认知心理学背后的播客剪辑技巧

Matrix 首页推荐 Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。 文章代表作者个人观点，少数派仅对标题和排版略作修改。 AI 声明：本文结构设计和核心内容均为人工手写，绝大多数内容依赖专业认知心理学教材和专著。部分专业细节（如剪辑爆声原理）借用了 AI 查证并绘制了示意图。 今年年初，我和相识多年的书友一起做了一档播客，正式加入播客大军。 内容准备和录制并不算难，真正让我们这些小白头疼的是后期剪辑。为什么剪辑时会时常出现爆音？为什么有些地方剪辑后意思接得上，听起来却觉得别扭？为什么有些地方稍微动一下就会不自然？ 这些困惑让我在阅读认知心理学书籍时，格外关注听觉、语音、言语知觉等主题。我发现，很多播客剪辑遇到的问题，其实都能在大脑的知觉机制中找到解释。 当然，想把音频剪好，实践始终是第一位的。这篇文章不是一份剪辑攻略，和之前关于 专注 、 阅读 、 成瘾 等文章一样，我尝试从认知心理学和神经科学的角度，聊一聊「我们如何听懂别人说话」这件再日常不过的事情。介绍原理的过程中，我还会把这些知识放回剪辑场景里，帮大家理解人耳和大脑是怎样处理语音的。 下次再剪辑时，希望大家都能更清楚自己究竟在剪什么，以及如何剪才能避免常见的误区。 关于人声的基本知识 大家都知道，你我之所以能听到别人说的话，是因为有声音传导到耳朵里。 然而，物理层面的「听见」只是「听懂」的第一步。实际上，传入我们耳中只是一些连续、多变的声学信号，这和我们的直观感受有很大的区别。 说话声音是连续的 我们先来把声音和文字做一个简单对比。 阅读时，书面文字的边界是相对清晰的。英文单词之间有明确的空格，中文虽然没有词间空格，但作为母语者，我们很容易对句子进行分词处理。比如，当你看到「我今天想吃汉堡包」这句话时，会自动处理成： 我｜今天｜想｜吃｜汉堡包 如果分词出了错，就会出现理解偏差或是闹出笑话。比如，南京市长江大桥这个经典段子，就是把南京市（的）长江大桥，错误切分成了: 南京｜市长｜江大桥 比起书面文字，语音的切分还要复杂且模糊一些。直觉上，我们会觉得别人说话是一个一个词蹦出来的。然而研究发现，日常说话中，人们很少会对每个词进行清晰的发音切分。专业的声谱图显示，声学信号通常是连续的。词与词之间很难明确划分出一道清晰、稳定的物理边界。 以英文「What are you doing」为例。如果是写出来，分隔一目了然： What are you doing? 然而，如果不是刻意一字一顿发音，母语者在生活中说这句话时，听起来更像是： Whad'ayadoin? 声音中间是没有空隙的。下图就是一字一顿发音（图 a）和日常发音（图 b）的声谱图，它们之间的差异清晰可见：日常说出「Whad'ayadoin」时，不但词语和词语之间的停顿很少，相邻语音还会发生连读、弱化甚至省略的情况：What 和 are 连成 whad'a，you 简化成ya，诸如此类。 摘自教材《感觉与知觉（第十版）》，作者Goldstein 在剪辑播客时，我们也会观察到类似的现象：除了有意的停顿、句末等较长的气口外，大多数音频的声波图是相对连续的。哪怕是声音波谷的地方，很多也是发音的必要组成部分，不是真正的停顿。如果在这些地方贸然剪断的话，就有可能会出现不自然的爆点，或是明显的节奏变化。 相邻的声音彼此渗透 声音的连续性造成了剪辑的困难，更麻烦的是：每一处发声甚至不是彼此独立、边界清晰的。 我们在说话时，舌头、牙齿、嘴唇等发音器官是不断运动的。