猫叫翻译App下载超2000万次，AI真能听懂动物在说什么吗？

每个宠物主人的梦想，可能都是知道自己的宠物在说什么。猫在凌晨对着卧室门叫，是饿了、无聊，还是单纯希望所有人都醒着？狗听见门外的声音突然吠叫，究竟是在害怕、警告，还是认出了熟悉的脚步？人类和宠物共同生活了上万年，仍然经常只能依靠经验、表情和一点自信过头的直觉作答。近几年，一些结合了AI的应用开始尝试替主人给出一个更明确的答案。

例如猫语翻译应用MeowTalk会录下猫叫，将其归入“开心”“生气”“疼痛”“捕猎”或“需要关注”等11类意图，再把结果改写成人类能够理解的句子。公司称，这款应用下载量已经超过2000万，用户上传了超过2.8亿次猫叫，建立了800多万个猫档案。几秒钟的等待后，一声喵可能变成“陪陪我”。这种体验很容易让人产生一种感觉：似乎横在两个物种之间的墙终于裂开了一条缝。可问题是，屏幕上的答案究竟是猫的心声，还是来自人类预先写好的选项？

主人纠正翻译，模型学到的是猫还是人？

MeowTalk允许主人纠正翻译，再从列表中选择一个更符合当时情境的说法。模型由此逐渐熟悉某一只猫。可如果答案最初由主人提供，机器学到的也可能只是主人对猫的理解。人类相信猫在撒娇，于是把这声叫标成“想要关爱”；模型以后再听见相似声音，便更有把握地告诉人类：猫在撒娇，一个循环就这样形成了。问题是，这到底算不算翻译？抛开宠物App的界面，AI理解动物的声音，目前究竟做到了什么程度？

人类语言翻译拥有一个巨大的便利：同一句话通常能够在另一种语言中找到对应表达。模型可以阅读双语文本，学习“苹果”与“apple”之间的关系，再从数以亿计的例子中理解词语在不同句子里的位置。但动物的声音没有这样的平行语料。一段鸟鸣或者一串蝙蝠的尖叫出现时，不会同时附带一行字幕。研究人员连一句可靠的译文都没有，更不用说用几百万组成对的句子训练模型。

先记录谁在叫、对谁叫、叫完发生了什么

于是，动物语言研究首先要完成一件看起来不太像语言研究的工作：记录谁发出了声音，当时面对谁，周围发生了什么，以及声音结束后，其他动物做了什么。2016年，特拉维夫大学的研究团队连续75天监控埃及果蝠，把录音与视频逐一对应。他们最终得到近1.5万段能够确认发声者、接收者和行为背景的叫声。对人耳来说，这些声音大多只是挤在一起的蝙蝠争吵；机器学习模型却能以61%的准确率判断争吵与食物、交配、睡觉位置还是栖息空间有关，随机猜测的准确率只有25%。

辨认争吵发生在什么情境，只是第一步。研究人员还想知道，动物是否会用不同的声音指向特定同伴。2024年，研究人员分析了狨猴在看不见彼此时进行的53993次呼叫。他们发现，模型可以根据声音判断一只狨猴在呼唤哪个同伴；同一家族的狨猴，对同一个体使用的声音标签也更相似。随后进行的回放实验显示，当狨猴听到原本就是对自己发出的呼叫时，回应概率高于听到面向其他同伴的呼叫。

野生非洲象的研究采用了相似的路径。研究者先整理469次能够确定发声者和接收者的低频隆隆声，让机器学习模型寻找与特定接收者相关的声学结构；再到野外播放录音。大象听见原本对自己发出的声音时，回应得更快，叫得也更多。这些发现常被简单地说成动物也会“叫名字”。目前能够确认的是，某些叫声包含了接收者的个体信息。但研究者尚未指出大象名字位于叫声的哪个部分，也不知道狨猴是否像人类一样，把一个稳定的词与某个个体联系起来。声音标签还可能同时包含亲疏关系、紧张程度和说话者当时的状态。

