從文字到聲音

一篇文章寫就了。它靜靜停留在頁面上。眼睛掃過去，又回來，停住，再讀一遍。可以從段落中間開始，可以從末尾跳到開頭，可以把一個句子咀嚼三遍再放下。閱讀就是這樣——時間屬於你。

然後有人把那篇文章轉化為聲音。時間不再屬於你了。聲音流淌，無法停止，無法倒回——至少不那麼容易。句子過去了就是過去了。沒聽懂的話，損失是無聲的：聽者甚至不會意識到自己理解錯了。Nicole Ayasse及其同事在2021年證明了這一點：面對複雜句子時，大腦不再進行完整分析，而是轉向對詞語的抽樣和意義猜測。Ayasse 2021誤解在不知不覺中發生。

本報告講述的就是這個轉變——書面文字在轉化為聲音時失去了什麼、獲得了什麼，以及合成語音在這個等式中處於何種位置。但需要從一個警示開始：這裡的大部分數據是為「平均聽眾」而產出的。在報告末尾，我會將這一侷限轉向報告自身——因為聆聽，是一種非平均的體驗。

同一語言的兩種形態

口語和書面語看起來像同一語言的兩個通道，但查菲（Wallace Chafe）在1982年證明這是一種錯覺。兩者有兩個根本差異：第一是碎片化與整合。說話者在每個語調單元中只能傳遞一個新概念——認知容量限制了這一點。他們用「然後……然後……然後……」串聯起短小的單元。寫作者不受這種限制：嵌套的從句、內嵌結構、一個句子中承載多個概念。第二個差異是參與與分離：說話者能看到聽者，根據反應進行調整，用手勢和表情傳遞意義；而寫作者不認識讀者，文本必須獨立站立。Chafe 1982

到這裡看似簡單——口語是碎片化和參與式的，書面語是整合式和分離式的。但韓禮德（M.A.K. Halliday）在1985年做出了一個顛覆性的修正：口語和書面語以不同的方式呈現複雜性。書面語具有高詞彙密度——每個小句平均三到六個實詞，口語中則是一點五到兩個。口語則具有高語法複雜性——小句之間以意想不到的方式相互連接。「書面語比口語更復雜」是一個常見但錯誤的看法：兩者在不同的維度上覆雜。Halliday 1985

比伯（Douglas Biber）在1988年通過分析六十七個語言學特徵將研究推進了一步。最具區分度的維度是「參與性與信息性」維度：電話交談得分為正三十五，學術論文為負十五。但沒有任何單一維度能夠將口語和書面語截然分開——二者的關係不是二元的，而是一個連續譜。一場精心準備的演講接近書面文本；一封私人信件接近口語。Elinor Ochs在1979年就已指出，決定因素不是通道，而是計劃程度：一條即興消息是無計劃的，一場會議演講是有計劃的——兩者都是「口語」，但並不處於同一位置。Biber 1988, Ochs 1979

這種連續譜觀念也柔化了翁（Walter Ong）1982年的「大分裂」論題。翁曾為原生口頭文化界定了九種思維特徵——疊加性、聚合性、冗餘性、保守性。然而Scribner和Cole在1981年對瓦伊（Vai）族的研究中發現，識字對認知的影響遠小於預期。口語與書面語之間的距離是真實的，但距離的幅度因文化、語境和個體而異。Ong 1982, Scribner & Cole 1981

不是三種，而是四種

傳統分類認定三種類別：自然口語、書面語和朗讀。自然口語中，生產者與接收者面對面，互動即時發生，身體在場。書面語中，生產者與接收者處於不同時間和空間，沒有互動，沒有身體。朗讀中，一個人或一臺機器將文本發聲，聽者接收，但互動同樣不存在。

然而今天存在第四類別，這才是本報告的真正主題：語音化文本。一個人書寫，一臺機器發聲，一個人聆聽——但那個人通常在做別的事情的同時聆聽：走路、洗碗、開車。沒有互動，沒有身體，而且聽者的注意力是分裂的。這第四類別既不是口語，也不是書面語，也不是朗讀——它處於三者的交匯處，卻不屬於其中任何一個。

這帶來的實際後果是：查菲、韓禮德和比伯的部分發現可以直接應用——詞彙密度差異、自足文本的概念、信息結構化的需要。但參與維度、即時調整、肢體語言等維度則不適用。正確的問題不是「口語還是書面語」，而是：我們如何重建一篇書面文本，使其通過合成語音，抵達一個遊走中的心智？

