氣候變遷下的災難須知(三)：災難風險評估不能只靠科學

• 文／邱彥哲｜雅文基金會聽語科學研究中心 助理研究員

「Hey, Siri!」「OK, Google!」你曾經對手上的行動裝置說話嗎？你會要求他回答什麼呢？受限於目前的技術，你可能不會得到非常滿意的答案，但至少你會聽到一陣悅耳如同真人的語音吧！這項現今習以為常的技術，其實背後是由很多知識累積而成的。今天，讓我邀請你擔任一日「語音設計師」，從語音合成的技術開始，接著了解人類使用者的聽覺偏好，最後探索不同族群對聆聽合成語音的差異吧！

語音合成（speech synthesis），是指以人工方式，製造出說話的聲音，可以理解為使機器裝置說出人話的技術。廣義來說，很多人也會把文字轉語音（Text to Speech，簡稱 TTS），含括在語音合成的範疇。

語音合成像樂高，但樂高有兩種！

早在 1970 年代，人類就已經開始嘗試讓機器說話了。構思如何讓機器說話這件事，最直接的方式就是請真人錄一段聲音，然後在指定的時機播放。不過，面對複雜的語言情境，我們不可能錄下所有可能的回應 ; 而且若要這樣做，也實在太沒效率。幸好，借助電腦運算技術，可以讓人類向自動生成語音邁進一大步。合成的方法可以分成兩大類，分別是單元選取合成（Unit Selection Synthesis）及參數合成（Parametric Synthesis）^[1]。

單元選取合成這種方法，是將某個語言的語音成分分別以人聲錄製起來，再根據需要的目標語音進行組合。簡單來說，如果需要機器說發出「八」的語音，就必須單獨錄製「ㄅ」跟「ㄚ」。這個技術聽起來直觀方便，但也有缺點。就是事先必須建立一個龐大的語音資料庫，這個資料庫必須包含一個語言所有語音成分，此外，還必須錄下這些語音成分在所有情境下的變化，光想起來就令人有點頭痛。

所以後者，參數合成，就顯得方便許多。這種方法，是直接將語音參數輸入電腦，讓電腦直接根據參數發出聲音，再組成語音。使用參數合成，就可以免去請人錄音的步驟，但直接使用電腦生成的語音，聽起來也會相對不自然。我們可以把這兩類方法想像成是在組合樂高，都是將語音成分一塊一塊組合起來，只是前者的樂高是自然材質（比如說木頭製），後者是人造材質（比如說塑膠）。

借助深度學習，電腦說話很自動

不過，無論是上述哪種方法，都還是需要不少的人工調校，才能使聲音逐步接近人類的語音。但還好，隨著電腦演算的進步，將深度學習（deep learning）運用在語音合成的領域，不但減少了人工成本，也大大提升的語音的擬人性。所謂深度學習，簡單來說就是一套模擬人類神經網絡的演算法。

使用這樣的演算法，設計者只需蒐集大量的語音資料，將資料「餵」給電腦，無須事先切分或分析，電腦便會自動學習其中的規律。如此一來，只要資料數量足夠龐大，電腦就可以自動產生符合自然規律且真實的語音。

但是，身為一位語音設計師，要進一步思考的是：「究竟要餵給電腦什麼呢？」這個問題又必須從使用者的角度來思考：「人類會偏好聆聽什麼樣的語音？」就像生產商品一樣，語音百百款，要能投其所好，才能讓使用者日日寸步不離，對吧！

聆聽也要投其所好，性別頻率最重要

關於合成語音的聆聽偏好，最先被討論的，是性別。雖然我們都知道機器沒有性別，但若希望他和人一樣跟你互動，投射性別是很自然的。不過有人就提出質疑：「為什麼我們的語音助理，都是女性的聲音呢？」美國西北大學梅迪爾傳播新聞整合行銷學院教授 Candy Lee 進行一項調查，測試了 8 種族裔的使用者，結果發現 64% 的人只偏好女性的聲音^[2]。

這樣看起來，預設為女性的聲音應該是沒問題的吧？不過，有人認為這是社會對「助理」的性別刻板印象所致；因為社會習慣女性作為「服務者」，所以在設計語音時，直覺地就挑選了女性聲音。雖然單就頻率方面，的確有研究指出，使用者確實是偏好頻率較高的合成語音^[3]，但若是一昧如此，也極有可能不斷複製性別偏見的印象^[4]。

有鑒於此，越來越多系統開始提供男性語音的選項。更甚者，哥本哈根研究團隊突發奇想，不以性別為選項，而是改以頻率作為調查標準。分析之後，他們得到一個最佳的頻率值──185 赫茲，設計出史上第一個無性別語音助理「Q」^[5]。如此一來，青菜蘿蔔各有所好，聆聽的偏好也朝著多元共好的目標邁進！

