听见录音里的自己为何不适：回放与想象之差及个人敏感的声学加权

英文题目：What Makes Us Hate Our Own Voice? Large-scale experiments on Playback–Imagery Gaps and Individual–Speech Feature Effects

会议身份：conference:interspeech:2026:conference-paper-id:fukuda26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#统计分析 #主观评测 #言语感知 #语音 #语音质量评估

评分：6.7/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Koki Fukuda：机构信息未能从会议 PDF 纯文本可靠映射
• Shinnosuke Takamichi：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为459名日语母语者朗读中性句后的自我声音评价，输出为回放录音与听觉想象两种条件下的多维印象分，难点在于想象不可观测、顺序与习惯化混杂及个体差异大。方法链分四步：在线采集朗读录音并实施回放与想象的被试内四组设计以分离顺序与漂移；用混合效应模型估计回放—想象差距并检验顺序与特质预测；用重复基线做漂移校正的稳健性检查；对声学特征做发现—验证划分的探索性筛选与特质调节检验。与既往骨导失配解释不同，该工作将厌恶操作化为可检验的回放—想象差距并引入情境与听者加权机制。在在线回放与想象对照任务条件下，有录音接触史组陌生感的回放—想象差距得分为β=0.591，高于怪异感的差距得分β=0.488。结论受限于日本在线自选样本、中性朗读材料与单次想象范式，合成自声音等外推场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/takamichi-lab/selfvoice-playback-imagery-gap — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么：为何录音里的自己听起来不对？

本解读的输入是 Interspeech 2026 论文原文与本次收到的两张官方原图像素，目标是让刚进入语音音频领域的研究生能核对方法并复述流程，必须保留的关键信息包括被试量与分组、回放与想象的操作定义、评价维度、统计模型与校正方式，以及代码当前可用状态。输出是 1 篇按学习依赖展开的中文技术解读，不做超出证据的因果断言。论文研究的问题通常称为声音对抗，即很多人第 1 次听到自己录音时会觉得难受、陌生甚至想关掉。

白话说，大脑里对自己声音有一个预期，录音放出来与预期对不上就会产生落差。一种经典解释是传导失配：说话时同时听到空气传导和骨传导，录音只有空气传导，音色自然不同。但作者指出，仅用骨传导缺失难以解释很大的个体差异，因为自己声音的感知整合了多种线索，且人还能在脑中想象自己的声音。因此论文把可检验的落差操作化为回放—想象差距：同一句话，用实际听录音的评价减去闭眼想象自己读这句话的评价。

这个差值记为 Δy，每个评价维度各有一个 Δ。研究用日本在线被试 459 人完成主体试验，另有 178 人因预先设定的质量标准被排除，初始招募为 637 人。项目代码库本次验证为可用，地址为公开仓库，但正文解读仍以论文证据为准。

相关路线如何解释厌恶：传导、记忆与适应的分工？

要理解本研究的定位，需要区分 3 条相关路线。第一条是传导与音色路线，关注录音与日常自听在物理通道上的差异，常用骨导与气导传输实验说明音色变化。它的输入是物理信号，目标是解释平均意义上的变调，但不易解释为何有人极度讨厌、有人无感。第二条是声音对抗与社会评价路线，源于早期发现一旦被告知那是自己的声音就会出现负面反应，强调身份识别与自我评价的作用。

第 3 条是听觉想象与听觉适应路线，认为内部可以生成语音表象，且短时暴露会改变后续评价，提示上下文与遗留效应不可忽略。本研究同时借用三者：用回放与想象对照分离预期与证据，用多维评价区分情感与身份，用交叉顺序与重复基线分离遗留与漂移。与直接比较不同说话人或比较合成音的工作不同，这里固定说话人为自己、固定文本为中性句，只改变评价时的信息来源。