當文字進入聲音

魯賓（Donald Rubin）在2000年和2012年系統性地定義了「可聽性」（listenability）這一概念。可讀性公式——Flesch-Kincaid、Gunning Fog——是為書面文本設計的，不適用於聆聽文本。魯賓的實驗結論清晰：當同一內容用兩種不同的語言風格準備時——一種基於口語（主動語態、人稱代詞、順序排列的句子、具體例子），另一種基於書面語（被動語態、抽象概念、嵌套從句）——基於口語的文本在理解上明顯更優。以書面語模式處理聽覺信息，代價尤為高昂。Rubin 2000, 2012

在句子層面，最具體的發現來自Kadayat和Eika：二十一名參與者通過屏幕閱讀器聆聽了五篇不同長度的文本，最高理解度和最低認知負荷出現在十六到二十個詞的句子中。超過二十個詞的句子既降低了理解度又增加了負荷。十個詞以下的句子則破碎了語境——過短的句子同樣是問題。Kadayat & Eika 2020但這個「黃金區間」是對平均聽眾而言的；個體差異很大。我會在報告末尾回到這一點。

句子結構同樣重要。Constable及其同事2004年通過fMRI證明：賓語關係從句（「那個男人愛的女人」）比主語關係從句（「愛那個男人的女人」）需要遠為更高的大腦激活——左前額葉、顳葉區域、角回全部更加活躍。Constable 2004Peelle及其同事2010年補充道：語速和句法複雜度各自可以被容忍，但兩者疊加時容量便被超越。簡化句法是首要干預手段。Peelle 2010

在信息排列方面，大腦有一個實時運行的機制。Kaiser和Trueswell在2004年通過眼動追蹤證明：聽者在詞語被聽到之前就開始搜尋新的所指對象。當舊信息在前、新信息在後排列時，這一預測機制正常運轉；顛倒排列則破壞了這一機制。Kaiser & Trueswell 2004這是大腦中的一個默認設定——因個體而有彈性，但總體原則是牢固的。

視覺元素的轉換是另一個問題。Zong及其同事2022年與十三位視障和低視力參與者合作研究發現：比起原始表格數據，人們更傾向於一種分層的、可在其中穿行的結構。所尋求的順序竟與明眼讀者相同——先是給出整體的概覽，然後逐一下沉到具體數值。同一項研究也告誡不要強加固定順序：何種編排合適，取決於聽者當下想做什麼。表格是沉默的信息；聲音必須將其轉化為線性敘述。Zong 2022

標題在聲音中有著不同的功能。Lemarié及其同事2012年界定了文本結構標記的七種功能；標題同時承擔其中數種，例如引入主題、告知某一部分的開始。但真正的教訓來自同一團隊對語音的研究：Lorch、Chen和Lemarié將同一文本以兩種形式給出，一次印刷，一次由合成語音朗讀，而在紙面上盡職的標題，到了聽覺中卻崩塌了。因為視覺標題所承載的信息，大半不在其詞語中，而在字號、四周的留白、筆畫的粗細裡，語音軟件無法傳達這些。相比之下，預告句在兩種形式中都奏效。規則由此而來：在聲音中標題是不夠的，必須訴諸言辭。同樣，標題宣告和過渡信號並非同一回事。「現在我們進入第二部分」是程式化的，空洞的；「這把我們引向另一個問題」是有機的，有連接的。主題轉換和新信息信號是將注意力召回的標記。Lemarié 2012, Lorch 2012

數字的轉換同樣不可避免。廣播新聞七十年的經驗很清楚：「1,987,452」在聲音中變成「大約兩百萬」。正如Jonathan Kern在NPR編輯手冊中所寫：「印刷文本和聲音敘事生活在同一個世界，但地形不同。」印刷新聞的廣播版本不是把引語換成音頻片段——而是一次根本性的重建。Kern 2008

人聲與機器聲

用合成語音聆聽是否有額外的認知代價？Govender和King在2018至2019年間通過瞳孔測量和雙任務範式進行了測量：在所有條件下，合成語音相比自然語音都產生了更高的認知負荷。在嘈雜環境中差異更加明顯——從低質量HMM到高質量DNN，所有合成器都落後於自然語音。Govender & King 2018a, 2018b, 2019

