![]()
![]()
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。
![]()
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。
![]()
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。
![]()
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。
![]()
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。
![]()
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。
![]()
那问题来了:AI音到底会对大脑造成怎样的伤害?
![]()
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。
![]()
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。
![]()
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。
![]()
![]()
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。
![]()
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。
![]()
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。
![]()
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。
![]()
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
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.