年龄和言语对齐对人类和Voice-AI在性别上的差异

介绍

语言现在是一个常见的模式与技术;所有年龄段的人经常跟声控的人工智能(voice-AI)设备,如苹果的Siri和亚马逊的Alexa (宾利et al ., 2018)。世界各地数以百万计的voice-AI设备被用于人们的住宅(Ammari et al ., 2019),几乎一半的美国人使用数字助理(奥姆斯2017)。在某些方面,这些系统表现出更多的人类品质:通过他们的名字(例如,“Alexa”),说话方式和角色。同时,许多voice-AI系统显示一个明显的性别。性别是人类语言中的一个索引的变量被发现形状使用者互动的交际行为(埃克特和McConnell-Ginet, 1992)。男人和女人的表达方式不同与voice-AI系统?性别也被证实可以影响听众的评估说服力、吸引力和组成员的发言人(Oksenberg et al ., 1986;1992年德保罗;巴别塔,2012)。人们如何应对voice-AI系统明显的性别?理论计算机化身的账户,如电脑是社会演员框架(CASA) (Nass et al ., 1994;Nass et al ., 1997),建议当一个人发现一种人性在数字系统中,他们自动应用socially-mediated人与人之间的互动行为与技术的交互。在现代voice-AI助手的情况下,他们明显的性别可以看作是他们的一个人类的许多线索,随着实时语音识别,类似人类的说话方式,和其他特性。一些工作对性别刻板印象的主要apparent-female voice-AI助理(风笛手,2016;黄et al ., 2019)。只有少数研究测试扬声器是否显示不同对voice-AI gender-mediated行为,比如(明显的)男性和女性的语音(TTS)的声音。而检et al。(2019)没有发现不同参与者的评级的男性和女性的TTS的声音,其他研究参与者的演讲行为表明有一些差异。例如,参与者显示不同的演讲模式对男性和女性的苹果Siri TTS的声音,在类似的方向对于真正的人类男性和女性的声音(科恩et al ., 2019;斯奈德et al ., 2019)。这意味着更多的潜意识行为可能揭示gender-mediated模式(如果存在)在human-device交互。然而,在所有这三个研究(科恩et al ., 2019;检et al ., 2019;斯奈德et al ., 2019),只有一个年轻的成年人人口(如大学生)检查。如何gender-mediated模式出现在不同的年龄段?至关重要的是,没有工作之前,据我们所知,调查个人是否不同年龄和性别对这些系统不同应用行为(男性和女性的声音),使直接比较人类的对话者。

目前的研究旨在调查两个主要问题:1)社会调解人与人之间的互动的说话方式(在这里,性别)反映在人类声音的人工智能交互?2)做同样的模式举行跨语言的年龄类别?为了回答这些问题,我们检查的潜意识行为在口头互动:语音对齐(也称为夹带)。甚至当人们交谈或听到声音在headphones-they节目往往会下意识地调整其演讲模式(纳塔尔,1975;格雷戈里·霍伊特,1982;戈尔丁1998;肖克利et al ., 2004;巴别塔和Bulatov, 2012;Zając 2013;Zellou et al ., 2016;Sonderegger et al ., 2017;Zellou et al ., 2017)。语音模仿的证据向声音技术也被观察到:人们对口语一致率(贝尔,2003)和振幅(铃木和片瞳,2007年电脑合成的声音。虽然一些人提出,模仿是一个自动的过程,反映了紧,无中介的耦合的语言表征用于生产和感知(戈尔丁1998;肖克利et al ., 2004),有越来越多的证据表明,它是也社会介导的。例如,使用者显示不同的模式基于社会特征的模仿他们的对话者:如性别(例如,Namy et al ., 2002),吸引力(例如,巴别塔,2012)、亲和力(沙特朗和巴夫,1996年),种族/民族(例如,巴别塔,2012)。Socially-mediated模仿模式往往是通过沟通住宿的视角解释理论(CAT) (贾尔斯et al ., 1991;谢泼德,2001),建议使用者使用语言对齐强调或最小化社会他们自己和他们的对话者之间的差异。猫框架也适用于理解human-device交互:最近的研究,人类和voice-AI对话者之间的直接比较发现更大的声音模仿人类,相对于voice-AI演讲者(例如,苹果的Siri科恩et al ., 2019;斯奈德et al ., 2019;亚马逊的Alexa的Raveh et al ., 2019;Zellou科恩,2020)。少讲话对齐对数码设备助理表明人们可能不太倾向于展示社会向voice-AI亲密,因为他们为人类做的。

