研究一直盯着最吵闹、最合群的物种
比较研究往往倾向于把社会性强、群居、爱“说话”的灵长类当作语言演化的模型，前提假设是丰富的社交生活驱动了发声的复杂性[1]。独居和分散生活的物种则被认为沉默或交流能力差，但这种预期常常只是假定而非经过检验，因此它们的能力很少进入演化理论[1]。猩猩是唯一不生活在永久社会群体中的类人猿，也是唯一已知与人类共有两个语言特征的非人灵长类：一是位移性发声指称，即母亲延迟发出警报叫声，以便让后代了解过去与捕食者的遭遇；二是发声层级结构，即发声母题嵌套在自相似的母题之中[1]。在最隐秘、最内敛的类人猿身上发现这些特征，提示精巧的发声模式可能依赖于能够保持安静和专注的听众，而社交闲聊频繁、快速的物种则面临打断，从而限制了发声的精细化[1]。
类人猿的发声学习真实存在，但是内隐的，而非刻意模仿
在几内亚狒狒中，处于同一社会等级的雄性发出的咕噜声比不同等级的雄性更为相似，而且声音的相似性与遗传亲缘关系无关，这说明驱动因素是社交互动而非遗传[3]。效应量很小，因此这是一种温和的趋同，而非对声音的戏剧性复制[3]。作者将其视为感觉-运动整合的产物，并称之为与人类共有的一种内隐发声学习，与人类语言习得中目标明确、有意图的学习形成对比[3]。
另一篇关于灵长类发声学习的综述认为，标准的动物学习理论建立在隔离的实验室动物和人为的因果设置之上，难以契合真实生活中的灵长类学习[4]。在野外，学习常常发生在其他群体成员作为事件起因的时候，即使对学习者没有直接后果；默认模式可能是习得“脚本”，即事件通常如何展开的心理表征，而不是通过反复试验被条件化[4]。按照这种观点，变得善于交流更多是学习事件如何展开，而不是刺激-反应的条件化[4]。
发声学习从来不是通往语言的必经第一步
一个常见的假设认为，发声学习——即模仿和修改发声的能力——是语言演化的必要前提[2]。这一假设值得审视：当类猿的人类祖先在中新世森林中出现时，发声学习物种的祖先早已在大地上行走、在天空中飞翔，而数百万年的领先优势并没有产生会语言的象、蝙蝠或鸟[2]。这表明，人科动物朴素的声音起点才是言语演化的决定性因素，语言不应被视为发声学习演化的顶峰终点，也不应与亲缘关系遥远的发声学习物种相提并论[2]。目前来自类人猿叫声的证据被认为提供了关于已灭绝发声形式和功能的新细节，正是这些让人类祖先得以启动语言，从而把注意力转向人科动物的生境、身体、大脑和行为[2]。
这如何重新框定语言起源
综合来看，这些发现表明，我们最近亲属中发声学习之所以难以捕捉，部分是测量和采样的问题，部分在于该期待哪种学习。类人猿表现出内隐趋同和社会脚本化的学习，而非人类式的有意发声模仿[3][4]；而最内敛的类人猿却展现出社交闲聊模型无法预测的类语言发声特征[1]。其演化含义是，灵长类发声演化以及祖先人科动物语言演化的（非）社会前提，可能需要围绕沉默、专注倾听和冲动控制来重新框定，而不只是围绕社会复杂性[1]。据此，语言更适合用人科动物生活的特定条件来解释，而不是用一般的发声复制能力来解释[2]。
本文引用的文献
沉默：灵长类发声演化中被忽视的催化剂
猩猩是唯一没有永久社会群体的类人猿，却与人类共有位移性发声指称和嵌套的发声层级结构，提示沉默和专注倾听是发声精细化中被低估的前提条件。
发声学习与语言演化：解开一个错误的等同
发声学习未必是语言的必要前提，因为发声学习谱系早在类猿人类祖先之前就已存在，却未产生语言，这反而指向人科动物特有的条件。
多层灵长类社会中的发声趋同：对发声学习演化的启示
处于同一社会等级的雄性几内亚狒狒咕噜声更相似，这一效应无法用遗传亲缘关系解释，被解读为通过社交互动实现的小规模内隐发声学习。
灵长类中社会脚本化的发声学习
野外灵长类的发声学习与基于强化的动物学习理论契合不佳，可能转而通过习得事件通常如何展开的脚本而运作，同类个体则是引发事件的主体。
成年狨猴的动态发声学习
成年狨猴表现出动态的发声趋同，支持灵长类中存在与语言演化相关的互动式发声学习过程。