这种设计不回答哪种音色最好听，只回答在自我评价中，外部证据相对内部预期带来多大的情感代价，以及这个代价是否因人而异、因声学线索而异。

论文要回答什么：三个确认性预测与两个探索性问题？

论文把问题写成 3 个确认性预测和两个探索性问题。预测 1 是回放比想象引起更负面的情感评价，不适感是主要终点，其余为次要终点。预测 2 是分块顺序调节这个差距，即先回放后想象与先想象后回放两组的 Δ 不同。预测 3 是听者特质与差距相关，包括录音接触频率、一般自我声音喜好即声音偏好、 Rosenberg 自尊、SPS-6 社交焦虑、年龄与性别。探索性问题 1 问哪些声学属性与回放—想象差距共变，探索性问题 2 问听者特质是否调节声学特征对差距的作用。

关键术语需要先白话解释。听者特质指实验前测量的稳定个体变量；声学特征指从回放录音提取的描述子，包括均方根能量、基频、频谱描述子、梅尔倒谱系数均值与 wav2vec2 嵌入均值池化；多重比较校正指同时检验多个结局或多个特征时控制假发现的方法，正文用 BH-FDR 报告 q 值，用 Holm 法做验证。论文明确区分直接报告、有限解释与未验证推测，探索部分只总结候选模式，不做机制性断言。

方法全景：一个被试如何走完四次试验？

沿一个被试走完全程最容易复述。被试经由 Lancers 在线招募，用浏览器完成录音与评价。先完成实验前测量，包括每周录音接触频率、对自己声音的总体喜好 1 至 7 分、日版 Rosenberg 自尊 1 至 4 分、日版 SPS-6 社交焦虑 0 至 4 分，以及年龄性别。接着被试被随机分到 4 组中的一组：回放转想象、想象转回放、回放重复、想象重复。每人做 4 个试次，即两个句子乘以两个分块，块内句子顺序随机。

句子是选自 WRIME 的中性日语句，长度至少 15 字符且情绪极性为零，目的是避免情绪文本干扰，每人随机分到两句以减少条目特异性。除想象转想象组外，被试需录制两句，每句至多 10 秒、至多 3 次尝试，保存为 RIFF WAV。回放试次要求把自己的录音放一遍再评价；想象试次要求看着句子、在脑中想象听到自己读出它再评价。每次试次后用 7 点量表评价宜人性、效价、不适、自我相似感、熟悉感、怪异感、陌生感，每块后还评价想象生动性与困难度。

质量控制排除 3 类人：试次不完整、缺两段录音或未通过自动音频检查、任一试次反应时短于 15 秒。自动音频检查包括短于 0.5 秒、均方根低于负 50 分贝、削波样本达 1% 以上、浊音段短于 0.2 秒等条件。最终分析 459 人，平均年龄 43.89 岁，标准差 10.93 岁，中位 43 岁，范围 21 至 79 岁，男性 246 人、女性 210 人、其他 1 人、未回答 2 人。

对照如何构造：条件、分组与漂移分离的操作？

本节承担的教学任务是讲清自变量如何操作化。回放条件与想象条件的文本相同，差异只在信息来源，这使得 Δy 可以解释为同一内容下外部证据相对内部预期的增量评价。分组承担分离顺序与漂移的职责。交叉的两组经历两种条件，用于估计顺序效应；重复的两组 2 次经历同一条件，用于估计单纯从第一块到第二块的漂移，例如练习或习惯化。

若只做交叉设计，顺序效应会与时间漂移混杂；加入重复基线后，可以用重复组的第一块减第二块去校正交叉组的顺序差。论文还用块后生动性与困难度作为想象操纵的条件检查，只做描述性关联，不做因果解释。

回放 × 听觉想象： 回放指录下自己读句并实际听录音，负责提供外部听觉证据；听觉想象指看着同一句子在脑中想象自己读出的声音，负责提供内部预期。二者搭配的理由是把刺激内容固定为同一句话，只改变证据来源，从而把不适差分离为回放—想象差距；组合意义在于区分情感性惩罚与身份识别是否同步变化。