但這些數據大多產生於現代神經網絡TTS之前。Ibelings及其同事2022年用DNN合成器在日常句子上進行了測試：發現1.2分貝的SRT差異——這與不同自然說話者之間的差異處於同一範圍。在言語反應時間這一聆聽努力指標上，沒有顯著差異。Ibelings 2022Craig和Schroeder在2017至2019年的學習成果研究中也發現了同樣的格局：現代TTS引擎在遷移學習成果上獲得了與人聲在統計上不可區分的可信度和學習感知評價。Craig & Schroeder 2017, 2019

也存在完全相反的發現——2024年一項針對三十名學生的眼動研究中，人聲錄音相比合成語音產生了顯著更高的學習表現和注意力黏附度。Jing 2024這與Craig和Schroeder的結論相矛盾。差異可能在於語境：在短期信息傳遞中合成語音足夠，但在長篇學習中韻律優勢變得突出。

韻律確實是一個關鍵變量。Pagnotta及其同事2025年的研究表明：用積極韻律聆聽的簡短描述產生了更多正確回答，且人聲比TTS產生了更高的準確率。但發表在Cogent Psychology上的一項2025年研究增添了不同的維度：在即時回憶中，自然人聲相比所有其他條件都產生了更好的記憶保持；一週後，各條件之間的差異消失了。韻律優勢在時間拉長後消融。Pagnotta 2025

Virginia Clinton-Lisell的2022年元分析勾勒了全貌：四十六項研究，四千六百八十七名參與者。閱讀與聆聽之間的總體理解差異：g = 0.07——統計上不顯著。但調節變量很重要：自定步調閱讀有優勢（g = 0.13），推理性理解中閱讀有明顯優勢（g = 0.36），詞彙理解中無差異（g = -0.01）。還有一個關鍵發現：在透明正字法語言中——土耳其語接近這一特徵——閱讀與聆聽的差異趨近於零（g = 0.001）。Clinton-Lisell 2022 · 隱形鴻溝

Yang及其同事2026年的研究表明，神經層面的分化在約十二分鐘的短暫訓練後出現——大腦與合成語音迅速同步，但有意識的辨別要困難得多。Segedin及其同事2019年已經證明，人類將針對人類說話者的語音適應機制同樣應用於TTS語音。耳朵在適應——無論對面是人還是機器。Yang 2026, Segedin 2019

當模仿結束

合成語音用了二十年試圖模仿人聲。現在提出的是一個不同的問題：它必須模仿嗎？

Diel和Lewis在2024年證明合成語音已經成功逃離了恐怖谷（uncanny valley）。觸發恐怖谷的不是「合成」本身，而是與典型人聲的偏離。病態的和受損的聲音比純粹的合成聲音引發了更多不適。這表明合成語音已經被接受為一個獨立類別——聽者將其定位為「不同的東西」，而非「糟糕的人聲」。Diel & Lewis 2024

Nussbaum、Frühholz和Schweinberger在2025年發表於Trends in Cognitive Sciences的研究走得更遠：證明「聲音自然度」這一概念在科學上是未定義的。存在兩種自然度：基於偏離的（離人聲偏離多少）和基於相似性的（與人有多像）。這種模糊性開啟了合成語音定義自身自然度的可能。Nussbaum 2025

Im及其同事2023年發現了與預期相反的結果：在信息類任務中，用戶更偏好合成語音。在功能性任務中，合成語音被認為更流暢，獲得了更高的能力評價，形成了積極態度。Torre及其同事2018年曾界定了「一致性效應」：如果聲音被感知為可信的，且後續體驗保持一致，信任就會鞏固。合成語音不變的音色促成了這種一致性——每一次都是同等質量、同等節奏、同等可靠。Im 2023, Torre 2018

Le Maguer和Cowan在2021年的ACM論文中將這一挑釁寫入標題：「類人語音合成是容易的路。」困難但正確的路，是讓合成語音找到自己的道路。DIS 2025上的「Cabinet of Voices」研究是最具體的例子：「超人類聲域」（post-human vocalities）的概念。參與者想像合成語音發出鯨魚般的聲音——不是模仿，而是探索。Le Maguer & Cowan 2021, Cabinet of Voices 2025

