Human and AI voice identities evoke shared neural signatures during speaker recognition across changes in speech content and prosody
Notice bibliographique
Résumé
Abstract Both biologically-produced human voices and algorithmically-generated AI speech manifest speaker identity. Critically, prosodic variations modulate the acoustic dimensions (e.g., fundamental frequency) that also shape individual speaker identity representations. So far it remains unclear whether listeners process speaker identities in human and AI voices through neurologically equivalent mechanisms, nor how prosodic cues might influence these cognitive processes. We examined event-related potentials during old/new speaker discrimination after name-based identity learning, and further analyzed correctly recognized old speakers comparing trials where prosody matched vs. mismatched between learning and testing. For old/new discrimination, multivariate pattern analysis (MVPA) revealed three significant late windows (662-1498 ms) with Pz as the primary contributor for AI voices, yet none for human voices. Univariate analyses revealed that human voices showed earlier widespread discrimination (N250: 200-280 ms), while both voice types converged on Pz as the strongest contributor based on effect size rankings for late old/new effects (400-800 ms). These old/new effects emerged across completely different speech content between learning and testing, addressing a gap in prior literature. For speaker-specific prosodic expectation effects in the 500-900 ms window, unexpected prosody elicited late positivity for human voices compared to the prosody used during learning, whereas AI voices elicited late negativity. The late positivity resembles P600 components observed for communicative style expectancy violations, while the late negativity likely reflects effortful reprocessing of prosodic violations within atypical synthetic signals, analogous to accented speech processing. Our study advances understanding of voice identity in cognitive neuroscience and offers implications for AI voices in human-computer interaction. [Word count: 250]
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».