这些研究真正建立起来的是一条验证链：先记录声音和行为，让AI发现人耳忽略的模式，再提出假设，最后把声音播放给动物，看它是否作出符合预期的反应。而AI位于这条链的中间，要判断它有没有听懂，仍要依据链条另一端的动物来验证。

鲸的“字母表”离破译还有多远

如果放在海里，这条验证的链路会变得格外漫长。抹香鲸大部分时间生活在人类难以观察的深水中。它们用一组组被称为“尾声点击”（coda）的声音进行交流，声音听起来像有人在水下有节奏地敲击木块。研究人员能够录下点击声，却很难同时看清是哪一头鲸在发声、它面对谁，以及几百米外正在发生什么。Project CETI为此把动物语言研究做成了一项海洋工程。水听器负责持续录音，吸附在鲸身上的传感器记录运动和潜水状态，无人机从空中观察鲸群关系，海上机器人寻找发声的个体。AI需要的训练数据，最终来自这些设备与研究人员多年跟踪的结合。

2024年，CETI和麻省理工学院的研究人员分析了东加勒比抹香鲸群的8719组尾声点击。他们发现，鲸会组合使用节奏、速度、轻微的时序伸缩和额外点击。过去被归为同一类型的声音，内部可能还有大量稳定变化。论文把这套组合结构称为抹香鲸的“语音字母表”，可区分的声音形式比此前的估计多了近一个数量级。“字母表”这个说法很容易让人误认为实现了语言上的破译，但它实际回答的是声音由哪些部分组成，以及这些部分怎样组合。研究者仍不知道其中大多数形式表达什么。

2025年，CETI又推出了鲸声模型WhAM。研究团队先使用音乐训练声音模型，再用约1万段抹香鲸尾声点击进行调整。WhAM可以补全被遮住的点击，也能把人声、音乐或其他声音转换成结构逼真的抹香鲸式点击。这类能力在技术上很接近语言模型的“续写”：给模型一段序列，它预测接下来最可能出现的部分。WhAM能够生成听起来像鲸的声音，也能保留鲸声中的节奏特征。它没有因此获得“食物”“幼崽”或“船”的概念。

声音形式与含义之间，缺少的仍是现实世界。同一组点击可能随着发声者、关系和情境发生变化。母鲸与幼鲸的对话、下潜前的协调、鲸群重逢时的交流，也许会使用相似的声学材料。研究人员必须把模型找到的结构重新放回鲸的生活中，观察它在什么情况下出现，又引发什么反应。这也是动物语言基础模型面临的局限。Earth Species Project训练的NatureLM-audio已经可以识别物种、叫声类型和生命阶段，也能在部分任务上处理训练时没有见过的动物。然而其官方使用说明仍明确写着：模型目前不能判断动物的情绪，也不能翻译动物在说什么。

先学会回话，再谈理解

理解含义还有另一条路径：先发出声音，再观察动物如何回答。传统的动物叫声回放实验通常很短。研究人员播放一段预先录好的声音，记录动物接近、离开、回叫还是毫无反应。声音本身不会根据动物的回答发生变化，因而更像广播，很难模拟真正的交流。2026年，Earth Species Project与麦吉尔大学等机构的研究人员公布了一项斑胸草雀实验。他们分析了超过1000小时、150万次雌性斑胸草雀叫声，训练了一个可以实时检测、预测并生成叫声的模型ZF-AIM。当鸟发出声音时，模型会决定何时回答，并生成相应的鸟叫；鸟也会调整自己的回应时机和声音结构。部分互动呈现出真实鸟类交流中的轮流发声和声学适应。

这项研究尚未经过同行评议，也没有告诉人类斑胸草雀在谈什么。它证明了一件稍有不同的事：AI可以掌握一段交流的节奏，让动物把机器发出的声音纳入自己的互动。Google与Wild Dolphin Project开发的Dol