聽得舒服，語速考量不能少

解決的性別與頻率的問題，還得注意甚麼呢？專門研究輔助溝通系統（Augmentative and Alternative Communication，簡稱 AAC）的專家想到了語速的問題。輔助溝通系統可以簡單理解成「溝通輔具」，是用以輔助溝通障礙者溝通的工具; 簡單如圖卡，複雜如電子溝通板，都算是其中一員。而像是電子溝通板這類，以螢幕顯示圖片，點擊後可以播放語音的輔具來說，合成語音是很關鍵的技術。

這些溝通障礙專家想知道：「究竟什麼樣的語音速度，是最舒服的呢？」。

Sutton 與其研究團隊招募了 21 至 28 歲的年輕人與 61 至 79 歲的年長者，對合成語音進行語速評分^[6]。語速的計算方式，採用每分鐘幾個字（Words per minute，簡稱 WPM）計算。他們將合成語音調整成不同的語速，範圍介於 120 到 250WPM 之間。結果發現，無論年輕人或年長者，偏好的語速都落在 150 到 200WPM 之間 ; 而年長者則是相對年輕人偏好較慢的語速。這樣的範圍，其實與過去研究提出的人類平均語速，相去不遠^[7]。

如果想知道不同語速聽起來感受如何，可以到合成語音軟體 Speechify^[8]的網站試用，自行調整語速（以 WPM 計算），細細品味其中差異。或者，讓我為你朗讀，請聽示範（語速約 180WPM，內容為「我是彥哲，我是普通人。」）！ 

可見，語音合成的技術雖是極為理性的領域，但若要設計出美妙的語音，對人類感性的理解，也絕對不能偏廢。

合成語音聆聽不易，考量族群差異最貼心

「所以，我只要想辦法把語音設計得很像人類就可以了吧？」你可能會這樣想，不過這裡頭還少了一個部分。現代社會提倡多元，客製化當道，每個人使用同個產品的狀況必然會有差異。

其實，即使是一般人，聆聽並理解合成語音是比自然語音更加困難的。Winters 及 Pisoni 發表的回顧研究指出：由於合成語音的清晰度普遍較差，因此聆聽者通常需要動用更多的認知資源（像是電腦需要動用較多記憶體），以及更多高層次的語言知識來彌補語音訊息的不完整^[9]。如果對普通人來說是如此，對於某些特殊族群來說，想必有更加需要注意的地方。

比如說兒童。Mirenda 及 Beukelman 招募了成年人、10 至 12 歲以及 6 至 8 歲的兒童進行研究^[10]。參與者的任務，是要在聽完自然語音及合成語音播放的八個詞彙之後，再將這八個詞彙回憶並說出來，回答無須按照順序。結果研究者發現，兩組兒童無論聆聽自然或合成語音，回憶詞彙的表現都比成人還差 ; 對於兩組兒童而言，記憶合成語音的表現又更不理想。

由此可知，兒童本身的記憶能力就較成年人弱，在聆聽合成語音時，可以說是是難上加難。

另一個被探討的，是聽障族群。聽障族群最主要的困難，就在於聆聽。聆聽合成語音如果對聽常族群來說本來就比較困難，那對聽障族群應該是更加艱困的挑戰吧！Kangas 和 Allen 的研究^[11]回答了這個問題。研究者請年長聽障者聆聽自然語音與合成語音，並請他們在聆聽後寫出聽到的單字。結果可想而知，聽障者確實在聆聽合成語音的部分表現得比較差。

看完上面的狀況，身為語音設計師的你，在設計語音的時候，是不是也應該從使用者的背景差異去調整你的語音呢？也許是調整語音的頻率，也許是調整語速，也可能，也可能有更多領域需要探索。唯有這樣，才能朝充滿人性又個人化的智慧語音邁進。

怎麼樣？沒想到要設計語音，希望機器說出一句話，背後涉及理性的技術與感性的考量，非常不容易吧！看完之後，你還是可以輕鬆地要求你的行動裝置說個笑話，唱首歌給你聽，自娛娛人；但也千萬別忘記，多留點心思，給這人類文明的結晶致上敬意。一日語音設計師，功成身退！

