打开网易新闻 查看精彩图片

打开网易新闻 查看精彩图片

刷十条短视频,五条是同一个嗓子。

听着听着,你走神了,烦了,手指自动往上划。

你以为是内容无聊。

不一定,可能是声音本身在消耗你。

打开网易新闻 查看精彩图片

AI配音,正悄悄消耗你的大脑

先说一种很具体的感受。

一条三分钟的视频,内容你其实想看,配音也字字清楚。

但听到一半,你开始走神;再撑一分钟,太阳穴有点发紧,像刚挂掉一场两小时的电话会议,什么都没剩下。

你关掉它,不是因为不好看,是因为听不动了。

打开网易新闻 查看精彩图片

AI这种平的、薄的、没有起伏的声音,时间长了,就感觉脑壳疼,后期一听就想划走。

有人把这归为矫情,说现在的人注意力太短。

但这其实不是审美挑剔。听AI的声音,大脑确实要多付出一份力气。

打开网易新闻 查看精彩图片

现在,短视频里最常出现的声音有这几种。

云溪腔。女声,语速比正常说话快 15% 左右,尾音轻轻上扬,带一点“我跟你讲这事儿有意思”的调侃感。三分钟讲完一部电影,从头到尾不喘气。

它的亲戚是云希。男声,情绪饱满,专门负责悬疑、历史、还有那句“这个男人叫小帅”。

科技男声。句尾必须上扬,中英夹杂,“这个功能,直接拉满”。

还有哽咽腔。卖惨专用,每句话末尾自动漏气,用来讲“我妈把我养大不容易”。

以及纪录片腔。低沉、慢,在“而这一切”后面停半拍,等着你肃然起敬。

打开网易新闻 查看精彩图片

为什么短视频里的声音只剩这么几种?这些声音,到底是怎么造出来的?

纯 AI 配音是主流。

行业统计估算,58%的营销视频已经用了 AI 配音。

一个音色吃透一个赛道,不是巧合。

影视解说的内容是高度同构的:三分钟、强反转、情绪必须顶上去。云溪就是照着这种内容调的参数。所以内容越像,音色越收敛;音色越收敛,内容看起来越像。

打开网易新闻 查看精彩图片

还有就是真人录制,再做成 AI。

营销号很常见的做法是:自己念,倍速拉到 1.2 到 1.3,声音变调,再把停顿、呼吸、口误全剪掉。

打开网易新闻 查看精彩图片

那问题来了:AI音到底会对大脑造成怎样的伤害?

打开网易新闻 查看精彩图片

AI音色,听多了伤脑子?

脑子真的在抗议。

有研究直接对比了真人声音和AI克隆声音在语调变化下的脑电反应,发现AI声音会让大脑多花一份力气。

研究者让被试者先记住若干声音和名字的对应关系,再看他们听到“韵律变了”时的脑反应。

结果是:真人声音出现预期之外的韵律,诱发的是晚期正波,像是人在心里自动修补“说话方式变了,但人还是这个人”。

AI声音遇到同样的变化,诱发的是晚期负波,这通常对应“费力的再加工”。

研究者比喻说:AI声音像一种不熟悉的口音。你完全认得出这是谁,但它是合成出来的这件事本身,就已经是负担。

打开网易新闻 查看精彩图片

中文语境下,这份负担会更重。

另一项研究测了听众听AI新闻主播和真人主播时的脑电波。

发现在中文语境里,人声播报比AI合成语音产生了更强的认知中介效应。

这是因为:中文的声调、重音变化比英语复杂,一句话里哪个字该重读,没有标准公式,得看语境和说话人想强调什么。

真人会根据意思实时调整,AI靠的是程序化模拟,听众就得自己多花认知资源,去补这个重音的落点。

打开网易新闻 查看精彩图片

那长期听下来会有什么影响?

情感疏离。

过度逼真的声音模仿,会让人感到不适;单调机械的节奏和语调,会导致认知紧张。

因为AI声音可以用来“任务性聆听”,但没法引发情感投入,缺乏回应性,注意力会漂走。

打开网易新闻 查看精彩图片
不仅伤脑,还烧心
打开网易新闻 查看精彩图片
不仅伤脑,还烧心

把镜头拉远,声音的雷同就不只是“难听”或者“腻了”的事了。

本雅明在《机械复制时代的艺术作品》里给“灵光”下过一个很朴素的定义:“作品的此时此地……就是这独一性的存在”。

说白了,灵光来自一个东西在特定时空里的在场,来自它不能被复制替代的那份独一。

真人声音的灵光,恰恰在于它是一个具体的身体、在一个具体的处境里发出的声音。呼吸的深浅、停顿的长短、某句话说到一半突然快起来的节奏,都是“这个人此刻在这里说话”的证据。

AI配音和声音克隆把声音变成可无限复制的技术产品:音色能采样,韵律能拼接,情绪能参数化。

声音还在,但那个“曾在场说话的人”被抽走了。

打开网易新闻 查看精彩图片

再说文化,AI音色的泛滥也会影响声音的多样性。

合成语音的工作方式,是把声音拆成音高、音色、频谱,再重组。

模仿腔调这件事它越来越行,但它处理不了声音作为整体的、依赖语境的那部分。

秦腔里的苍凉,评弹的婉转,方言里的独特性......都是AI无法模仿的。

打开网易新闻 查看精彩图片

听觉环境被少数标准声线填满,受损的还有我们靠声音认人的能力。

人对声音的辨认能力,出现得极早,也极其精确。

新生儿在出生三天内,就能从多个女声中分辨出母亲;成年人听到一句“喂”,也能大致判断对方当天的状态。

有研究让人听声音的同时扫描大脑,结果显示,不到一秒,年龄、性别、强势程度与可信度已依次完成判断。

当听觉环境被少数标准声线占据,这套能力便失去了练习对象。

人们听到的不再是某个具体的人,而是一类声音:女声、温柔、二十五岁、适合情感类文案。

打开网易新闻 查看精彩图片

受影响最大的是“可信”这一项。

它本就依赖那些细微差别成立,模板将其抹平之后,判断只能转由形象、粉丝数或文案来承担。声音这一路的信任通道,因此被削弱。

打开网易新闻 查看精彩图片

人耳对“活人”的识别,比我们以为的灵敏得多。

一个声音之所以能让人停下来,从来不是因为它完美,是因为它属于某个人。

当我们开始分不清谁在说话,最先失去的不是审美,是信任。

*图片来源于网络,侵删

打开网易新闻 查看精彩图片