在下面几节中,我们考虑声音的角色性别(性别角色的声音),说话者的性别(参与者的角色性别)和扬声器年龄(参与者的年龄)作为潜在变量形成一致性的差异对人类和voice-AI说话。

性别角色的声音

正如前面提到的,给定的(明显)性别的声音已被证明调解模仿模式都怎么看和human-device交互。在大学室友之间的语音模仿的一项研究中,Pardo et al。(2012)发现强一致性对男性(相对于女性)。同样的不对称已经观察到在研究直接比较人类和TTS的声音:向男性声音更大的一致性(包括人类和TTS)比女性的声音科恩et al ., 2019;斯奈德et al ., 2019)。最近,一项研究比较一致向相同的TTS的声音在三个设备平台(人形化身不同)也显示该模式(更大的一致性对男性的声音,相对于女性的声音)(科恩et al ., 2020)。然而,其他人找到了相互矛盾的结果gender-mediated模式在演讲对齐(例如,Pardo et al ., 2017),这表明其他因素(例如,参与者性别、态度的声音,等等)可能在起作用。虽然我们不确定这些性别差异的来源在目前的研究中,有理论建议gender-differentiated学到的沟通模式(埃克特和McConnell-Ginet, 1992)。

参与者的角色性别

模仿者性别也被证明是一个重要的中介因素对人与人之间的互动演讲对齐(Namy et al ., 2002;帕尔多,2006;Pardo et al ., 2010)。例如,巴别塔(2012)发现,白人男性模型说话,他被评为的更有吸引力,更他的元音是由女性参与者模仿;然而,男性参与者显示反向模式和模仿白人男性少当他们认为他更有吸引力。Namy et al。(2002)发现女性shadowers一致更向男性比女性语言模型,语言模型而男性shadowers同样向男女双方保持一致。与此同时,其他研究发现相反的模式(例如,帕尔多,2006)。一种可能原因的发现对模仿者的性别定位不同的是,由于socially-mediated对齐反映,男性和女性在“不同的社会化”的方式沟通,并执行在心理的研究中,这将不同情况下,时间和情况下,实验正在进行(Namy et al ., 2002)。因此,进一步识别与性别的因素来预测语音模仿模式是当前的研究动机,可以通知social-theoretical账户对齐。

性别和技术

了解女性和男性的差异与voice-AI能体现语言模式是如何从人与人之间交流转移到语言与技术的交互代理。的确,有兴趣了解性别角色的行为模式在人机交互(例如,亚伯et al ., 2020)。最近的研究已开始探索性别差异在向技术人员和态度和认知,尤其是在人机交互(见野村证券(2017)调查)。首先,有工作表明gender-differentiated语言模式存在于人与人之间交互是反映在电脑仲介交互;例如,礼貌的差异模式、自信,并使用亵渎的发现男人和女人之间面对面的对话也存在在使用语言通过计算机(例如,鲱鱼、1996;鲱鱼、2003)。最近的工作已经开始探讨性别差异对技术人员和态度和认知,尤其是在人机交互(野村证券(Nomura) 2017)。例如,野村et al。(2006)参与者完成了消极态度(nar)和机器人调查发现,女性更多的负面报道的态度比男性参与者与机器人互动的情况。如果这适用于voice-AI交互,我们期待更大的一致性对设备声音男性比女性参与者在目前的研究参与者。与此同时,最近的工作检查人机交互也揭示了性别差异在声音模仿:女性演讲者声音一致强烈female-voiced AI设备更像人类(从一个圆柱形的演讲者人形机器人)(科恩et al ., 2020)。猫后,扬声器使用对齐传达社会亲密之家,人们运用社会人与人之间的互动行为从那些机器人,我们可以提出另一种新的假说。例如,另一个可能的结果是更大的一致性对设备声音匹配在影子的性别(即。,男shadowers对齐对男性设备声音和女性shadowers使更多对女性设备声音)。