Lamas在2025年發表於Explorations in Media Ecology的文章為這一轉變命名：「合成口頭性」（synthetic orality）。合成語音既不是原生口頭性（沒有身體），也不是次生口頭性（不像廣播），也不是書面語——它是第四種類別。從麥克盧漢的視角看，每種媒介創造自己的語言：印刷術創造了小說，電視創造了廣告。合成語音也在創造自己的體裁——NotebookLM的AI播客是一個早期範例。Lamas 2025

但這一範式轉換尚未完成。缺失的東西還很多：不存在一個系統性的「合成語音範式」論題——將碎片整合起來的研究尚未寫就。合成語音還沒有自己的度量標準——用什麼來取代「類人度」仍不明確。長期聽者適應研究不足。而且現有研究的絕大多數以英語和西方為中心——文化多樣性缺失。

土耳其語的獨特位置

土耳其語是一種黏著語——一個詞根可以附加大量後綴，詞形在理論上是無限的。這為合成語音帶來了兩個具體問題。第一是形態學層面：標準詞彙庫方法不夠用，因為像「gelememişlerdenmiş」（意為「據說他們是那些未能前來的人之中的」）這樣的詞形無法被預先編入詞表。Kösaner及其同事2024年開發了一個基於音素的規則型TTS系統來處理土耳其語的複雜形態，證明了形態學分析對正確發音是必不可少的。Kösaner 2024Liu及其同事2024年發現，具有形態學意識的語言模型預訓練能夠提升低資源黏著語言的質量——這是一種可直接應用於土耳其語的方法。Liu 2024

第二是歧義：同一拼寫可能導致不同的讀法。Hakkani-Tür及其同事在2002年證明，土耳其語的形態歧義可以用統計方法消解；Külekçi在2006年將這一消歧應用於發音，證明了正確讀音的選擇對土耳其語合成語音質量至關重要。在文本改編中，這意味著需要識別並修正那些可能產生歧義發音的結構。

但土耳其語也有一個優勢。在Clinton-Lisell的元分析中，透明正字法語言——即書寫與發音高度對應的語言——閱讀與聆聽之間的理解差異趨近於零。土耳其語並非完全透明，但非常接近：拉丁字母，大體上是音素文字。這提示我們，文本改編在土耳其語中可能比在英語中產生更少的損失。Clinton-Lisell 2022

心智的漫遊

走神（mind wandering）的程度取決於在何處測量。Risko及其同事2012年發現，在實驗室獨自觀看課程視頻的人中，走神率為百分之四十三；同一團隊在課堂環境中測量時，比例降至百分之三十九。更重要的是這個數字並不固定：課程前半段為百分之三十五，後半段為百分之五十二。聽得越久，注意力流失得越多。Risko 2012純音頻條件產生最高的走神率，Kopp和D'Mello在2016年證明了這一點。機制很簡單：處理聲音所需的認知資源相對較少，剩餘容量被釋放，注意力便開始遊蕩。

但這並非全然是壞事。釋放的注意力可以建立不同的聯結，看到閱讀中看不到的角度。問題不在於走神本身，而在於無法返回。Faber及其同事2018年的發現在此處發揮作用：當事件變化未發生時——敘述平淡而無變化地流過——走神便過度了。解決方案不是切斷流動，而是在流動中植入召回標記：主題轉換、新信息信號、一個出乎意料的隱喻。聽者的心智會遊蕩——文本應當能夠將其召回。

本報告最大的不足

我到目前為止所講述的一切都基於一個假設：存在所謂的「平均聽眾」。Kadayat和Eika有二十一名參與者，Clinton-Lisell有四十六項研究，Govender有瞳孔測量數據——所有這些都在取平均值、計算置信區間、提煉一般性原則。這是科學方法的要求，並沒有錯。但它是不完整的。

不完整是因為聆聽是一種深刻的個體體驗。兩個人聽同一個句子：一個理解了，另一個丟失了——而丟失的那個甚至不會意識到。Kadayat和Eika「十六到二十個詞的黃金區間」是二十一個人的平均值。但在那二十一個人中，很可能有些人在第四十個詞時依然保持連貫，有些人在第十個詞時就已丟失。平均值兩者都無法代表。

