副语言信号与语音交互

副语言（paralinguistics）指语音中承载意义但不进入文字转写的信号层：语调起伏、语速与停顿、犹豫和重音、情绪色彩、说话人身份与状态。同一句「行吧」，平调是同意，拖长是勉强，急促是不耐烦——文字层面完全相同，交流意义截然不同。人类对话的很大一部分信息走这条通道，这正是「语音交互」不能简化为「语音转文字再处理」的原因。

对语音 AI 而言，副语言暴露了生成与理解的不对称：合成侧进展快（现代语音模型已能生成带情绪、有节奏感的语音），理解侧却普遍薄弱——模型听得懂词，听不懂犹豫背后的迟疑或语气里的不满。Hume AI 的 Real World VoiceEQ 基准把这层差距量化了出来：跨 40 多个模型的系统性结论是「会说不会听」，且传统以转写准确率为中心的评测完全测不到这层。

对产品设计的直接推论有三条：第一，打断与轮替设计不能只依赖静音检测，语义与语气上的「说完了」信号同样重要；第二，情绪响应要谨慎——检测不准时假装共情比不共情更伤体验；第三，评估语音产品必须包含真实声学环境（口音、噪声、情绪化表达）下的人工评分，因为副语言判断恰恰是目前 AI 评审与人类一致性最弱的地方。