参与者的年龄

一个勘探面积阴影的效果对人类的年龄类别在演讲和voice-AI对话者。绝大多数的对齐的研究已经开展了关于大学生(例如,巴别塔,2012;Pardo et al ., 2012;沃克和Campbell-Kibler, 2015年等)。据我们所知,只有三个研究调查了对齐一群大学生参与者之外,只有两个语音模仿的检查:尼尔森(2014)发现孩子显示出更强的声音定位相对于年轻人。萨博(2019)检查语音对齐的老年人(OAs)和年轻的成年人(丫)总机的电话对话。两个年龄组显示愿意适应;美洲国家组织和丫对齐在语音学上选择性方面,然而,他们并没有比较的差异的对齐模式向一组语言模型。贾尔斯et al。(1992)研究话语对齐,而不是语音对齐,但他们发现,丫(30 - 40岁)适应向美洲国家组织(70 - 87岁)。同时,老年人显示under-accommodation强劲,远离年轻成人的对话者。缺乏住宿由老年人话语主题解读为一种“对话”获得社会控制(贾尔斯et al ., 1992:285)。综上所述,这三个研究表明,年龄是一个相关的社会人与人之间的互动变量在对齐。当前的研究另外测试是否调解模仿voice-AI系统的年龄是一个因素,比较丫和美洲国家组织。

根据年龄差异与技术

差异的经验,和信仰、技术跨越美洲国家组织和丫对与年龄相关的变化可以导致不同的预测对齐向现代voice-AI(例如,苹果的Siri)和人类的语言模型。美洲国家组织有不同的经验与技术(哈里森和Rainer, 1992年;以察et al ., 2009)和以前的接触更少的类人TTS合成(如Klatt合成器的声音Klatt (1980))。可能是美洲国家组织,比较他们的经验更“robotic-sounding TTS声音,现代TTS的声音像Siri概念化更多的“人类”。在目前的研究中,这导致我们预测1)更大的一致性对voice-AI总的来说,和2)类似gender-mediated模式voice-AI和人类声音的美洲国家组织(相对于丫)。同时,丫已经长大了更多限制,在自然主义并迅速增加,“机器人”和“人类”的范围。TTS的声音。丫可能感知相同的Siri的声音是过时的“机器人”的各种各样的TTS的声音。因此,我们预测丫将显示1)少voice-AI对齐,和2)减少对voice-AI socially-mediated行为(在这里,gender-mediated对齐)。

当前的研究

当前的研究检查是否human-to-AI演讲对齐发生一起类似的社会维度与人与人之间的对齐,比较两个年龄组(平均年龄67和20岁)。我们的社会类别的兴趣是性别:男性和女性shadowers回应(明显的)人类语言和voice-AI男性和女性。据我们所知,这是第一个实验工作语言使用同一套模型探讨不同对齐在年长和年轻的成年人。实验是一个字跟踪模式,参与者,在重复(跟踪)单词由四个不同模型说话声音(2自然产生人类的声音和两个TTS的声音);由参与者暴露产品的单词之前收集语言模型。实验二是ax = b相似等级的任务(Pardo et al ., 2013),另一组听众率是否参与者暴露和跟踪产品从实验更听觉上类似于模型说话的生产跟踪项目,提供一个整体的评估演讲对齐。

实验一:单词跟踪任务

方法

刺激

目标12单音节的英语单词由低频词:炸弹,缝制,葡萄树,双关语,避开,一致,打哈欠,闪耀,减弱,温和,雷恩,哼哼(平均对数频率:1.6;范围:1.1 - -2.1 (Brysbaert和新,2009年)用于与人类相关的模拟实验和设备对话者(科恩et al ., 2019;斯奈德et al ., 2019;科恩et al ., 2020)。刺激包括单词的录音由四个不同的声音:两个人和两个人工智能设备的声音。首先,物品被女性和男性人类记录,以英语为母语的20年代,使用美国舒尔WH20 XLR sound-attenuated亭头戴麦克风。AI声音使用命令行创建一个苹果电脑(OSX 10.13.6),和改变Siri语音设置(美国女:“萨曼莎”,US-male:“亚历克斯”)。

