文献结构化整理与要点提炼

文献标题

A New Uncanny Valley? The Effects of Speech Fidelity and Human Listener Gender on Social Perceptions of a Virtual-Human Speaker

文献信息

• 主题领域: 语音合成技术对虚拟人类社会认知的影响
• 关键词: 虚拟人类, 社会认知, 语音合成技术, 性别影响, 人机交互

研究背景与问题

问题与挑战

• 存在广泛应用的虚拟人类作为说服性代理，但其话语呈现方式（尤其是使用文本到语音技术）对社会认知的影响仍未完全了解。
• 合成语音通常被认为不如人类录制语音可信和自然。神经文本到语音技术（Neural TTS）虽然比现有技术更逼近人类语音，但其对社会认知的效果需进一步验证。
• 听者的性别是否影响对虚拟人类语音的社会认知仍不明确。

重要性

• 社会认知对于虚拟人类的接受度及用户体验至关重要，在信任和技术采纳方面有关键作用。在虚拟人类广泛用于医疗咨询和能源保护等说服场景时，这些认知会直接影响应用效果。

研究动机与相关工作

• 从语音质量到社会认知的分析存在分歧。早期研究表明合成语音与人类语音的社会认知差异，但结果不一致。
• 虽然神经文本到语音技术被认为更自然、更贴近人类语音，但是否能够提高虚拟人类的社交认知仍有待验证。
• 性别对技术接受度影响的研究通常不够纵深，该研究试图填补这方面的空白。

解决方案

方法或解决方案

• 使用3×2的实验设计，评估三种语音技术（标准语音合成技术Standard TTS、神经语音合成技术Neural TTS、和人类录制语音）在不同听者性别（男性和女性）下对虚拟人类社会认知与说服效果的影响。
• 测试虚拟人类的社会认知评价，包括作为演说者的能力、可信度和勇气，以及对演讲内容、论点和语音的感知。

创新之处

• 首次直接比较神经TTS与标准TTS，以及从听者性别角度探讨社会认知差异。
• 仿照早期方法设计，但增加了现代TTS技术尤其是神经TTS的测试，为未来虚拟人类改进设计提供依据。

实施步骤与关键技术

1. 创建3种语音条件（Standard TTS、Neural TTS和Human Speech），所有语音均与虚拟人类同步。
2. 通过问卷和评分评估社会认知与说服效果。
3. 使用Amazon Polly工具生成的标准和神经文本到语音技术。
4. 参与者验证码数据分析采用主成分分析（PCA）和方差分析（ANOVA）。

研究成果

具体成果

• TTS（文本到语音技术）语音条件未能显著改善对虚拟人类的社会认知。相比标准TTS，使用神经TTS的虚拟人类被认为更不可信。
• 并非所有听者都同样响应语音质量：男性听者在可信度维度上显著低于女性听者。
• 听者对合成语音的负面评价可能与“幽灵谷效应”有关，该效应描述了由近似真实但未能完全逼真人类语音引发的不适感。

与现有解决方案的优势

• 提供了关于现代TTS技术是否能够改善用户体验的实证数据。
• 挖掘听者性别与社会认知之间的复杂交互关系，为设计性别敏感的虚拟人类提供指导。

局限性与未来方向

• 实验仅限于女性虚拟人类和预设的说服论题，未包含对不同性别或种族虚拟人类的研究。
• 聆听者群体主要来自美国大学，无法完全代表一般人口。
• 后续研究应扩展至其他文化背景、更丰富的虚拟人类外观设计，以及混合定量与定性方法进行数据收集。