沿样本继续走：假设某被试分到回放转想象组，第一块听自己录音后给不适打 5 分，第二块想象后给不适打 4 分，则其不适 Δ 为 1 分；另一被试分到相反顺序，若其 Δ 更小，则提示顺序可能调节差距。但这种组间比较仍需考虑第二块天然更容易习惯，因此必须看重复基线的漂移量级后再判断。

因变量与统计如何对应：从试次评分到 Δ 的聚合？

本节讲清从原始评分到检验统计量的计算路径。试次评分为 1 至 7 分的李克特量表，不适感是确认性主要终点，直接检验；宜人性、效价、自我相似感、熟悉感、怪异感、陌生感为次要终点，需做 BH-FDR 校正。论文聚焦不适、效价、宜人性为主要情感结局，因为它们直接捕捉正负评价；自我相似感单独作为身份相关结局，因为它反映像不像自己而非好不好听。

预测 1 用全部可分析试次拟合试次级混合效应模型，固定效应为条件即回放对想象、是否为交叉被试对重复基线被试，加上被试随机截距，主要检验为条件固定效应。预测 2 只用交叉被试，先在被试内把每人每结局的两个回放试次取均值、两个想象试次取均值，再算 Δ 等于回放均值减想象均值，然后用普通最小二乘比较两种顺序的 Δ，标准误用 HC3 异方差稳健标准误。

预测 3 同样用 Δ 对每个实验前特质逐个回归并控制顺序，连续特质线性进入，录音接触另做有无二分检验，次要结局需跨特质乘结局校正。声学分析把每人回放特征先平均再在各划分内标准化，避免信息泄漏。

交叉设计 × 重复基线： 交叉设计指一半人先回放后想象、另一半先想象后回放，负责估计顺序效应；重复基线指另两组 2 次都做同一条件，负责估计单纯随时间漂移。搭配理由是顺序效应与时间漂移在分块实验中混杂，组合后可用重复基线的漂移去校正交叉组的顺序差，从而判断表观遗留效应有多少是习惯化。

这里的教学例子是：混合模型回答平均一个人回放是否更高分，Δ 回归回答哪类人差距更大，二者聚合对象不同，不能直接比较系数大小。

本研究训练了什么：无神经网络训练时的真实计算？

本研究没有训练新的神经网络，也没有微调语音模型，必须明确说明未训练的部分，再讲实际执行的计算。本研究未训练声学编码器、未更新 wav2vec2 权重、未学习合成或转换模型；wav2vec2-base-960h 仅作为冻结特征提取器，对录音做均值池化得到每维嵌入，再把每维当作独立声学特征参与回归。真实计算是统计估计与筛选流程。确认性部分是混合效应估计、OLS 与稳健标准误、BH-FDR 校正。

稳健性部分是重复基线的块漂移估计与简单的漂移校正顺序对比；探索部分是预先设定的 70% 发现集与 30% 验证集划分，按序列分层，用 Δ 对声学特征加顺序的回归筛选候选，用 BH-FDR 在结局内以 q 不超过 0.20 选出候选，再在验证集用 Holm 校正检验，要求 Holm 调整后 p 不超过 0.05 且方向一致才算复制。交互分析形式为 Δ 对特质加声学加特质乘声学加顺序，关注交互项，仅当满足预设样本量与缺失率条件才运行。论文未报告梯度路径、优化器、冻结更新之外的训练细节，因为不存在训练阶段。

也不存在早停或重置时机。复现时不应猜测模型结构，而应复现随机分组、聚合方式、标准化时机与校正层级。

实验条件与复现信息：划分、指标与代码状态？

实验条件按证据逐项交代。被试为日语在线自选样本，分析样本 459 人，排除 178 人，排除标准在方法节已列出。刺激为 WRIME 中性句，每人两句，录音条件为浏览器录制、至多 10 秒、至多 3 次尝试。协议为被试内两条件乘以被试间四分组，每人四试次，条件顺序在交叉组间平衡。指标为 7 个 7 点试次评分加块后生动性与困难度，聚合时 Δ 为被试内回放均值减想象均值。