這不僅僅是句子長度的問題。在認知特徵的每個維度上，個體差異都很大：抽象能力、信息密度耐受度、流動偏好、審美標準、聲音敏感度。一個聽者需要教學性橋樑（「現在讓我們用一個例子來解釋」），另一個聽者會將同樣的橋樑視為填充物而失去注意力。一個聽者從程式化的過渡信號（「我們進入第二部分」）中獲得安心，另一個人覺得這令人不適。對一個聽者而言，合成語音的一致性是優勢——每次都是同等質量；對另一個人而言則是單調。

學術研究的時間也是一種侷限。本報告中的相當一部分文獻來自2020年之前——合成語音技術從那時至今已經發生了根本性的變化。2018年的「高質量DNN合成器」甚至達不到2026年的入門水平。Govender的認知負荷發現應當用今天的引擎重新測試。Craig和Schroeder的「無差異」發現用當前引擎可能變成「合成語音更優」。數據仍然有價值，但質疑其時效性是必要的。

總而言之：本報告基於科學數據，但那些數據描繪的是一幅「不為任何人定製」的圖景。想像一張地圖——它顯示一個國家的大致輪廓，但不顯示你家的門。要找到你的家，你需要深入到街道層面。在聆聽體驗中，街道層面就是個性化。

地圖的街道層面

個性化不是一個抽象概念——需要展示具體改變了什麼。我手中有一個案例：三萬行對話記錄經過分析，在六個認知-語言維度上提取了畫像，本報告的七條一般性原則根據該畫像進行了校準。下面我將匿名化地呈現該校準的部分結果——為了看到具體的差異。

句子長度：本報告的一般性原則建議十六到二十個詞。但畫像數據顯示，這位聽者的自然處理區間為二十五到四十五個詞——在三萬行記錄中，「沒聽懂」或「簡單點說」的表達出現次數為零。當黃金區間被應用於這位聽者時，思想被打碎了：一個在單句中承載語境的結構被拆分為兩句時，連接斷裂了。一般性原則是正確的，但對這位聽者而言是有害的。

抽象能力：一般性原則建議「用具體例子支撐抽象概念」。這位聽者不僅理解抽象概念，而且生產抽象概念——在對話中自然地使用自己發明的概念。教學性橋樑（「現在讓我們用一個簡單的例子來解釋」）對這位聽者而言是填充物：如果有需要解釋的概念，直接解釋，不必預告要解釋。

信息密度：一般性原則建議「稀釋信息，每個單元只含一個概念」。在這位聽者的一百六十份文件中，沒有任何一處顯示信息密度過高的跡象。抱怨總是來自不足和淺薄。當信息被稀釋時，對這位聽者而言產生的不是密度降低，而是意義流失。

過渡偏好：一般性原則建議「使用過渡信號：現在我們進入第二個話題」。這位聽者的思維流動呈螺旋式深化——話題從彼此中生長出來，程式化的邊界標記打斷了流動。不需要「現在讓我們進入第二部分」，而需要從前一部分最後的思想中自然生髮出來的過渡。

合成語音偏好：一般性研究認為合成語音增加認知負荷。這位聽者偏好一致性勝於峰值表現——即便在聽音樂時也選擇源頭保真而非效果修飾。合成語音的無限一致性對這位聽者而言不是劣勢，而是主動優勢。

五個例子中五種不同的偏離。每條一般性原則都是正確的——但五條全部被錯誤地應用於這位聽者。地圖是對的，街道是錯的。而這只是一位聽者——每位聽者的偏離模式都將不同。

人工智能如何實現這一點

上述校準能由人來完成嗎？可以——但無法規模化。閱讀三萬行對話記錄，在六個維度上提取畫像，校準七條原則，推導五條新原則——這需要一位語言學家數週的工作，且每遇到一位新聽者就必須從頭開始。人工智能的做法不同：大語言模型是文本分析的天然基礎設施，可以將個性化的每個階段自動化。

這個過程大致分為四個階段。第一階段，畫像提取：分析聽者的對話或書面交流記錄。句子長度、詞彙選擇、抽象層級、話題轉換模式、滿意/不滿意的標記——全部被提取出來。這是經典的文本挖掘任務，但大語言模型因為能夠理解上下文，所以能超越表面統計：「沒聽懂」的缺失與「簡單點說」的缺失並非同一回事——模型理解這種差異。

