Does Speech Prosody Shape Social Perception Equally for AI and Human Voices? A 16-Dimension Rating Study
Notice bibliographique
Résumé
AI can now generate humanlike prosodic patterns, but whether these cues influence social perception in the same way human voices do remains unknown. Our study recruited 40 native Chinese speakers to evaluate the effects of human and AI-cloned voices producing statements in a confident vs. doubtful tone of voice (prosody). Participants rated 320 utterances on 16 dimensions using 7-point scales, ranging from acoustic properties to social impressions of the speaker. Results revealed that human voices received significantly higher ratings than AI voices on most dimensions, including humanlikeness, animateness, and emotional richness, with exceptions for speed and nasality, where AI voices scored higher. Principal component analysis (PCA) identified two core dimensions along which human voices consistently outperformed AI voices: “social appeal” and “vocal expressiveness”. Regression analyses showed that confident prosody enhanced ratings for both voice sources, with voice source × confidence interactions revealing that AI voices showed greater rating increases with confident than with doubtful prosody compared to human voices, particularly on social perception dimensions. However, PCA revealed a critical asymmetry: while vocal expressiveness significantly predicted social appeal for human voices, this expressiveness-to-appeal mapping was completely absent for AI voices, indicating that individual dimension improvements failed to translate into overall social preference gains. These findings suggest that listeners categorize AI as an out-group, thereby limiting the application of human voice perceptual mechanisms even when AI voices exhibit humanlike expressiveness. Implications for social robotics are discussed, including how prosodic design should differ across scenarios where virtual agents serve informational vs. interpersonal roles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».