参与者

共有46个参与者完成了词汇跟踪任务。年长的成人参与者(n= 22;10 F, 12米)从社区招募通过传单或口碑。美洲国家组织的平均年龄为66.5岁(范围= 53 - 81;sd = 8.7)。年轻的成年参与者(n= 24;12 F, 12米)是从本科招募对象池和获得学分的参与。丫的平均年龄为20.4岁(范围= 18-39 sd = 4.3)。所有的参与者都以英语为母语。参与者被要求表明他们是否有任何已知的听力问题。三OA和1丫参与者表示,他们已经知道听力问题及其产品被排除在知觉相似性评价的任务。

过程

首先,受试者被告知他们将重复单词由四种语言:“Siri”和“亚历克斯”(男性和女性设备);“梅丽莎”和“卡尔”(女性和男性人类)。引入包括语言的照片,以确保参与者相同的声音自上而下的知识类别(如设备或人工)。见图1Siri的图像和亚历克斯是单独的iphone显示“活跃”Siri模式;人类的图片图像是成年人(从第一谷歌图片搜索结果中选择“男性”和“女性股票形象”)。

接下来,参与者暴露产品的单词记录为了得到每个项目的基线生产之前接触语言模型。在这种接触前块,每个12的目标的话在电脑屏幕上显示一次和参与者产生每个单词孤立的两次,随机选择。然后,参与者完成了词汇的阴影部分的实验。阴影块中,参与者听到四个对话者之一说这个词,被要求重复(例如,”卡尔说照”)。每个试验中包括一个随机选择的字模配对。一块包含一个重复的每一项每说话是两次重复实验。每个参与者重复每个模型的12个单词两次语言(4 x 12字两个重复= 96跟踪令牌)。生产记录,数字化44千赫采样率,使用美国舒尔WH20 XLR sound-attenuated亭头戴麦克风。最后,受试者完成了背景问卷关于他们voice-AI经验。对于那些有经验与苹果的Siri,受试者回应问题旨在调查他们的信仰:“Siri听起来像一个真正的人吗?”。 They responded “Yes” or “No” and then were asked to explain their choice (responses provided in Supplementary Material).

实验二:ax = b相似等级的任务

两个实验的目的是有独立的评级机构评估参与者之间的知觉相似性的目标项目和模型跟踪产品的生产目标项目,相对于参与者的预生产的单词(记录在实验的开始,之前接触模型语言)。为此,我们设计了一个ax = b相似性评价任务,后中概述的方法Pardo et al。(2017)从实验,使用刺激和参与者记录。

方法

刺激

经济刺激项目实验两个被从实验模型和影子作品。模型话语由刺激shadowers。影子话语由第二接种和目标项目的跟踪产品收集。对于每一个影子,第二次接种重复选择。所有影子项目削减排除延迟(中提供附件我)。为了让影子的物品被包括在实验二,他们不得不在12件没有发音错误的接种或跟踪生产。举个例子,一个年轻的成年男性阴影产生接触前的许多发音错误,因此他的刺激是不包括在内。总共22个年轻人shadowers (12 F, 10米)和19个老年人shadowers (9 F, 10米)有完整的暴露目标词集和跟踪产品用于实验两个总shadowers (41)。

为了呈现刺激在一个在线实验中,每个ax = b组项目是连接成一个声音文件,在一个给定的试验。在连接之前,所有项目被amplitude-normalized 60分贝。

参与者

共有166名参与者(平均年龄= 20岁;119名女性,46岁男性,一个genderqueer),所有以英语为母语,提供整体ax = b相似的评级shadowers词作品语言和模型。评级机构通过加州大学戴维斯分校心理学受试者的招募池和获得学分的参与。

过程

实验进行了在线,使用Qualtrics调查平台。在一个给定的试验,评级机构听到三项隔开一个简短的沉默(ISI = 400 ms):影子的预生产和跟踪生产一个词发生在第一和第三项(例如,“a”、“B”;订单抵消均匀地分散到试验)和模型说话的生产同样的词是第二项(“X”)。评定等级的任务是确定阴影的令牌,听起来最类似于“X”(即。说话,模型的生产)。选择“第一次”和“第三”提供了two-option选择在电脑屏幕上。评级机构将选择其中一个选项在实验前将推进到下一个试验。接触前的订单,跟踪令牌(即。,“A” and “B”) was balanced within each shadower and counterbalanced across model talkers.