第二階段，校準：學術原則與畫像進行對照。對每條原則的提問是：它適用於這位聽者嗎？不適用嗎？應該如何修改？模型將學術發現作為「平均值」的起點，然後用畫像數據計算偏離。Kadayat和Eika的十六到二十個詞的區間作為默認起點，但如果畫像顯示二十五到四十五個詞，區間就會更新。

第三階段，文本改編：書面文本根據校準後的原則被重寫。句子結構、信息排列、過渡信號、標題形式、隱喻密度、信息密度——全部根據畫像進行調整。這是大語言模型最擅長的領域：文本生成和轉換。同一源文本可以為不同畫像轉化為不同形式——一種用短句和教學性橋樑，另一種用長句流暢敘述和有機過渡。

第四階段，持續更新：畫像不是靜態的。聽者的偏好、認知能力、興趣領域隨時間變化。每次新的互動都會更新畫像。模型將先前校準的結果與新數據對照，修正偏差。這不同於傳統的A/B測試——不是在兩個選項之間選擇，而是持續的微調。

從技術角度看，這個過程需要幾個組件：一個具有大上下文窗口的語言模型（畫像提取需要讀取數萬行內容），結構化輸出生成（畫像維度、校準表），長文本生成（改編後的文本），以及持久化記憶（畫像更新）。當今的模型能夠完成所有這些——限制不在技術，而在應用。絕大多數文本改編平臺仍然依賴「可讀性等級」之類的單維度指標；個性化校準尚未成為標準。

這裡還有一個倫理維度。分析三萬行對話記錄會產出一個深層的認知畫像——從句子處理能力到審美標準，從抽象層級到情感反應模式。這些信息在錯誤的手中可能變成操縱工具。個性化與操縱之間的界限不在意圖，而在透明度：聽者應當知道畫像是什麼、如何被使用、影響了哪些決策。Raghavan和Schneier在2025年的IEEE Spectrum文章中主張合成語音應當被有意地保持機器感——合成語音承載自身身份不是一種貶損而是一種功能。同樣的邏輯適用於個性化：「為你定製」這一信息應當可見，它應該是一項公開的服務，而非隱秘的調整。Raghavan & Schneier 2025

本報告講述了一個翻譯的故事——同一語言內部的翻譯。當書面文字進入聲音，句子結構改變了，信息排列改變了，表格變成了敘述，標題變成了信號，數字被四捨五入。合成語音為這一轉變增添了自身的維度：認知負荷增加但在縮小，韻律缺失但一致性成為優勢，模仿正在終結但自身的範式尚未完全誕生。

而報告自我審視之處在於：所有這些發現都是針對「平均聽眾」的。但聆聽是一種非平均的體驗。個性化不是奢侈品，而是準確性的條件——不將一般性原則校準到個體畫像，「正確改編」的主張就是不完整的。人工智能使這種校準具有了可規模化的可能：畫像提取、原則校準、文本改編、持續更新。技術已經就緒——應用尚未成為標準。

將文字轉化為聲音，是一種翻譯——在同一種語言內部。

參考文獻

Ayasse, N.D.; Hodson, A.J.; Wingfield, A. (2021). “Principle of Least Effort and Sentence Comprehension.” Frontiers in Psychology. PMID: 33796047

Biber, D. (1988). Variation across Speech and Writing. Cambridge University Press.

Cambre, J. 等 (2020). 「Choice of Voices.」 CHI 2020.

Chafe, W. (1982, 1985). “Integration and Involvement in Speaking, Writing, and Oral Literature.” Spoken and Written Language.

Clinton-Lisell, V. (2022). “Listening Ears or Reading Eyes: A Meta-Analysis.” Review of Educational Research.

Constable, R.T. 等 (2004). 「Sentence Complexity and Input Modality Effects: fMRI.」 NeuroImage. PMID: 15109993

Craig, S.D.; Schroeder, N.L. (2017). “Reconsidering the Voice Effect.” Computers & Education, 114.

Craig, S.D.; Schroeder, N.L. (2019). “Text-to-Speech Software and Learning.” JECR, 57(6).

Diel, A.; Lewis, M. (2024). “Deviation from typical organic voices best explains a vocal uncanny valley.” Computers in Human Behavior Reports, 14, 100430.

Dylman, A.S.; Glarén Diaz, D.; Blysa, A.; Jansson, B. (2025). “The effect of prosody on listening comprehension: Immediate and delayed recall.” Cogent Psychology, 12(1), 2576785.

