10978 Yanny 還是 Laurel？共振峰騙了你

upload.wikimedia.org

　　正如那條藍黑白金裙子一樣，不同的人從中聽出了 Yanny 和 Laurel 兩個迥異的詞，且都無法說服對方。我聽這段音頻的感覺是：初聽的時候感覺毫無疑問是一個小男生在說 Yanny；多聽幾遍後，感覺 Yanny 背後隱藏著一個特別低沉、甚至有點像豬哼哼的聲音，努力把精神集中到這個聲音上，聽出了 Laurel。你的感覺如何呢？

　　這段音頻是由 64 歲的 Jay Aubrey Jones 上傳到 vocabulary.com 網站上的，目的是示範 Laurel 一詞的發音 [1]。所以，「標準答案」毫無疑問是 Laurel 了。但許多人把它聽成 Yanny，必然是有原因的。這個原因可以用一句話概括：由於說話人發音低沉，人們容易把第三共振峰錯當成第二共振峰。

　　本文剩下的部分，就將通過分析這段音頻的語譜圖（spectrogram），詳細解釋錯覺的成因。由於在網上很難找到深入的語音學資料，有一部分論據我不是很確定，但我覺得至少可以支撐我的結論。如果你對語音學有研究，也歡迎補充。

一、基礎知識：語譜圖與共振峰

　　語譜圖是一種把聲音可視化，方便觀察和分析的手段。它由聲音波形經短時傅里葉變換得來的，其橫軸是時間，縱軸是頻率，顏色表示能量的強弱。事實上，聲音進入人耳後，耳蝸也會對聲音進行類似於短時傅里葉變換的處理，所以人們能分辨出的聲音，在語譜圖上也往往會顯示出特定的模式。

　　上圖就是「Yanny or Laurel」音頻的語譜圖。它的橫軸範圍為 0 至 0.835 秒，縱軸範圍為 0 至 8000 赫茲，越亮的顏色代表能量越高。圖上有兩種比較明顯的模式：一是細線，比如在 0.3 秒附近的低頻段內就能分辨出五條細線；二是粗線，比如在 1 kHz 至 3kHz 頻段內，就有一條明顯的先下降、後上升的粗線。在語音中，母音（如 [a]、[i]、[u]）、半母音（如 [j]、[w]），以及輔音中的鼻音（如 [m]、[n]）、近音（如 [l]、[r]）都會呈現出這兩種模式；輔音中的塞音（如 [b]、[t]）和擦音（如 [f]、[s]）則會呈現出其它模式。好在本文涉及的 Yanny 和 Laurel 兩個詞全由第一類音素組成，所以我們可以忽略第二類音素。

　　在上面兩種模型中，每一條細線代表語音的一個諧波（harmonic），諧波的間距就是語音的基頻，即人們感受到的音高 —— 間距越大，則音調越高。每一條粗線則代表一個共振峰（formant），它的位置是由口腔和鼻腔的形狀決定的，各種母音、半母音、鼻音、近音都有自己典型的共振峰頻率。造成 Yanny 和 Laurel 這一錯覺的元兇，就是共振峰。

　　一般來講，從語譜圖上能看到大約 4 個共振峰，一般人們只著重研究頻率最低的 2 個或 3 個。第 n 個共振峰的頻率簡記作 Fn。母音的共振峰的決定因素研究得比較充分，結論如下：

• 第一共振峰的頻率由開口度決定，開口越大，F1 越高；
• 第二共振峰的頻率由舌位的前後決定，舌位越靠前，F2 越高；
• 第三共振峰的頻率由圓唇與否決定，圓唇時 F3 更低。

　　有的讀者可能見過下面這張母音音標圖。它的兩個軸其實就大致代表了 F1 和 F2。從這個圖上可以看出各種母音的 F1、F2 的特點，比如 [a] 的 F1 高，F2 也較高；[i] 的 F1 低，而 F2 很高。