统计方法为混合效应模型、HC3 稳健 OLS、BH-FDR 与 Holm 校正，检验均为双侧并报告 95% 置信区间。声学侧用能量、基频、频谱、梅尔倒谱与冻结 wav2vec2 嵌入，缺失与样本量不足时按预设标准跳过模型。硬件与耗时预算原文未报告，不能承诺延迟或成本改善。代码状态方面，本次收到的资源状态为可用，状态码 200，仓库地址为公开链接，可以认为当前可用与已公开；但解读中的数字仍以论文正文为准，不以仓库推定。

局限是线上研究无法直接验证被试是否按要求想象，仅用生动性与困难度做部分检查；推广限于日语在线样本与有限人口学信息；句子材料未完全控制，基线未用中性合成音或偏好匹配音。

主结果：回放是否更难受而相似感不变？

本节回答预测 1，即测什么、与谁比、条件是否一致、指标方向与关键数字。比较的是同一被试、同一句子下回放评价与想象评价，条件除信息来源外保持一致，指标方向为分数越高表示该属性越强，不适越高即更难受，宜人性越高即更喜欢。以下导读针对本次收到的第一张像素图，该图为各结局回放减想象固定效应的森林图，横轴为估计差，纵轴为 7 个维度，点为估计、横线为 95% 置信区间，星号为显著性。

看图路径： 1. 先确认纵轴七个评价维度与横轴回放减想象的估计方向，正值表示回放评分更高；2. 再比较不适、怪异、陌生在右侧的点估计与置信区间是否远离零线；3. 接着看最下方的自我相似感点估计是否贴近零线且区间跨过零；4. 最后核对左侧宜人性、效价、熟悉度的负向偏离与星号显著性标记

论文图 1。原论文 Figure 3：“1”。

从像素可见，不适、怪异、陌生 3 条的点估计位于零线右侧且区间远离零，宜人性、效价、熟悉度位于左侧且区间远离零，最下方自我相似感贴近零线且区间跨过零，这与正文报告一致。正文报告主要终点不适的回放高于想象，系数为 0.490，置信区间为 0.385 至 0.595。次要结局经校正后，回放被评为更不宜人、更怪异、更不熟悉、更陌生、效价更负，而自我相似感无可靠差异。作者的有限解释是回放主要带来情感与知觉代价，而非身份识别失败，并检查自我相似感总体均值为 4.69、仅 8.8% 打满分，认为不像是天花板效应压住了差异；在额外控制块后生动性与困难度后，不适差仍定性相似。

为核对主效应的公平条件与指标方向，下表把同一对照下的情感结局与身份结局并列，表中数字均来自原文连续句，不做四舍五入或单位改写。

表后解释需要同时讲收益与代价。主收益是情感惩罚的证据清晰，尤其是最大样本下不适效应显著且区间窄；代价是身份结局未胜出，不能把厌恶简单归因于认不出自己。未胜出项正是自我相似感，它在主对照与后续顺序对照中均无可靠变化，构成重要的反例，提示自适应模型应分别处理情感权重与身份权重。

不适感 × 自我相似感： 不适感是主要的情感评价，负责回答听起来难不难受；自我相似感是身份相关评价，负责回答听起来像不像自己。搭配理由是二者同用 7 点量表、同一样本和同一对照，若同步变化则支持识别失败导致厌恶，若分离则支持情感惩罚独立于识别；本研究组合意义正在于发现前者显著变差而后者无可靠差异。

顺序与漂移：表观遗留效应有多少是习惯化？

本节承担反证任务，检验预测 2 的顺序效应是否稳健。以下导读针对本次收到的第二张像素图，该图为顺序对 Δ 的影响，即后一种顺序的 Δ 减前一种顺序的 Δ，横轴为均值差，纵轴仍为 7 个维度。