Faber, M. 等 (2018). 「Driven to Distraction: A Lack of Change Gives Rise to Mind Wandering.」 Cognition, 173.

Govender, A.; King, S. (2018a). “Using Pupillometry to Measure the Cognitive Load of Synthetic Speech.” Interspeech 2018, 2838-2842.

Govender, A.; King, S. (2018b). “Measuring the Cognitive Load of Synthetic Speech Using a Dual Task Paradigm.” Interspeech 2018, 2843-2847.

Govender, A.; Wagner, A.E.; King, S. (2019). “Using Pupil Dilation to Measure Cognitive Load When Listening to Text-to-Speech in Quiet and in Noise.” Interspeech 2019, 1551-1555.

Hakkani-Tür, D.Z.; Oflazer, K.; Tür, G. (2002). “Statistical Morphological Disambiguation for Agglutinative Languages.” Computers and the Humanities, 36(4), 381-410.

Halliday, M.A.K. (1985). Spoken and Written Language. Deakin University Press.

Ibelings, S.; Brand, T.; Holube, I. (2022). “Speech Recognition and Listening Effort of Meaningful Sentences Using Synthetic Speech.” Trends in Hearing 26. PMC9549212.

Im, H.; Sung, B.; Lee, G.; Kok, K.Q.X. (2023). “Let Voice Assistants Sound Like a Machine.” Computers in Human Behavior.

Jing, B.; Wu, C.; Pi, Z.; Zhou, Y.; Zhang, Y.; Liu, H. (2024). 「Cute Computer-Synthesized Voice Hinders Learning Performance in Instructional Videos.」 The Journal of Experimental Education （網絡首發）.

Kadayat, B.B.; Eika, E. (2020). “Impact of Sentence Length on the Readability of Web for Screen Reader Users.” HCII 2020, Lecture Notes in Computer Science, 261-271.

Kaiser, E.; Trueswell, J.C. (2004). “Role of Discourse Context in Processing Flexible Word-Order Language.” Cognition. PMID: 15582623

Kern, J. (2008). Sound Reporting. University of Chicago Press.

Kopp, K.; D'Mello, S. (2016). “The Impact of Modality on Mind Wandering during Comprehension.” Applied Cognitive Psychology, 30(1), 29-40.

Koşaner, Ö.; Özgen, M.; Birant, Ç.C. (2024). “Developing a Rule-Based Text-to-Speech System for Turkish.” International Journal of Humanities Social Science and Management, 4(4), 109-121.

Külekçi, M.O. (2006). Statistical morphological disambiguation with application to disambiguation of pronunciations in Turkish. 博士論文，薩班哲大學。

Lamas, N.J. (2025). “AI, Language Processing and Synthetic Orality.” Explorations in Media Ecology, 24(3).

Le Maguer, S.; Cowan, B.R. (2021). “Synthesizing a Human-Like Voice Is the Easy Way.” ACM CUI 2021.

Lemarié, J.; Lorch, R.F., Jr.; Péry-Woodley, M.-P. (2012). “Understanding How Headings Influence Text Processing.” Discours, 10.

Liu, R. 等 (2024). 「TTS for Low-Resource Agglutinative Language with Morphology-Aware Pre-Training.」 IEEE.

Lorch, R.F., Jr.; Chen, H.-T.; Lemarié, J. (2012). “Communicating headings and preview sentences in text and speech.” Journal of Experimental Psychology: Applied, 18(3), 265-276.

Nussbaum, C.; Frühholz, S.; Schweinberger, S.R. (2025). “Understanding Voice Naturalness.” Trends in Cognitive Sciences, 29(5).

Ochs, E. (1979). 「Planned and Unplanned Discourse.」 T. Givón (編), Syntax and Semantics, Vol. 12: Discourse and Syntax 載於 (51-80). Academic Press.

Ong, W.J. (1982). Orality and Literacy. Methuen.

Pagnotta, M. 等 (2025). 「Prosody! When intonation helps.」 Educational Psychology.

Peelle, J.E. 等 (2010). 「Neural Processing During Older Adults' Comprehension.」 Cerebral Cortex, 20(4).

Raghavan, B.; Schneier, B. (2025). “AI Voices Should Sound Robotic Again.” IEEE Spectrum.

