来自爱尔兰都柏林圣三一学院的研究人员牵头组建跨国科研团队，开发出一套被称作AI“语音时钟”的评估工具。这套人工智能系统，能够捕捉说话过程里的数百项声学与语言指标，包括说话快慢、语句停顿、音调高低、用词选择等信息，以此推算一个人的预估年龄。相关研究成果，已经正式刊登在最新一期《科学进展》期刊上。
研究的核心发现是，真实年龄和这套AI模型推算出的语音年龄之间的差距，并非简单的误差。这个差值和大脑老化程度、表观遗传衰老水平、认知表现，还有阿尔茨海默病相关病理特征，以及长期所处的社会环境因素之间，都存在显著联系。这也意味着语音信号有潜力成为观测人体衰老状态的新窗口。
基于拉美多国人群开展大规模样本采集
为验证模型的有效性，研究团队收集了2928名西班牙语使用者的语音资料，受访者来自阿根廷、智利、哥伦比亚、墨西哥以及秘鲁五个拉美国家。样本覆盖的人群类型十分丰富，包含身体健康的成年人、存在轻度认知障碍的受试者，以及阿尔茨海默病和各类额颞叶痴呆患者。
研究人员借助机器学习技术，对海量语音样本做综合解析。纳入分析的指标不只有语速、停顿、音高，还包含情绪表达、语义准确程度，语言输出总量和语句组织逻辑等维度。模型综合全部特征之后给出年龄预测值，研究者把真实年龄与预测年龄之间的差值命名为“语音年龄差”。
语音年龄差越大，认知与身体衰老特征越明显
数据分析结果显示，语音年龄差数值偏高的受试者，各项生物学与临床指标都体现出更强的衰老迹象。语音年龄差越大，受试者的整体认知水平、执行能力、日常生活自理能力以及各类记忆功能，普遍表现得更差。
不同人群之间的语音年龄差呈现明显梯度。健康人群的语音年龄差整体最低，阿尔茨海默病患者和各类额颞叶痴呆患者的差值依次升高。在阿尔茨海默病受试群体中，语音年龄还和血浆p-tau217指标上升存在关联，而p-tau217是目前公认反映阿尔茨海默病病理变化的重要血液生物标志物。
社会环境因素同样会影响语音年龄差
这项研究同时发现，语音年龄差不只是生理和脑部病变的体现，还会受到长期社会环境的影响。无论受试者属于健康群体还是痴呆患者，语音年龄差更大的人群，往往经历过更多不利社会条件。
这些影响因素涵盖受教育水平、经济条件、食物保障、医疗资源获取难易，还有早年生活经历等多个方面。这也说明语音信号是生理衰老与社会环境长期共同作用之后，在语言表达上留下的综合印记。
无创易采集，语音评估有望成为衰老监测补充方案
目前主流的衰老评估手段大多存在一定门槛，往往需要磁共振扫描、血液采样、分子检测或者专业医师的临床评估。相比之下，语音数据采集具备远程获取、可反复采集、无创伤、成本低廉等优势。
研究团队认为，这项技术未来可以作为监测人体衰老状态的补充手段。对于医疗资源有限、高端检测设备难以普及的地区，语音分析方案有机会降低认知衰退筛查的门槛，帮助更早识别潜在风险。
同时研究也提示，语音时钟不能单独作为确诊疾病的依据，只能作为辅助参考指标。后续还需要更多跨语种、跨地域的研究，进一步验证这套模型在其他人群当中的稳定性与可靠性，推动这项技术向临床场景落地。
（智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。