专业学者解释Yanny与Laurel

　　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JayAubreyJones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YannyorLaurel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1kHz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YannyorLaurel的分析
　　下面我们可以开始分析YannyorLaurel了。
　　Yanny的音标为〔jni〕，其中半元音〔j〕和元音〔i〕差别不大，所以可以看成是〔i〕、〔〕、〔n〕、〔i〕四个音素。Laurel的音标为〔lrl〕，中间的〔〕可有可无，所以可以看成是〔l〕、〔〕、〔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。3kHz以下称为低频段，1。33。3kHz称为中频段，3。35kHz称为高频段。5kHz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〔〕。从元音图上可以看出，〔〕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。YannyorLaurel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〔〕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〔〕F1升高、F2降低的变化。不仅如此，〔i〕、〔〕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。