因此前后相邻的发音动作往往会发生重叠，一个音还没有完全结束，发音器官已经开始为下一个音做准备了。这种现象有一个专业词汇，叫协同发音（coarticulation） 。 如果这样说不好理解，我们不妨用一个相反的例子说明：假如说我们完全不使用协同发音，那我们发出的每个音都应该个个分明、有清晰的语音边界。比如当我说「我想吃汉堡包」时，应该先发第一个音（wo），嘴巴恢复原位，然后发第二个音（xiang），再恢复原位，接着发第三个音（chi）……生理意义上你完全可以这么说话，但这么做既不自然、效率又低，现实中很少有人这么发音。 真实场景下，为了快速流畅地说话，大脑会提前组织接下来的动作。在发前一个音的时候，发音器官往往已经开始为后一个音做准备；同样，前一个音的发音动作，也可能延续到后一个音中。 在发 /ba/ 和 /bu/ 的音时，起始的嘴型差异（AI图） 这样做会导致一个结果：在说同一个辅音时，当它后面接的是不同的元音，我们实际上会以不太相同的方式发最初这个音。你可以试着发一下 /ba/ 和 /bu/ 这两个音，关注一下自己的口型。虽然这两个音都以辅音 /b/ 开头，但你起始的口型是不太一样的。尤其当你发 /bu/ 这个音时，嘴唇在 /b/ 这个音还没有结束时，就已经开始变圆了。 这就是协同发音导致的。 声音是千差万别的 协同发音还带来另一个结果：同一个音，同一的人在不同场合说，未必会产生完全相同的声学信号。事实上，前后的音不同、在句中的位置不同、语速不同，在声谱图上的样子都有可能发生变化。 剪辑软件里的波形图信息相对简略，但如果你有意识地对比同一个词语在不同地方的发音，就会发现它们的波形也有可能存在很大的差异。 两个说话人说同一个词 「your」的波形差异 此外，发音的个体差异也非常明显。有些人声音高亢，有些人低声浑厚；人们口音不同、发音习惯各不相同。调查表明，英语定冠词「the」在生活中有 50 种不同的发音方式（Waldrop, 1988)，这说明作为一种听觉信号的人声，本质上是千差万别的，根本没有一个统一的「声音指纹」或「听觉模板」，我们更没法直接从波形图上一眼辨别出来。 小结 结合以上几点可以得出结论：虽然大家习惯把一句话看作一个个独立的音节或词语，但这种划分更多是语言分析和知觉加工的结果。在物理参数上，声波是相对连续的。词与词、甚至句子与句子之间，往往不存在一个特别明确的分界线。 这也是为什么在音频软件的波形图里找一个词「真正开始」或「真正结束」的位置，没有想象中那么简单 。如果不借助 AI 或自动化工具，我们通常要凭借听觉找出合适的位置，剪完还要靠听觉去检验，这样才能比较好地把握住剪辑点。 大脑如何从声音中听出意思 人声在物理层面是连续、彼此渗透且复杂多变的，那在日常生活中，为什么我们很少会产生困惑，绝大多数场景下都能轻松听懂别人说的话呢？ 这就要归功于我们的大脑了。实际上，为了把声音转化成清晰准确、含义明确的词语和句子，大脑做了大量的工作。它会综合各种有效信息，对声学信号进行主动的加工和预测。经过这一步，我们才能从物理层面的「听见」变成语义层面的「听懂」。 声波如何转化为特定的音节 我们都知道，大自然中的蓝色有成千上万种，晴天的蓝、海水的蓝、拖鞋的蓝各有差异，但这不影响我们会把它们共同归到「蓝色」这个颜色类别下。 同样的道理，虽然声音在物理层面是连续多变的，但我们的听觉并不会对每一个细微变化都建立一个新的类别，而是会把它们归入一些相对稳定的类别。这就是认知心理学中核心概念，叫类别知觉（categorical pe