參考資料

1. 詹姆士・弗拉霍斯。(2019)。從說話機器人到聊天機器人。聲控未來：引爆購物、搜尋、導航、語音助理的下一波兆元商機(孔令新譯，頁104-137)。商周出版。
2. Marc Jacob.(2022/3/30). Medill Study Finds Preference for Female Voices and Local Accents. Northwestern Medill Local News Initiative.
3. 顏宏旭，楊麗平，宋慧宏。(2020)。聽眾對語音合成導覽裝置聲音偏好之探討。戶外遊憩研究。33(4)，83-107。
4. West, M., Rebecca K., & Chew H.E. (2019). I’d Blush if I Could: Closing Gender Divides in Digital Skills Through Education.UNESCO & EQUALS Skills Coalition.
5. GenderLess Voice. (2023/3/3) Meet Q [Web message].
6. Sutton, B., King, J., Hux, K., & Beukelman, D. (1995). Younger and older adults’ rate performance when listening to synthetic speech. Augmentative and Alternative Communication, 11(3), 147-153.
7. Walker, V. G. (1988). Durational Characteristics of Young Adults during Speaking and Reading Tasks. Folia Phoniatrica et Logopaedica, 40(1), 12–20.
8. Speechify. (2023/3/3) Speechify.
9. Winters, S. J., & Pisoni, D. B. (2004). Perception and comprehension of synthetic speech. Research on spoken language processing report, 26, 95-138.
10. Mirenda, P. & Beukelman, D.R. (1987). A comparison of speech synthesis intelligibility with listeners from three age groups. Augmentative and Alternative Communication, 3, 120-128.
11. Kangas, K.A. & Allen, G.D. (1990). Intelligibility of synthetic speech for normal-hearing and hearing impaired listeners. Journal of Speech and Hearing Disorders, 55, 751-755.

族群間差很大？

要了解遺傳學家為何不再和人類學家手牽手，不再認為人類族群之間的差異小到微不足道，只要看看「基因組部落格主」（genome blogger）就可以知道。

在基因組革命開始之後，人們便在網際網路上熱烈討論關於人類變異的論文，有些基因組部落格主後來精通於分析網路上公開的基因組資料。

相較於絕大多數的學術界人員，基因組部落格主的政治態度往往偏向右派，拉茲布．可汗（Razib Khan）與迪奈可斯．彭迪可斯（Dienekes Pontikos）發表了各族群特徵的平均差異，其中包括了身體外貌和運動能力。

部落格「歐洲基因」（The Eurogenes）中，「哪個古代民族散播了印歐語系語言」這樣激起反應的標題，往往會有上千個留言灌爆。這個非常敏感的議題在第二部分中討論了，那些印歐語系者的擴張過程，被當成建立國家神話的基礎，有的時候受到濫用，如同納粹德國時期的狀況。

基因組部落格主的信念，有部分來自於在討論各族群之間生物性差異時，學術界人士並沒有保持科學家追求真實的精神。基因組部落格主很樂於指出一項矛盾：學術人士基於政治正確所傳遞的訊息，說族群之間的特徵無法區別，但是在他們發表的論文中得出的科學結果卻不是這樣的。

族群內的差異比族群間大

我們知道的實際差異有哪些？我們無法否認，各族群之間有顯著的平均遺傳差異，不只有膚色，還包括了體型、消化澱粉與乳糖的效率、在高海拔地區呼吸的難易程度，以及某些疾病的罹患率。這些還只是我們剛發現的差異而已。

我預料，不知道更多的人類族群之間的差異，是因為能夠找出這些差異的適當統計資源還沒有投入。人類大部分的特徵，一如呂文廷所說，在族群內的差異要大過族群之外。

這代表在任何的族群中，如身高等絕大部分的特徵，都有位於高低兩個極端的個體存在，例如很高與很矮的人。但是這並沒有排除各族群之間在特徵上有細微的平均差異存在。

幾乎每次回爭論，傳統教條都沒能站穩腳跟。二○一六年，我參加了一場約瑟夫．葛拉夫（Joseph L. Graves）在哈佛大學皮博迪考古與民族學博物館（Peabody Museum of Archaeology and Ethnography）的演講，主題是種族與遺傳學。在演講中，葛拉夫舉出五個能夠大幅影響皮膚色素沉積作用的突變，在不同族群中這五個突變出現的頻率差異很大。

他把這個五個突變和腦中上萬個會在腦中活動的基因比較。他指出，會在腦中活躍的基因和那五個和色素沉積的基因不同，會在許多部位活動。有些突變會推動認知和行為出現某個面向的特徵，但是另一些突變會推動的是別的面向，各種作用相加就平均掉了。

但他的論點其實並不可行，因為在實際的狀況下，如果天擇對兩個分開的族群施以不同的壓力，有許多突變所影響的特徵，會如同那些受到少數突變影響的特徵，讓兩個族群之間產生平均差異。事實上，已知有由許多突變所影響的特徵（可能如同行為和認知），如同膚色這種由幾個突變所影響的特徵，也受到天擇篩選。目前最佳的例子是身高。

