最后更新：2026年5月18日
一句话回答
用户访谈中的语音分析，指的是从访谈音频中提取声学特征——音高、响度变化、语速、停顿和嗓音质量——并将其与访谈记录的内容对照分析。它无法可靠地识别情绪或真实性。谨慎使用时，它能帮你找出值得回听的片段：谈到定价时的犹豫、提到某个功能时的能量上扬、或是新手引导环节中的平淡语气。把它当作一种信号，而不是结论。
核心要点
- 声学特征是可观测、有明确定义的；情绪和意图则是推断出来的，并不可靠。
- 最有价值的用途是注意力引导：把研究者的注意力指向值得人工复查的片段。
- 五类特征承担了大部分工作：音高、响度、语速、停顿和嗓音质量。
- 语音分析必须始终与访谈记录内容做三角验证，并在可能的情况下辅以追问。
- 在存储或分析语音数据时，隐私、知情同意和偏差控制没有任何讨价还价的余地。
为什么是语音，为什么是现在
2026年，大多数 AI 用户研究平台仍然只把访谈音频当作生成访谈记录的中间步骤，然后就把音频丢掉了。这等于扔掉了大约一半的信息。二十年来的副语言学与语音科学研究表明，受访者如何说一句话，携带着访谈记录无法承载的信息：犹豫、强调、疲惫和投入程度。Interspeech 和 ICASSP 学术社区围绕声学特征集发表了大量成果，例如 openSMILE 的 eGeMAPS，如今已成为研究中可复现语音特征提取的标准参照。
2026年的新变量在于，大语言模型（LLM）可以把这些特征与访谈记录放在一起阅读，并生成结构化的管理层摘要——“受访者在描述结账流程时语速下降了 30%，音高趋于平直”——研究者不必自己编写分析代码。正是这一点让语音分析对产品团队变得实用，而不再只属于语音科学实验室。
真正重要的五类特征
1. 音高（基频，F0）
音高是人耳感知到的声音“高低”。研究者通常关注F0 均值和F0 变异性（标准差或范围）。音高较平直往往伴随着投入度下降或背诵式的回答；变化幅度较大则常与惊讶、热情或强烈的态度同时出现。但它并不能证明其中任何一种。
2. 响度与强度
响度变化（有时以 RMS 能量或经 shimmer 校正的强度报告）反映的是强调。某个功能名称附近突然出现的响度尖峰，就是一个回听提示。绝对响度基本上是麦克风造成的伪影，应当忽略。
3. 语速与发音速率
语速（每秒音节数或词数，含停顿）和发音速率（不含停顿）在认知负荷下会朝不同方向变化。一位受访者在回答定价问题时放慢了发音速率，说明他在这个回答上投入了更多认知努力。这是值得了解的信息。
4. 停顿与静默
停顿次数、停顿时长以及静默与说话的时间比，是定性访谈中最可靠的声学指标之一。在特定话题上回答前出现较长停顿，强烈提示着不确定性或社会期许偏差——两者都与用户研究高度相关。
5. 嗓音质量
嗓音质量特征（jitter、shimmer、谐噪比 HNR）描述的是声音听起来有多“干净”或多“粗糙”。它们对疲劳和唤醒水平敏感，同时也对麦克风质量敏感，因此解读时需格外谨慎。
语音分析“从信号到洞察”框架
声学特征本身只是噪音。要把它们变成研究洞察，需要走完下面这个四步框架。这是 Qualitati 自有的框架——欢迎在你自己的研究流程中采用。
| 步骤 | 你要做什么 | 你会得到什么 |
|---|---|---|
| 1. 提取 | 按每个话轮和每个话题段落计算 eGeMAPS 风格的特征。 | 一张与访谈记录对齐的特征表。 |
| 2. 锚定 | 将每一处特征偏离与对应的访谈记录片段及其相关的研究问题配对。 | 已锚定的信号事件。 |
| 3. 三角验证 | 用内容（所说词语的情感倾向）和行为（他们在原型中是否完成了转化？）交叉核对信号。 | 多来源的相互佐证。 |
| 4. 决策 | 用信号来排定回听、追问或扩大样本的优先级——绝不把它作为产品决策的唯一依据。 | 行动，而非解读。 |
语音分析不是什么
- 不是情绪探测器。美国心理学会以及近期发表在Nature Human Behaviour上的综述，都反复批评了基于语音的自动情感识别的效度。对任何“快乐分数”都要保持怀疑。
- 不是测谎仪。没有任何经同行评审的证据表明消费级语音分析能够识别欺骗。
- 不是人格测验。从一次 30 分钟的访谈中推断人格特质，没有文献支持。
- 不是开箱即用的跨语言工具。语速常模和音高基线在不同语言和不同说话人群体之间差异很大。多语言研究需要按语言分别建立基线。
面向产品与 UX 团队的实操流程
- 规划。先确定哪些研究问题真正能从声学信号中获益。定价感知、新手引导中的阻力、功能的重视程度通常可以；人口统计类问题通常不行。