我们有限的数量shadowers每个参与者评价实验为了保持一个合理的长度。Pardo et al。(2017)评估的可靠性性能随着评级机构数量的减少,从10到1;他们发现有至少4每阴影导致评级机构可靠性高。因此,23了列表,包含完整的从两个shadowers刺激。总的来说,每个列表包含96 ax = b相似评级(2 shadowers x 12字四个语言模型)。每个阴影是由六到八评级机构评估完全(评级机构被随机分配给一个列表)。

分析

反应编码是否跟踪项目被选为更类似于模型说话(= 1)(= 0)。这些数据分析了在混合逻辑回归使用的影响全球语言监测机构()功能lme4在R(包贝茨et al ., 2014)。预估p值是使用Satterthwaite近似计算lmerTest包(库兹涅佐娃et al ., 2015)。固定效应包括影子年龄组(2水平:年轻,老),该模型说话人性(2水平:人类、数码设备),模型说话性别(2水平:女性,男性),和影子性别(2水平:女性,男性)。每个contrast-coded固定效果。卡方测试,使用方差分析()函数,显示包含的每个额外的因素和交互作用显著提高模型。最终的模型包括所有两年,三方之间的相互作用的固定效果,除了以来每一个改进的模型。包含四交互没有改善模型的健康,因此不包括在最终的模型。随机效应结构是最大的,因为实验的设计,其中包括by-Shadower随机拦截和by-Shadower随机斜坡模型说话人性和模型说话性别和它们之间的交互。通过随机拦截,by-Rater随机拦截和by-Rater随机接触前的顺序和接触后生产的斜坡也包括在内。探索重要的相互作用,图基的HSD两两比较中进行模型,使用emmeans ()功能lsmeansR包(披散下来,披散下来,2018)。

结果

逻辑回归的输出提供了评级机构的反应表1。数值,整体ax = b的53%,听众大于机会(50%)在选择跟随作品更类似于语言模型的制作。因此,shadowers对齐模型语言,利率与这些报道在先前的研究中(例如,Pardo et al ., 2017)。

模型还计算几个显著的交互作用。首先,有一个影子性别和模型之间的交互说话的人性,这是策划图2总体:男性shadowers使更多的人的声音。使用因果两两比较lsmeans显示,女性shadowers对齐对设备没有显示出不同的声音和人类的声音(z= 0.6,p= 0.5)。

还有一个影子年龄和之间的交互模型说话性别:见图3语言,丫将更多地转向男模(相对于女性语言模型)。使用因果两两比较lsmeansOA透露,相反的,他们一致的语言更多的女模特(相对于男性语言模型)(z= 2.8,p< 0.01)。不过,至关重要的是,这种效果是我家的一部分阴影年龄组之间的相互作用,模型讲述人的人性,和模型讲述人的性别,也见过图3:丫显示最大程度的对齐的人类男性模型说话。使用因果两两比较lsmeans表明,丫对齐对男性和女性的设备模型语言是相同的(p= 0.7)。

因果外观年龄评级调查

在目前的研究中,一种可能性是,不同年龄组对齐向最近的声音明显年龄范畴。探索是否明显年龄类别模型的语言声音介导的阴影,我们进行了因果年龄评级研究。明显年龄评级调查语言模型的制作。我们假设人类的声音,由20多岁的成年人,可能表达不同的表观年龄从设备的声音,这可以解释跨年龄组校准模式。

