熟悉度提升快乐AI语音，拖慢恐惧判断
这项研究要回答的是：当声音来自真人还是AI克隆时，听者对情绪韵律的解码是否不同，以及是否认识说话人会不会改变这一点。17名普通话成年听者参与后，对快乐、悲伤和愤怒，人声的识别准确率更高、反应更快；恐惧没有出现这种差距。在AI语音内部，熟悉度并不是普遍的助推器：它只提高了快乐刺激的准确率，并让对恐惧刺激的反应变慢。
这一模式是论文的核心主张。对说话人的熟悉度不是一道要么帮忙、要么添乱的开关键；它的作用取决于表达的是哪种情绪。正因如此，作者把熟悉度称为一把双刃剑，而不是一种统一的优势。
被试内任务同时测量行为与心率
参与者听短的六词中性普通话句子，按键判断情绪类别。设计交叉了两组比较。来源比较固定说话人身份，使用陌生人的声音，把自然真人录音与同一内容的AI克隆版本相对照。熟悉度比较固定声音来源，只使用AI语音，把陌生人的音色与参与者认识的人的音色相对照。
实验前，参与者先听两位熟悉同事的自然录音，若无法认出说话人就被排除，因此熟悉度操纵建立在经过验证的识别之上，而不是假定的相识关系。AI刺激由一个保留情绪的声音转换模型生成，该模型把源句子的语义内容和音高轮廓迁移到目标音色上。两名语音学专家筛选合成样本，出现分歧时由第三名专家裁定，只有一致通过的刺激才进入研究。
除准确率和反应时外，研究还通过三导联配置记录心率变异性，提取平均心率、RMSSD以及低频与高频功率比。这些指标意在捕捉行为反应可能遗漏的认知负荷和生理应激。
人声在准确率和速度上占优，恐惧除外
在来源比较中，统计模型发现准确率上存在显著的来源主效应和来源与情绪的交互。事后比较显示，对快乐、悲伤和愤怒刺激，人声的准确率显著高于AI语音，而恐惧的差异不显著。反应时呈现同样的形状：除恐惧外，所有情绪下人声的反应都显著更快。
恐惧这一例外对解读很重要。作者提出，恐惧具有生物学显著性，即使声学信号是合成的，威胁识别也可能保持稳健，因此通常的人声优势没有出现。这是作者的解释，而不是本设计中单独检验过的机制。
人声优势的大小也应结合语境理解。准确率的事后估计位于logit尺度上，不是百分点，因此它们指示的是方向和相对大小，而不是一个容易换算的准确率差距。反应时差异同样以模型估计值报告，结果表格中没有简单的毫秒分解。
心率变异性未能区分各条件
生理指标中没有任何一项显示出显著的语音来源主效应。平均心率、RMSSD和低频与高频功率比在人声与AI语音之间没有可靠差异，用这些特征做的逻辑回归也没有比零模型更好地分类来源。
熟悉度也呈现同样的零结果：对任何心率变异性指标都没有显著主效应，对熟悉与陌生的AI语音也没有优于零模型的分类。这与行为结果形成有意义的对照。听者对某些AI刺激反应更慢、准确率更低，但研究没有检测到自主神经指标上的相应变化。作者将其解释为：在这个范式中，处理合成语音所需的认知努力未必系统地表现为自主神经应激；这也留下了另一种可能，即换用其他生理指标或更难的任务或许能显示出来。
熟悉度提高快乐准确率，延迟恐惧判断
在AI语音内部，熟悉度模型发现准确率上存在显著的熟悉度与情绪交互。事后检验显示，当AI语音带有熟悉音色而非陌生人音色时，快乐刺激的准确率显著更高，其他情绪没有显著的熟悉度差异。反应时在恐惧上呈现相反模式：对恐惧AI刺激，陌生声音的反应显著快于熟悉声音，其他情绪没有基于熟悉度的反应时差异。
作者把快乐的结果解读为自上而下的补偿。对熟悉说话人韵律模式的先前知识可以被调动起来，抵消合成语音的声学瑕疵，但在这个数据集中，这种补偿只出现在正性情绪上。对恐惧，他们援引恐怖谷解释：从机器生成的已知身份那里听到高唤醒的负性情绪，可能产生认知失调，促使听者在判断前进行更长的批判性评估。
这两种解读都是对交互模式的解释，而不是对补偿或失调的直接检验。研究没有单独测量所提出的机制，因此情绪特异的分化是稳健的发现，而解释仍是作者提出的假设。
社会知识决定合成韵律如何被解码
论文更宏观的论点是：情绪韵律感知不只是声学解码。如果只是声学解码，熟悉的音色应当一致地有帮助，或者完全无影响。但熟悉度与情绪发生了交互，作者据此认为，自上而下的社会认知和说话人身份塑造了合成语音的处理方式。
这一框架对部署克隆语音的人有实际意义。结果表明，匹配熟悉说话人的音色并不是让合成情绪语音更易解读的可靠办法。至少在此处测试的情绪中，它可能有助于正性表达，却妨碍高唤醒的负性表达。作者把这一点与语音假体和个性化数字分身等场景联系起来，在这些场景中，违背既有的社会期待会带来代价。
小样本、四种情绪、无视觉语境
证据来自17名22至41岁的成年人。作者称这一样本量与本领域被试内设计相符，但对于稳定估计交互效应仍然偏小。研究只测试了四种情绪，全部是六词短句，任务把音频与视觉和语境线索隔离开。熟悉度操纵依赖参与者的同事，因此捕捉的是对已知音色的相识，而不是配偶或父母那种更深的熟悉。
这些条件限定了结论的边界。熟悉度有助于快乐AI语音、拖慢恐惧AI语音这一发现，适用于这个任务、这些情绪和这类熟悉说话人。论文本身也指出，未来工作应测试视觉和语境线索，并改变熟悉度程度，这表明当前的分化是起点而非定论。
评估克隆语音要逐情绪看，而非看总体
最有用的收获是一个比较，而不是一个判决。在来源轴上，人声优势在快乐、悲伤和愤怒上一致存在，在恐惧上缺失。在AI语音内部的熟悉度轴上，效应随情绪翻转：快乐准确率提升，恐惧反应时变慢，其他情绪没有显著变化。因此，评估克隆语音的人应当逐情绪检查表现，而不是依赖一个总体分数，因为这项研究的两个轴产生了不同的例外。
行为指标承载了这里的信号，而心率变异性没有区分任何条件。这使得准确率和反应时成为本研究中的实用指标，但需注意样本较小，刺激也仅限于短句中的四种情绪，且没有视觉语境。
本文引用的文献
A barrier or a booster? Familiarity effects on Mandarin emotion prosody recognition using AI-powered voice cloning
对快乐、悲伤和愤怒，人声的准确率高于AI语音、反应更快，恐惧则没有这种差距；在AI语音内部，熟悉度提高了快乐准确率并拖慢了恐惧反应，而心率变异性没有显示显著差异。