看图路径： 1. 先确认横轴是顺序对比即后一种顺序减前一种顺序的差距差，不是单条件均值；2. 再看宜人性在右侧大幅为正而陌生、不适在左侧为负的对称模式；3. 接着检查自我相似感是否仍贴近零线且区间包含零；4. 最后比较各条置信区间宽度，判断哪些顺序效应估计更不确定

论文图 2。原论文 Figure 4：“2”。

从像素可见，宜人性点估计大幅位于零线右侧且区间远离零，陌生与不适位于左侧，熟悉、怪异、效价偏离零但幅度较小，自我相似感仍贴近零。这与正文报告的顺序对比方向一致。正文报告不适的顺序对比显著，熟悉、怪异、陌生、宜人性、效价也经校正后显著，而自我相似感不受顺序可靠影响。但作者用重复基线做了关键的稳健性检查：总体漂移较小，多在正负 0.33 分以内，不适在回放重复组上升 0.125、在想象重复组下降 0.330，怪异在两重复组分别下降 0.300 与 0.213，提示部分习惯化存在。

经简单漂移校正后，不适、效价、熟悉、怪异的顺序效应不再显著，只有宜人性与陌生感保留显著。原文明确说明该校正只是近似，不能完全分离漂移与遗留。

为核对顺序效应的公平条件与漂移代价，下表并列校正前后的关键数字，条件均为交叉组之间的 Δ 之差。

表后解释是：顺序依赖的收益在于提示想象先行可能减小部分负面差距，但代价是分块设计天然混杂时间漂移，校正后仅宜人性与陌生感的上下文依赖更稳健。未胜出与失败条件包括校正后不适不再显著，以及自我相似感始终不显著，这限制了把顺序效应推广到身份识别的企图。

声学特征 × 听者特质： 声学特征指从录音提取的能量、基频、频谱、梅尔倒谱与 wav2vec2 嵌入，负责描述刺激差异；听者特质指声音偏好、自尊、社交焦虑、录音接触频率、年龄性别，负责描述人之间的稳定差异。搭配理由是单一声学线索在群体层面解释力有限，组合为特质与声学交互即检验不同人是否对同一声学线索加权不同。

特质与声学：谁的差距更大与哪段声音特征共变？

本节展开预测 3 与两个探索性问题，属于论文特有的第二类细节。先讲特质主效应。更喜欢自己声音的人不适差距更小，校正后宜人性与效价差距更大、怪异差距更小；更高社交焦虑者熟悉感差距更小；有录音接触者陌生与怪异差距更大。

更高自尊者效价差距更大。其余特质效应经校正后未存活。作者将其表述为支持听者自适应观点的相关证据，而非因果。再讲声学主效应。尽管筛选规模很大，发现集筛选出 11977 个候选中的 2 个在验证集复制：更高的第 19 维梅尔倒谱预测更大的不适差距，更高的第 24 维 wav2vec2 特征预测更大的怪异差距。

这表明群体层面的通用低层线索解释力有限。交互效应复制了 12 个，提示候选的特质依赖加权：声音偏好调节均方根能量对宜人性的作用，社交焦虑与多个嵌入维度对自我相似感的交互，录音接触增强嵌入对效价的作用。论文强调分母很大，主效应复制率为 2 除以 11977，交互复制率为 12 除以 59885，只是小部分复制，须作为假设生成而非机制证明。

为核对特质与声学证据的量级与校正状态，下表汇总可直接引用的复制效应，单位均为 7 点量表上的期望变化。

表后解释需指出具体代价与反例。主要代价是筛选基数极大而复制极少，任何单一声学维度的通用签名都不可信；交互虽复制 12 项，但仍是探索性候选，需更受控的后续研究。未胜出项包括大量未复制的声学主效应，以及年龄性别等未存活的特质效应；未评测边界包括非线性关系、高层韵律结构与跨语言推广，这些在原文均未验证。