- 干净地录音。使用一致的麦克风链路。避免在设备不同的受访者之间比较响度。
- 获取明确的知情同意。告知受访者他们的语音将被用于声学特征分析。提供退出选项和删除途径。
- 按段落提取，而不是按整场访谈。整场访谈的平均值会掩盖所有有意思的东西。
- 呈现回听提示。为每场访谈生成一份 5–10 个片段的简短排序清单，让研究者带着目的去听。
- 在下一场访谈中追问。如果某个话题总是引发回答前的长停顿，就设计一个更锐利的追问。
- 谨慎汇报。在结果汇报中，以访谈记录证据为主，语音信号只作为辅助背景。
语音分析就绪度清单
- ☐ 知情同意文本明确涵盖声学分析，而不仅仅是录音。
- ☐ 音频以 ≥ 16 kHz、单声道、一致的增益采集。
- ☐ 特征提取使用有文档记录、可复现的特征集（如 eGeMAPS）。
- ☐ 每个信号事件都锚定到一段访谈记录和一个研究问题。
- ☐ 团队已书面约定语音分析不会用于哪些用途。
- ☐ 所有非英语访谈都有按语言建立的基线。
- ☐ 受访者可以要求删除其语音数据。
- ☐ 洞察的汇报带有置信度限定语，而不是确定性断言。
偏差、隐私与伦理
语音承载着身份。口音、年龄、性别、健康状况和情绪状态，都可以从研究者觉得有用的那些特征中被推断出来——有时还会推断错。每一个语音分析项目都应当作出以下三项承诺：
- 目的限定。声学特征只用于研究洞察，不用于筛选、评分或任何与招聘相关的决策。
- 数据最小化。只存储特征和锚定后的短片段。避免将完整原始音频保留超过必要的时间。
- 群体公平。验证你的语音分析在受访者池所涵盖的各种语言、口音和年龄组之间表现相当。无法验证，就不要泛化。
欧盟 GDPR 将语音视为个人数据，而生物特征处理还有更高的额外要求。在欧盟或英国开展研究的团队应据此调整知情同意流程。
Qualitati 的位置
Qualitati 是一个内置语音分析（Voice Analytics）的 AI 用户研究平台：从访谈音频中提取声学特征，包括音高、响度变化、语速、嗓音质量，并生成 AI 管理层洞察。语音信号与访谈记录放在同一个项目里，研究者可以从一个被标记的片段直接跳到对应的访谈记录文本和相关研究问题。平台还支持 10 种语言的 AI 主持访谈、AI 主持焦点小组、对话式问卷，以及 ThemeLens AI 主题分析，因此语音洞察可以与内容层面的主题在同一处完成三角验证。Qualitati 公开透明的按积分计费标准，注册即送 30 积分免费开始 — 详见定价页面。
什么时候不该用语音分析
- 访谈是文字形式，或音频质量参差不齐时。
- 研究问题纯粹关乎受访者想要什么，而不是他们对此感受如何时。
- 无法为多语言研究保证按语言建立基线时。
- 输出将被用于针对个别受访者做决定、而非形成整体洞察时。
常见问题
语音分析和情感分析是一回事吗？
不是。情感分析对一个人所说的词语进行分类；语音分析测量的是他们如何说出这些话。两者互为补充，而且经常不一致 — 这正是把它们放在一起使用的价值所在。
AI 能判断受访者是否在说谎吗？
不能。没有任何可信的、经同行评审的证据表明语音分析能在访谈场景中可靠地识别欺骗。任何声称可以的供应商都在夸大科学。
需要多少音频才够？
对于分段信号，每个话题 20–30 秒的语音通常就足够了。基于不到两分钟语音的整场访谈平均值并不可靠。
它适用于英语以外的语言吗？
声学特征原则上与语言无关，但基线（典型语速、典型音高范围）在不同语言之间存在差异。多语言研究需要按语言建立基线，以避免虚假信号。
我该如何向利益相关方展示语音分析的发现？
以访谈记录证据和研究问题为主，用语音信号作为辅助背景（“并且受访者在回答前停顿了 4 秒”）。避免使用情绪标签。
最简单的第一个项目是什么？
在即将进行的一轮访谈中选一个高风险话题 — 定价感知就是不错的候选 — 然后对照访谈记录，复查每场访谈中语音标记最靠前的三个片段。比较一下你学到的东西与常规汇报之间的差别。
结论
用户访谈中的语音分析是真实的、有用的，也很容易被过度解读。把它当作访谈记录之上的一层注意力引导，它能让研究者更快、更周全；把它当作情绪或诚实度探测器，它就是伪科学。选择第一种解读，你会在定性研究中获得持久的优势；选择第二种，你得到的是可信度问题。
免费获得 30 积分开始使用 — 无需信用卡。创建 Qualitati 账户，开启语音分析功能运行一场 AI 主持访谈，比较一下音频告诉你的内容与仅凭访谈记录能得到的内容。或者在决定之前，先比较 Qualitati 与其他 AI 用户研究平台。