参与者和过程

十八岁本地说英语的参与者(平均年龄= 19.67年,sd = 1.41;11 F),不参与实验一、实验二,是从加州大学戴维斯分校心理学招募受试者的池和获得学分的参与。刺激产生的由12个目标单词每个对话者从实验1,连接与1 s每个单词之间的停顿在同一个订单。参与者完成了研究sound-attenuated展台,面对电脑显示器和鼠标,戴着耳机(森海塞尔Pro)。首先,受试者被要求在产品说明:“你会听到四个语言(梅丽莎,卡尔,Siri,亚历克斯)。在每个试验中,播放录音和使用按比例增减率每个说话的声音(例如,梅丽莎听起来多大了?)”。在每个试验中,受试者听到一个模型语言的刺激(相同的图像用于实验;看到图1);主题可以重放期间音频他们喜欢许多倍。然后,说话的主题提供了一个估计的年龄(年)使用滑动规模,范围从0 - 100。每个参与者完成了四个年龄评级模型语言(随机为每个主题)。

结果

外观年龄评级的结果调查显示不同的表观年龄人类语言和设备模型。参与者评价人类女性和男性年轻(x̅= 27.2, sd = 5.2和x̅= 23.5年,sd = 2.4,分别)比女性设备(x̅= 51.8, sd = 16.9)和男性设备(x̅= 45, sd = 18.2)。混合效应线性回归模型是适合年龄评级,与固定语音性别和人性的影响,以及它们之间的交互,以及随机拦截的评定等级。模型显示,人性是时代的一个重要预测评级,与数字设备声音评为老比人类的声音的声音系数= 11.5,SE= 1.3,p< 0.001)。没有其他主要影响或交互作用是显著的。

个体变异

信念对设备

一个预测为什么美洲国家组织和丫可能不同应对voice-AI对话者是基于他们的信仰的差异对系统:美洲国家组织,我们猜测,可能认为voice-AI更多的类似人类的比丫,当比较之前TTS系统产品他们听说(例如,formant-based合成器Klatt (1980))。调查,我们问shadowers从实验1,与voice-AI报告说,他们有经验,如果“(系统)听起来像一个真正的人”,解释为什么或为什么不。总结的反应和参与者的补充材料提供了依据。我们发现丫和美洲国家组织主要回答“不”(27/33),给类似的依据(如发出“机器人”)。只有1丫和四个美洲国家组织回应“是”(一个OA回应一个系统的“是的”,但“不”)。大多数的参与者不认为voice-AI听起来像一个“真正的人”表明,美洲国家组织和丫不对齐的差异,因为跨年龄组差异感知的系统听起来更“人形”。

设备使用情况

正如前面提到的,我们假设OA和丫会有不同的经验与技术可能影响他们的寿命与现代voice-AI系统。为了探索他们的报道是否经验voice-AI可能影响校准模式,我们检查了他们的报道voice-AI年龄组使用。大部分参与者在两个年龄组报道经验voice-AI:美洲国家组织12/19和21/23丫报告说,他们用voice-AI助理至少每周。剩下的参与者(8/42)报告说,他们没有参与voice-AI。那些使用voice-AI报道使用苹果的Siri(9美洲国家组织,20丫),亚马逊的Alexa(9美洲国家组织,八丫),和/或谷歌助理(2美洲国家组织,六丫)。

以来几乎没有变化在设备使用在年轻的成年人群体中,个体差异对丫不能探索。然而,由于没有对老年人组内变异(12报道普通数码设备经验,七报道也没有),我们运行了一个物流混合效应模型ax = b反应只有OA阴影标记固定效应模型的人性(2水平:人类、数码设备)和设备使用(2级别:普通,没有一个),和他们互动。模型包括by-Shadower随机拦截和by-Shadower随机斜坡模型讲述人的人性,以及通过随机拦截,by-Rater随机拦截,by-Rater随机斜坡ax = b排序。模型并没有透露任何重大影响。模型人性不显著(p= 0.7)。此外,没有主要影响设备使用(p= 0.19),也显著使用和人性之间的交互(p= 0.9)。

