上周我们讨论过热门音频＂Yanny与Laurel＂，简单的阐释了一下其中的原理，今天我们来听听专家时怎么分析这个现象的。 以下文字来源于：知乎——王赟 Maigo 正如那条蓝黑白金裙子一样，不同的人从中听出了 Yanny 和 Laurel 两个迥异的词，且都无法说服对方。我听这段音频的感觉是：初听的时候感觉毫无疑问是一个小男生在说 Yanny；多听几遍后，感觉 Yanny 背后隐藏着一个特别低沉、甚至有点像猪哼哼的声音，努力把精神集中到这个声音上，听出了 Laurel。你的感觉如何呢？ 这段音频是由 64 岁的 Jay Aubrey Jones 上传到 vocabulary.com 网站上的，目的是示范 Laurel 一词的发音 [1]。所以，「标准答案」毫无疑问是 Laurel 了。但许多人把它听成 Yanny，必然是有原因的。这个原因可以用一句话概括：由于说话人发音低沉，人们容易把第三共振峰错当成第二共振峰。 本文剩下的部分，就将通过分析这段音频的语谱图（spectrogram），详细解释错觉的成因。由于在网上很难找到深入的语音学资料，有一部分论据我不是很确定，但我觉得至少可以支撑我的结论。如果你对语音学有研究，也欢迎补充。 一、基础知识：语谱图与共振峰 语谱图是一种把声音可视化，方便观察和分析的手段。它由声音波形经短时傅里叶变换得来的，其横轴是时间，纵轴是频率，颜色表示能量的强弱。事实上，声音进入人耳后，耳蜗也会对声音进行类似于短时傅里叶变换的处理，所以人们能分辨出的声音，在语谱图上也往往会显示出特定的模式。 上图就是「Yanny or Laurel」音频的语谱图。它的横轴范围为 0 至 0.835 秒，纵轴范围为 0 至 8000 赫兹，越亮的颜色代表能量越高。图上有两种比较明显的模式：一是细线，比如在 0.3 秒附近的低频段内就能分辨出五条细线；二是粗线，比如在 1 kHz 至 3kHz 频段内，就有一条明显的先下降、后上升的粗线。在语音中，元音（如 [a]、[i]、[u]）、半元音（如 [j]、[w]），以及辅音中的鼻音（如 [m]、[n]）、近音（如 [l]、[r]）都会呈现出这两种模式；辅音中的塞音（如 [b]、[t]）和擦音（如 [f]、[s]）则会呈现出其它模式。好在本文涉及的 Yanny 和 Laurel 两个词全由第一类音素组成，所以我们可以忽略第二类音素。 在上面两种模型中，每一条细线代表语音的一个谐波（harmonic），谐波的间距就是语音的基频，即人们感受到的音高 —— 间距越大，则音调越高。每一条粗线则代表一个共振峰（formant），它的位置是由口腔和鼻腔的形状决定的，各种元音、半元音、鼻音、近音都有自己典型的共振峰频率。造成 Yanny 和 Laurel 这一错觉的元凶，就是共振峰。 一般来讲，从语谱图上能看到大约 4 个共振峰，一般人们只着重研究频率最低的 2 个或 3 个。第 n 个共振峰的频率简记作 Fn。元音的共振峰的决定因素研究得比较充分，结论如下： 第一共振峰的频率由开口度决定，开口越大，F1 越高； 第二共振峰的频率由舌位的前后决定，舌位越靠前，F2 越高； 第三共振峰的频率由圆唇与否决定，圆唇时 F3 更低。 有的读者可能见过下面这张元音音标图。它的两个轴其实就大致代表了 F1 和 F2。从这个图上可以看出各种元音的 F1、F2 的特点，比如 [a] 的 F1 高，F2 也较高；[i] 的 F1 低，而 F2 很高。 对于辅音中的鼻音、近音共振峰的研究资料则相对难找一些，但一个特别明显的结论：[r] （英语中那种，不是颤音）会明显降低 F3。 当然，共振峰的频率还与说话人本身有关。一般而言，女性的共振峰高于男性，儿童的共振峰高于成人。 二、对「Yanny or Laurel」的分析 下面我们可以开始分析 Yanny or Laurel 了。 Yanny 的音标为 [＂jæni]，其中半元音 [j] 和元音 [i] 差别不大，所以可以看成是 [i]、[æ]、[n]、[i] 四个音素。Laurel 的音标为 [＂lɔrəl]，中间的 [ə] 可有可无，所以可以看成是 [l]、[ɔ]、[r]、[l] 四个音素。由此我们发现，两个单词都可以分成四个音素，且首末两个音素相同。 引起错觉的音频也可以分为四段，分别对应四个音素，如下图所示。为了叙述方便，我把频率轴也分成了三段：1.3 kHz 以下称为「低频段」，1.3 ~ 3.3 kHz 称为「中频段」，3.3 ~ 5 kHz 称为「高频段」。5 kHz 以上的能量很低，可以忽略。 解释错觉的关键，在于第二个音素的低频段。按照标准答案，这里的音素应该是 [ɔ]。从元音图上可以看出，[ɔ] 的 F1 中等偏高，而 F2 很低。事实上，在语谱图上，这两个共振峰常常糊在一起，分辨不出来。「Yanny or Laurel」这段音频的发音人是一位 64 岁的男性，他的声音特别低沉，这让 [ɔ] 的 F1 和 F2 更难分辨。在上图中，从第二个音素到第三个音素的过渡告诉我们，低频段其实是有两个共振峰的；但如果只看第二个音素那一段，确实容易误认为是一个共振峰。既然低频段有两个共振峰，那么中频段的那条粗线，自然就应该是第三共振峰了。第三个音素的这个共振峰显著降低，也符合 Laurel 一词中 [r] 的发音特点。 这里有一个我解释不了的问题：[l] 音的第二共振峰哪里去了呢？ 那么认为音频内容是 Yanny 的人，是怎么听错的呢？这还是由于发音人声音太低沉的缘故。在 Yanny 派听来，发音人的第三共振峰太低了，以至于落入了第二共振峰应该在的频段。不仅如此，这段音频的高频段还有不小的能量。我不确定这些能量是来自第四共振峰，还是录音时混入的噪声，但这个声音落在了 Yanny 派认为的第三共振峰应该在的频段，于是这更让他们觉得中频段的声音是第二共振峰了。 如果把中频段的声音当成第二共振峰，那么确实就能从语谱图上看出 Yanny 来。在第一、四个音素处，低频段和中频段的共振峰之间的间隙很大，这恰好符合 [i] 音 F1 低、F2 高的特点。在第二个音素处，低频段的共振峰频率升高，中频段的共振峰频率降低，这也符合从 [i] 到 [æ] F1 升高、F2 降低的变化。不仅如此，[i]、[æ] 两个音的 F3 也都与 F2 比较接近，高频段的噪声也符合这一特点。 这里有另一个我解释不了的问题：为什么 Yanny 派会把中频段共振峰的下降听成 [n]？ 那么，如何让 Yanny 派听出 Laurel 呢？有两个办法：一是用「变调不变速」升高音频的音调。这一操作会同比例地改变基频和共振峰的频率，所以可以把中频段的共振峰升高到第三共振峰的典型频率。我的经验是，升高 5 个半音之后，就听不出 Yanny 了，而是原来说 Yanny 的那个年轻的男声在说 Laurel。二是用一个带阻滤波器把高频段滤掉。上文说过，Yanny 派听错的一个原因就是把高频段的声音当成了 F3，同时也就只能把中频段的声音当成 F2 了。排除高频段的声音的干扰，就有更大的可能性把中频段正确地当成 F3。