　　對於輔音中的鼻音、近音共振峰的研究資料則相對難找一些，但一個特別明顯的結論：[r] （英語中那種，不是顫音）會明顯降低 F3。

　　當然，共振峰的頻率還與說話人本身有關。一般而言，女性的共振峰高於男性，兒童的共振峰高於成人。

二、對「Yanny or Laurel」的分析

　　下面我們可以開始分析 Yanny or Laurel 了。

　　Yanny 的音標為 [j?ni]，其中半母音 [j] 和母音 [i] 差別不大，所以可以看成是 [i]、[?]、[n]、[i] 四個音素。Laurel 的音標為 [l?r?l]，中間的 [?] 可有可無，所以可以看成是 [l]、[?]、[r]、[l] 四個音素。由此我們發現，兩個單詞都可以分成四個音素，且首末兩個音素相同。

　　引起錯覺的音頻也可以分為四段，分別對應四個音素，如下圖所示。為了敘述方便，我把頻率軸也分成了三段：1.3 kHz 以下稱為「低頻段」，1.3 ~ 3.3 kHz 稱為「中頻段」，3.3 ~ 5 kHz 稱為「高頻段」。5 kHz 以上的能量很低，可以忽略。

　　解釋錯覺的關鍵，在於第二個音素的低頻段。按照標準答案，這裡的音素應該是 [?]。從母音圖上可以看出，[?] 的 F1 中等偏高，而 F2 很低。事實上，在語譜圖上，這兩個共振峰常常糊在一起，分辨不出來。「Yanny or Laurel」這段音頻的發音人是一位 64 歲的男性，他的聲音特別低沉，這讓 [?] 的 F1 和 F2 更難分辨。在上圖中，從第二個音素到第三個音素的過渡告訴我們，低頻段其實是有兩個共振峰的；但如果只看第二個音素那一段，確實容易誤認為是一個共振峰。既然低頻段有兩個共振峰，那麼中頻段的那條粗線，自然就應該是第三共振峰了。第三個音素的這個共振峰顯著降低，也符合 Laurel 一詞中 [r] 的發音特點。

這裡有一個我解釋不了的問題：[l] 音的第二共振峰哪裡去了呢？

　　那麼認為音頻內容是 Yanny 的人，是怎麼聽錯的呢？這還是由於發音人聲音太低沉的緣故。在 Yanny 派聽來，發音人的第三共振峰太低了，以至於落入了第二共振峰應該在的頻段。不僅如此，這段音頻的高頻段還有不小的能量。我不確定這些能量是來自第四共振峰，還是錄音時混入的雜訊，但這個聲音落在了 Yanny 派認為的第三共振峰應該在的頻段，於是這更讓他們覺得中頻段的聲音是第二共振峰了。

　　如果把中頻段的聲音當成第二共振峰，那麼確實就能從語譜圖上看出 Yanny 來。在第一、四個音素處，低頻段和中頻段的共振峰之間的間隙很大，這恰好符合 [i] 音 F1 低、F2 高的特點。在第二個音素處，低頻段的共振峰頻率升高，中頻段的共振峰頻率降低，這也符合從 [i] 到 [?] F1 升高、F2 降低的變化。不僅如此，[i]、[?] 兩個音的 F3 也都與 F2 比較接近，高頻段的雜訊也符合這一特點。

這裡有另一個我解釋不了的問題：為什麼 Yanny 派會把中頻段共振峰的下降聽成 [n]？

　　那麼，如何讓 Yanny 派聽出 Laurel 呢？有兩個辦法：一是用「變調不變速」升高音頻的音調。這一操作會同比例地改變基頻和共振峰的頻率，所以可以把中頻段的共振峰升高到第三共振峰的典型頻率。我的經驗是，升高 5 個半音之後，就聽不出 Yanny 了，而是原來說 Yanny 的那個年輕的男聲在說 Laurel。二是用一個帶阻濾波器把高頻段濾掉。上文說過，Yanny 派聽錯的一個原因就是把高頻段的聲音當成了 F3，同時也就只能把中頻段的聲音當成 F2 了。排除高頻段的聲音的干擾，就有更大的可能性把中頻段正確地當成 F3。

　　經過這兩種處理的聲音可以在這裡試聽：

• 原始音頻：http://www.cs.cmu.edu/~yunwang/demo/yanny-or-laurel/yanny-or-laurel.wav
• 升高 5 個半音的音頻：http://www.cs.cmu.edu/~yunwang/demo/yanny-or-laurel/yanny-or-laurel.pitch+5.wav
• 去除了高頻段的音頻：http://www.cs.cmu.edu/~yunwang/demo/yanny-or-laurel/yanny-or-laurel.bandstop.wav

推薦閱讀：