一般讨论

目前的研究调查了老和年轻的成年人的言论对齐对人力和设备的声音。首先,我们发现在短实验室实验中,个人的年龄组对人类语言和voice-AI模型显示对齐,与之前的工作比较一致对准对人力和设备的声音只丫(例如,科恩et al ., 2019;斯奈德et al ., 2019)。这一发现信息voice-AI助理的影响在人类语言和语言模式,尤其是当越来越多的家庭采用(Ammari et al ., 2019)。这是一个一步理解voice-AI对人类行为的影响。随着人们越来越多地使用语音接口技术,了解voice-AI影响人类语言模式将更为重要。

此外,模式向voice-AI对齐和人类语言模型的不同基于阴影的特点(他们的性别和年龄类别)以及模型说话(性别)。表2总结了本研究结果中观察到的模式。

一方面,有证据表明在目前发现的人与人之间的社会行为转移到human-AI交互,支持所作的预测之家框架(Nass et al ., 1994;Nass et al ., 1997)。例如,女性shadowers对齐对人类语言和voice-AI模型相同的程度,与发现亚伯et al。(2020)谁发现,女性参与者没有知觉的相似度对运动产生的虚拟机器人和人类数字。然而,在相同的研究中,男性确实显示出区别(评级数字人类运动比机器人更像人类)。同样,这种不对称是本研究中观察到,男性shadowers对齐比设备的声音对人的声音向设备)(没有感知对齐。虽然这些模式与研究报告说,男性用户显示更积极的态度和社会行为向机器人(例如,Schermerhorn et al ., 2008),它们与其他工作检查语音对齐一致向互动系统,一般女性显示更强的对齐的三种不同类型的互动AI系统(科恩et al ., 2020),研究表明,女性用户应对更大的参与和更积极的表达体现比男性用户代理(福斯特,2007)。我们的研究表明,学习性别行为可能是在玩human-AI交互在某些情况下(例如,女性参与者)但是,参与者的性别是一个重要的中介因素。

此外,有更多的证据可能转移人与人之间对齐的行为为老年人voice-AI:美洲国家组织了类似的性别不对称voice-AI和人类语言模型(即。比男性对女性,更大的对齐,,语言模型)。同时,年轻人没有校准设备声音的性别差异,但是一个大的区别对人类语言模型基于性别、人类语言与对齐男性多于女性。更大的一致性对男性声音与以前的工作(例如,丫是一致的Namy et al ., 2002;科恩et al ., 2019;斯奈德et al ., 2019)。然而,跨年龄组差别的一个可能原因是,年龄语言模型的可能解释这些模式(例如,如果有大的差异在语言上的年龄女性/男性模型类别)。例如,有工作表明年龄差异的一致性可能受到对话者的年龄的差异(如。话语主题贾尔斯et al。(1992)]。我们事后明显年龄评级调查并揭示语言模型的明显的年龄差异:设备的声音被评为older-sounding比人类的声音。但是,关键的是,我们没有看到更大的对齐OA对设备比人类;这似乎表明,美洲国家组织的一致性的差异主要是由模型的说话性别。一种可能性是,演讲对齐的不同模式对男性和女性的语言模型由美洲国家组织和丫在目前的研究反映了不同跨代gender-mediated校准模式。事实上,它是建立gender-differentiated模式语言的使用学到的(埃克特和McConnell-Ginet, 1992为不同的一代),这可能会有所不同。这两个年龄和性别影响校准模式符合socially-mediated一致性理论(如猫,谢泼德,2001)。

虽然我们已经预测,美洲国家组织的寿命风险敞口减少先进TTS系统会导致他们认为voice-AI TTS制作声音更多的类人,这是不支持的创意人恭谨有加调查。相反,我们发现融合证据表明这两个年龄段几乎一致不认为系统听起来像“真实的人”。此外,这种信仰的基本原理也类似的整个组织,建议美洲国家组织和丫没有系统地对voice-AI不同信仰或态度。同时,有可能是一个更梯度测量技术的神人同形同性论可能会揭示出在人的个体差异。此外,我们探讨是否有个人的报道经验voice-AI预测他们的对齐模式向设备;虽然几乎所有的丫报道经验,美洲国家组织的个体差异分析并没有显示任何系统区别那些经常使用voice-AI voice-AI和那些从未使用。