发现集 × 验证集： 发现集指按 70% 划分用于大规模筛选候选效应的子样本，负责提出假设；验证集指剩余 30% 用于独立检验的子样本，负责控制假阳性。搭配理由是声学维度与交互数量极大，1 次回归必然过拟合，组合为发现—验证加多重校正流程后，只有方向一致且通过校正的效应才被报告为可复制。

限制在哪里：线上想象、样本与基线的边界？

本节按证据讲清不能推广的部分。首先，线上研究无法直接验证被试是否按要求执行想象，只能用块后生动性与困难度做部分检查，且这些关联只做描述性解读，不能当作因果。其次，样本为日语自选在线样本，年龄跨度大但语言与招募渠道单一，人口学信息限于年龄性别，推广到其他语言、录音设备与聆听环境时需待验证。第三，句子材料为随机分配的中性句而非完全控制的音系材料，录音质量经自动检查但仍是在家录制，设备与噪声差异可能进入声学特征。

第四，基线只有想象，没有中性合成音或偏好匹配音对照，因此不能分离一般自我关注与特定声音预期的作用。第五，漂移校正只是简单近似，不能完全分离遗留与习惯化；探索部分虽有发现验证划分与多重校正，但维度极高，复制的少数效应仍需独立样本与预注册重复。缺失证据不是技术错误，例如训练资源、推理延迟、部署成本原文未测量，就不能承诺自适应应用能改善这些量。相关不等于因果，特质与差距的相关不能推出改变特质就会改变厌恶。

复现先做什么：分组、聚合与校正的核对清单？

若要复现，先做三件事。第一，重建分组与流程：4 组随机分配、每人两句四试次、回放放一遍、想象看句想象、试次后 7 维 7 点评价、块后生动性与困难度；录音保存为 RIFF WAV 并执行同样的自动质量检查与反应时下限。第二，锁定聚合与模型：预测 1 用试次级混合效应加被试随机截距，预测 2 与预测 3 先在被试内算回放均值减想象均值再做 HC3 稳健回归并控制顺序，次要结局做 BH-FDR；声学特征先按人平均再在划分内标准化，发现集 q 不超过 0.20 筛选、验证集 Holm 检验且要求方向一致。

第三，保留关键超参数与信息条件：中性句筛选标准、录音时长与尝试次数上限、量表方向、双侧检验与 95% 置信区间、70% 对 30% 划分并按序列分层。代码库当前可用，可用于核对材料与输出结构，但复现结论仍需回到论文数字逐项核对。何时值得尝试自适应想法：当你的应用需要为不同听者调整回放处理或反馈时，可以把声音偏好、社交焦虑与录音接触作为候选协变量，并为每人估计声学加权。

但在上线前还需补更受控的句子材料、直接的想象操纵检查与跨设备重复，以验证少数复制效应是否稳定。

收束：什么成立、什么可能、什么待验证？

用 3 层语言收束。报告显示：回放比想象更负面，尤其不适更高，而自我相似感无可靠差异；顺序调节差距，但部分可被块漂移解释，校正后宜人性与陌生感的顺序效应更稳健；声音偏好、社交焦虑、录音接触与自尊与部分差距相关。有限解释支持：情感惩罚与身份识别分离，上下文通过漂移与遗留共同作用，听者可能对声学线索加权不同。

可能与待验证的是计算性叙述：听者用特异先验结合回放证据，当证据偏离预期时产生情感预测误差，短期暴露移动预期，稳定特质调节先验精度与线索权重。这一叙述与特质主效应和特质乘声学交互相容，但原文未直接测量先验或误差，不能当作已证机制。教学上最易误解的三点需要澄清：其一，无训练不等于确定性求解，本研究仍是抽样估计；其二，曲线向下不等于性能变差，需先看纵轴是原始分还是差值以及方向定义。

其三，总体趋势不等于每人每步成立，复制率极低提示个体差异远大于通用声学签名。后续工作应使用更直接的操纵检查、完全控制的材料与替代基线，并在预注册下检验听者自适应模型是否真正改善自我声音应用。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总