育，决定了一个人心理词典里有多少词、调词有多熟练。语义流畅性任务要求 60 秒内尽量多说出属于"动物"的词，能说出多少，词库大小和检索速度都算在里头。食物保障和经济状况走的是另一条路：长期营养不足、慢病控制不好、高血压和糖尿病没管住，都会伤到脑的小血管和白质，而说话恰恰依赖多个脑区之间的快速连接，连接变慢，停顿就变长。
所以这条相关提醒的是，语音年龄差读到的不全是生物学意义上的"老"，里面掺着一个人一辈子的处境。如果哪天真有人拿语音做筛查，这部分混杂必须先处理掉，否则筛出来的会是穷和书读得少，不是病。
病人组之间的顺序，是一条佐证
健康对照的语音年龄差最小，和每一个患者组都有差别，效应量（Cliff's δ）0.33 到 0.76，P 值都小于百万分之一。患者组之间按从小到大排是阿尔茨海默病、非语言型额颞叶变性、语言型额颞叶变性，语言型比阿尔茨海默病高出一截，δ = 0.65。
下图是原文 Fig. 2B。横轴五组从左到右是健康对照（HC）、轻度认知障碍（MCI）、阿尔茨海默病（AD）、非语言型额颞叶变性（nldFTD）、语言型额颞叶变性（ldFTD），纵轴是语音年龄差，0 那条虚线表示预测年龄和实际年龄正好相等。
看图时注意轻度认知障碍这一组的箱子特别高也特别宽：这组只有 24 个人，位置飘、范围大，不能和动辄上千人的几组平起平坐。
语言型额颞叶变性包含非流利失语型和语义型失语型，它从一开始打的就是语言网络；阿尔茨海默病早期主要伤记忆，语言受累排在后面。语音指标上语言型最重，正是按病理该有的样子。
这也说明，语音年龄差对语言系统受累的病更敏感，它不是一把通用的痴呆筛查尺子。
9.04 岁是什么概念
平均绝对误差 9.04 岁，意思是对任何一个具体的人，模型给出的年龄平均和真实年龄差 9 岁。R² = 0.44，意思是这套语音特征只解释了年龄差异中不到一半。
这把尺子的最小刻度差不多就是十年。拿它量人群的平均身高可以，量某一个人高几厘米不行。
所以这项研究能支持的是群体层面的结论：一群人里语音年龄差大的那部分，平均而言 tau 更高、脑龄更老、认知更差。它不能支持个体层面的判断，没法拿一段录音告诉某个人，你的大脑 72 岁了。
我个人认为，这一点在传播里最容易被跳过。一看到"AI 听声音测大脑年龄"，读者想到的就是自己能测一测，而这恰恰是现在这套模型做不了的事。
设计上，这是一项横断面研究。所有数据在同一时间点采集，看到的是此刻偏离了多少，不是衰老正在加速。要回答加速不加速，得让同一批人隔几年再测一次，这项研究没有做。
人群上，参与者全部来自拉美五国、全部说西班牙语、全部做结构化的说话任务。换成汉语会怎样，眼下没有数据。研究者在论文里写明，阿尔茨海默病的语言表现随语种不同而不同，只有说话的时间结构这类指标在不同语言之间迁移得比较好。
录音条件上，多中心的麦克风、环境和提示语不完全一样，这部分噪声没法完全消掉。
研究里还有一条没达到统计显著的观察：报告会说三到四种语言的人，语音年龄差有偏低的趋势（r = −0.09，斜率 −1.21）。方向和"多语种可能提供认知储备"的假说一致，但这项研究的数据量撑不起这个结论，只能算一个线索。
这条路为什么值得走
现有的衰老时钟，要么要做核磁，要么要抽血测甲基化，贵、慢、还要专门的设备和人员。说话不花钱，一部手机就能录，远程也能采。这项研究把语音放进了同一个坐标系，显示它和核磁、甲基化这些贵指标确实指向同一个方向。
这是它真正的价值。语音不比核磁准，它明显更糙；但在做不起核磁、也测不了甲基化的地方，它可能提供一个粗糙却拿得到的参照。研究特意选在拉美五国做，就是这个意思。
离临床还有距离。要让它变成能用的工具，至少得补上纵向随访（看这个差值能不能预测后面几年的变化）、跨语种验证（换个语言还成不成立），以及个体层面的精度（9 岁的误差不够用）。
说话里确实藏着衰老的信息，这一点这项研究立住了。但从藏着信息到能拿来看病，中间还隔着好几项还没做的研究。
参考来源
Hernandez H, et al. Sci Adv 2026;12(40):eaef9864.
AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。
热门跟贴