身高是由基因組中數千個有變異的位置所決定的，二○一二年，喬爾．赫斯霍恩（Joel Hirschhorn）領導的分析研究指出，天擇對於那些位置的篩選結果，使得歐洲南部人的身高平均來說比歐洲北部人矮。

身高並不是唯一的例子，強納森．普瑞查德（Jonathan Pritchard）所帶領的研究指出，至少從兩千年前，天擇就作用在英國人許多特徵的遺傳變異之上，結果包括嬰兒頭部平均來說比較大，女性臀部也是（可能是為了要在生產時配合嬰兒頭部的增大）。

遺傳變異間接影響教育程度

人們很容易會想，遺傳影響體型是一回事，但是影響認知和行為特徵又是另一回事。不過這種界線已經打破了。如果你加入了某個疾病的遺傳研究，得填寫表格，註明自己的身高、體重和受教育時間長度。

丹尼爾．班傑明（Daniel Benjamin）和同事彙整了四十萬名有歐洲血統者的受教育資料，那些人提供自己的基因組資料，以供研究各種遺傳疾病。

班傑明等人找到了七十四個在受教育時間長的人中更為常見的遺傳變異，那些變異在受教育時間短的人中比較少見。這樣研究已經去除了受到研究族群中各種會造成影響的差異，結果很紮實。這些科學家還指出，雖然平均來說，社會影響力在這方面要大過遺傳，但是從遺傳去推測受教育時間長短的準確度不容忽視。

他們指出針對受到研究的歐洲血統族群，設計一個遺傳預測方式，計算出其中完成十二年教育的概率為百分之九十六，而最低的則為百分之三十七。

那些遺傳變異怎麼影響到教育程度？馬上浮現的猜想是它們會直接影響學業能力，但這可能是錯的。

一項包含了十萬多名冰島人的研究指出，那些遺傳變異也會讓女性生第一個小孩的年紀增加，而且造成影響的程度要遠大於對於受教育時間的影響。那些變異可能是以間接的方式發揮作用，讓人們比較晚有小孩，使得小孩必較容易接受完整的教育。

這個結果指出了，在我們發現控制行為的生物性差異時，這些差異發揮功用的方式往往和我們無知的猜想不同。

各族群間影響教育程度的突變在出現頻率上的平均差異，還沒有找出來。但是在冰島，從遺傳上預期年長者整體上受教育的時間要長過年輕人，這點讓我們警覺。

領導這項冰島研究的奧古斯丁．江（Augustine Kong）指出，這項結果代表了在上個世紀，天擇作用不利於預期受到有更多教育的人身上，就像是篩選出比較年輕就有孩子的狀況。

由於在單一族群中，影響受教育時間的遺傳成因顯然於一個世紀內因為受到了天擇壓力而產生明顯的改變，那麼這個特徵在各族群之間出現差異也是極有可能之事。

影響歐洲血統教育程度的遺傳變異，是否會對於非歐洲血統者的行為發生影響，或是對結構不同的社會系統發生影響？這些沒有人知道。不過，如果那些突變對於某一個族群的行為會發生影響，很可能對於其他族群也發生影響，縱使這些族群的社會狀況有所差異。

在遺傳所影響的行為特徵中，教育程度可能只是冰山一角。其他人也和班傑明一樣，發現了能夠預測行為特徵的遺傳因素，其中一項研究調查了七萬多人，發現到在二十多個基因中的突變適合用來預測在智力測驗中的表現。

——本文摘自《我們源自何方？：古代DNA革命解構人類的起源與未來》，2023 年 ３ 月，馬可孛羅出版，未經同意請勿轉載。

有些時候，沉默就是背叛。
——馬丁．路德．金（Martin Luther King Jr.）

「幫臉蛋打分數」實驗

想像一下，你是二○○○年代末的荷蘭大學生，有一天在上課的路上穿過社會科學院，看到一張召募受試者的海報，名字叫〈看見美麗〉，是一群社會心理學家在研究人類如何認知臉蛋的吸引力。平常就愛翻時尚雜誌的你，覺得自己實在不去不行，而且該實驗還在法國與義大利同步進行，實在太酷了，所以你立刻報了名。

幾天之後，研究團隊請你填一份健康調查，例如有沒有幽閉恐懼症之類，並安排實驗時間；實驗似乎非常簡單：一邊接受腦部掃描，一邊幫一大堆女生臉蛋的照片打分數。「這根本只是花一個小時滑社交軟體 Tinder 嘛。」你想著，這樣就能為科學做出貢獻，實在太好了。