Risko, E.F.; Anderson, N.; Sarwal, A.; Engelhardt, M.; Kingstone, A. (2012). “Everyday Attention: Variation in Mind Wandering and Memory in a Lecture.” Applied Cognitive Psychology, 26(2), 234-242.

Rogowsky, B.A.; Calhoun, B.M.; Tallal, P. (2016). “Does Modality Matter?” SAGE Open.

Rubin, D.L. (2012). “Listenability as a Tool for Advancing Health Literacy.” J. Health Communication, 17(S3). PMID: 23030569

Rubin, D.L.; Hafer, T.; Arata, K. (2000). “Reading and Listening to Oral-Based vs Literate-Based Discourse.” Communication Education, 49(2).

Scribner, S.; Cole, M. (1981). The Psychology of Literacy. Harvard University Press.

Segedin, B.F.; Cohn, M.; Zellou, G. (2019). “Perceptual Adaptation to Device and Human Voices.” Interspeech 2019.

Torre, I.; Goslin, J.; White, L.; Zanatto, D. (2018). “Trust in Artificial Voices: A 'Congruency Effect' of First Impressions and Behavioural Experience.” Technology, Mind, and Society (TechMindSociety '18).

Yang, J. 等 (2026). 「Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech.」 eNeuro.

Zong, J.; Lee, C.; Lundgard, A.; Jang, J.; Hajas, D.; Satyanarayan, A. (2022). “Rich Screen Reader Experiences for Accessible Data Visualization.” Computer Graphics Forum, 41(3), 15-27.

本文原文為土耳其語。我們盡力使中文版自然流暢——忠於思想而非字句。如果您發現可以改進之處，請寫信至 [email protected]——您將豐富我們的翻譯。

轉創註釋

「從文字到聲音」 — Yazıdan Sese

土耳其語Yazıdan Sese中的yazı同時指「書寫」和「文字」，ses同時指「聲音」和「嗓音」。這種雙義性在標題層面製造了優雅的模糊。中文「從文字到聲音」選擇了最透明的對應——但失去了一層：中文「聲音」不像土耳其語ses那樣天然包含「人的嗓音」義。英文From Text to Voice中的voice恰好兼具「聲音」和「嗓音」。中文在此處比英文損失更大。

「走神」 — zihin dağılması

土耳其語zihin dağılması直譯為「心智的散落」——一個較為正式的表述。英文學術文獻用mind wandering。中文「走神」是極其口語化的詞，兩個字，乾淨利落——這種簡潔反而比學術翻譯更準確地捕捉了現象本身：注意力不是「散落」，而是「走了」。中文在此處比土耳其語和英語都更傳神。

「合成口語性」 — sentetik sözlülük

Ong的核心概念secondary orality在土耳其語中被譯為ikincil sözlülük——保留了學術術語感。中文學界通常譯為「次生口語文化」，但本文選擇了「合成口語性」——突出了技術合成（TTS）的維度，這是Ong未曾預見但本文核心論述的方向。這個譯法是中文版獨有的創造性偏移。

「可聽性」 — dinlenebilirlik

土耳其語dinlenebilirlik是從dinlemek（聽）派生的名詞，結構透明，一望即知其義。英文listenability同理。中文「可聽性」是三個字的造詞——「可」+「聽」+「性」——在中文學術寫作中屬於標準構詞法（如「可讀性」「可用性」），但對非學術讀者來說仍有一絲生澀。這種生澀本身或許是恰當的：這個概念本來就不該聽起來太順耳。

「韻律」 — prozodi / bürün

土耳其語有兩個詞：藉詞prozodi和本土詞bürün。英文統一用prosody。中文「韻律」在日常用法中更接近「詩歌的節奏感」而非語言學的「超音段特徵」——但恰恰因為這種詩意聯想，它在一篇討論文字與聲音關係的文章中格外合適。中文「韻律」的美學重量大於其技術精確度，而本文正是在美學層面討論這個問題。

版本 1.4 · 首次發表：2026年4月1日 · 修訂：2026年7月21日，依據一手文獻重新核查三項論斷：刪去Zong的排序公式，以單項測量取代走神比例區間，依據Lorch等人的發現更正標題在聲音中的功能

原文為土耳其語，本文為繁體中文版；其他六種語言見 halitcengizuzuner.co...。DOI：10.5281/zenodo.21501512