与此同时,重要的是要注意,年龄类别不是一个单纯的社会变量。言论,与年龄相关的认知下降和生理上生产模式和听力记录(例如,伯克和萨夫托,2008年;Gosselin赢他,2011年;弗格森2012)。虽然目前研究不包括纯音听力测定试验,我们排除个体报告了听力障碍(1是的,三个美洲国家组织)。虽然它是可能的,我们的一些OA参与者可能有老年性听力损失,这可能会导致少对齐对语言模型的感知更少的声学信息。当我们看不到一个系统性的差异程度的丫和OA组(即中对齐。没有年龄的主要作用),这似乎没有当前研究的一个因素。美洲国家组织(虽然在嘈杂的感觉是一种常见的挑战Gosselin赢他,2011年)和那些听力损失(弗格森2012),听力条件在当前的研究中是最优:刺激了隔离(60 db)在耳机sound-attenuated展台。另外,美洲国家组织的潜在认知差异似乎没有系统地影响结果:例如,跟踪延迟快美洲国家组织比丫(中提供附件我),不符合语言处理慢。此外,本研究涉及一个简单的任务,个字重复,似乎没有税收工作记忆证明美洲国家组织的速度延迟。丫和美洲国家组织不同的言语行为是否voice-AI和人类更多的互动和/或认知要求的任务(例如,Pardo et al ., 2010为未来的研究)仍然是一个开放的区域。这项工作有助于理解言语行为与年龄有关的变化,一个区域需要进一步广泛的跨领域研究言语知觉以及人机交互。

总的来说,很明显,有一系列复杂的因素,不同年龄组的对齐。这条线的工作开辟了新的途径,探索人们如何应用人类规范人与人之间的言语交际从人工智能系统。这样的调查可以呈现小说测试和理论扩展human-device交互框架,以及人与人之间的互动有助于我们理解(例如,对齐)。例如,两代人的语音学习对齐可以告知演讲生产模型,通常基于研究不成比例地运行在大学生成人(领唱者,2017)。当前的研究做出了巨大的贡献在美洲国家组织调查,科学认识的更大差距的一部分的演讲和语言变化的寿命,以及不同的对话者(voice-AI比人类)。未来的工作探索其他年龄类别(例如,儿童)和语言背景将在一个更大的科学理解重要的对齐和艾城的化身。此外,不同类型的刺激是另一个用于未来的工作;尽管目前的研究仅使用低频词,看如何对齐模式适用于更多的上下文(例如,低和高频率单词,单词比非言词)可以进一步揭示对齐机制在起作用,测试相似程度在对其他人类和voice-AI对齐。最后,结合对设备的演讲对于更一般的人类语言模式有一定的意义。具体来说,语音模仿已被建议作为一种机制来传播声音的变化巴别塔,2012;加勒特和约翰逊,2013年);未来的工作检查的程度排列模式存在随着时间的推移如何变化对不同年龄群体可以开始测试是否与voice-AI交互可能发挥作用在声音的变化。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

研究涉及人类受试者进行审核和批准由加州大学戴维斯分校的社会和行为委员会c患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

广州、MC和高炉设计的研究。MC进行了研究。广州统计分析数据。广州、MC和男朋友写的论文。所有作者的文章和批准的最终版本。

资金

这种材料是基于工作由美国国家科学基金会支持SBE博士后研究奖学金批准号1911855 MC和下一个Amazon教员研究奖:广州。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

确认

感谢美琳娜Sarian和莱利流浪协助数据收集。

附件我跟踪延迟

确定是否有系统性的差异在影子的生产延迟议长年龄组(如老年人反应慢,或切断模型说话),我们从偏移量计算延迟模型的说话的产品跟踪试验中年龄组和模型说话的条件。两组延迟都是阳性,表明模型后的扬声器生产他们的反应说话的生产已经完成。所有阴影条件下,美洲国家组织的反应比丫更快(设备女:美洲国家组织= 345毫秒,丫= 520毫秒;设备男:美洲国家组织= 460毫秒,丫= 565毫秒;人类女:美洲国家组织= 455毫秒,丫= 505毫秒;人类男性:美洲国家组织= 415毫秒,丫= 481 ms)。

引用