實驗當天，一名穿著白袍的助手帶你進入房間，房裡有一張小小的床。床的旁邊是一個巨大的白色塑膠甜甜圈，洞的大小剛好可以塞進那張床。「這叫作功能性磁振造影，」助手表示，她請你躺在床上，遞給你兩個控制器，每個控制器上各有四個按鈕，上面分別寫著 1 到 8。

「接下來我們會放出許多照片，請你告訴我們每張照片有多吸引人，」她指著控制器上的按鈕，「毫無吸引力就打 1 分，非常吸引人就打 8 分；每張照片有三到五秒的時間回答。」她說完之後給你戴上耳機，在你頭上敲了幾下把耳機固定。你看了一下那個塑膠甜甜圈，裡面好像有個小螢幕。

「感覺如何？」耳機傳來助手的聲音。

「OK 啦，」你說，雖然你其實有點緊張，而且有點冷。

助手請你盡量保持安靜，然後整張床緩緩滑入了那個白色甜甜圈。

一分鐘後，甜甜圈裡的小螢幕亮了起來，出現一張女生的臉蛋照片，畫著濃妝面帶微笑，頭髮看起來油膩膩的；照片消失之後，你給照片打了六分，幾秒鐘後數字「8」亮了起來，旁邊寫著「＋2」。看來「米蘭和巴黎的女性受試者」對這張臉的評價，平均比你高兩分。

「喔？」你皺起眉頭，「這樣啊？是我漏看什麼嗎？」

螢幕上出現第二張功能性磁振造影照片，你努力無視磁振造影機器的嗡嗡聲，繼續打分數。在那之後，照片一張又一張出現，就這樣經過了五十分鐘。

實驗完成之後你來到休息室，另一個助理突然走了進來，說要拜託你在沒有磁振造影機的情況下，把每張照片再打一次分數；他把你帶到另一個房間，確認你覺得舒服之後，以不同的順序給你看之前那些照片。

不過這次，那些「歐洲受試者給出的平均分數」消失了，而且沒有時間限制，每張照片你愛看多久就看多久。結束之後助手問你感覺如何，並感謝你的參與，你也很高興對科學做出貢獻。

大腦認為錯的意見

不過你做出貢獻的方式，其實跟你想的不太一樣。實驗結束之後你才知道，其實整個設定都是騙你的，這個實驗的真正目的，是研究你對臉蛋的評價會如何因為其他人的評價而改變。

實驗根本就沒有「歐洲各地同步進行」，那些「其他國家」或者什麼「米蘭和巴黎受試者的平均評分」全都是事先寫好規則的極端值，只是刻意為了跟你唱反調而已。但有趣的是，這個虛構設定的實驗，卻告訴了我們很多真實的事情。

功能性磁振造影的掃描結果顯示，當我們發現自己偏離了主流意見，大腦就會在神經層次上，產生一種跟事與願違時相同的反應。

當事情的走向出乎預期，我們通常會認為是自己搞錯，這時大腦會把錯誤記錄下來，讓我們下一次不要再犯。這種機制在我們學習開車跟滑雪的時候很有用，卻會在社會之中造成麻煩：大腦會把與眾不同的意見當成錯誤的意見，讓我們下意識服從群體的共識。

因此，當我們重新幫同一疊照片評分，我們給出的分數就變得跟「歐洲各地的平均分數」更近，請注意這個設定的真正意義。這些「歐洲各地的受試者」並不是我們的內團體，「巴黎跟米蘭的女性受試者」遠在天邊，我們根本就不認識，即使意見不同也不用擔心被他們排擠，可是我們還是被影響了。

這表示即使「其他人」不在現場、不知道打哪來的、甚至根本就不存在，他們的意見還是能夠讓我們服從。

這個實驗告訴我們，即使眼前是一群自己未必重視的群體，即使「主流意見」可能只是我們的錯覺，我們也會在意自己是否偏離。在社交場合，我們的大腦不會仔細檢查眼前的表象是否為真，只會照著本能做事。這種情況我稱之為「共識陷阱」（consensus trap）。

它會創造出另一種集體錯覺：不是奠基於謊言，而是奠基於沉默，讓我們為了保持沉默，最後搞到彼此誤解。這種沉默的共識很可怕，它讓我們搞不清楚自己做錯了什麼，畢竟我們既沒有盲從他人，也沒有假意迎合，只是保持沉默而已。

——本文摘自《集體錯覺：真相，不一定跟多數人站在同一邊！》，2022 年 12 月，平安文化出版，未經同意請勿轉載。