2026年10月14日，少数派 Matrix 社区发布一篇文章，作者以自身做播客的经历为起点，从认知心理学和神经科学角度解释后期剪辑中爆音、衔接别扭和听感不自然等问题的成因。文章称，其核心内容为人工手写，多数依据专业认知心理学教材和专著。
作者年初与相识多年的书友一起做了一档播客，内容准备和录制并不算难，真正让这些新手头疼的是后期剪辑。为什么剪辑时会时常出现爆音，为什么有些地方剪辑后意思接得上、听起来却别扭，为什么有些地方稍微动一下就会不自然。作者在阅读认知心理学书籍时格外关注听觉、语音和言语知觉等主题，发现很多播客剪辑问题都能在大脑的知觉机制中找到解释。文章并非一份剪辑攻略，而是尝试说明人耳和大脑如何处理语音，并把相关原理放回剪辑场景。
文章指出，物理层面的听见只是听懂的第一步。传入耳中的是连续、多变的声学信号，这与人们把句子看作一个个独立词语的直观感受不同。语音切分比书面文字更复杂、更模糊。以英文“What are you doing”为例，写出来时分隔一目了然，但母语者日常说出时听起来更像“Whad'ayadoin”，词与词之间很少有明显停顿，相邻语音还会连读、弱化甚至省略。声谱图显示，日常发音中的词间停顿很少。播客音频的声波图大多也是连续的，波谷处很多是发音的必要组成部分，并非真正的停顿，贸然剪断可能出现不自然的爆点或明显的节奏变化。
文章还解释了协同发音。人说话时，舌头、牙齿、嘴唇等发音器官不断运动，前后相邻的发音动作往往重叠，一个音尚未完全结束，发音器官已开始为下一个音做准备。作者以 /ba/ 和 /bu/ 为例说，虽然两者都以辅音 /b/ 开头，但起始口型并不相同，发 /bu/ 时嘴唇在 /b/ 尚未结束时就已开始变圆。协同发音带来另一个结果：同一个音由同一个人在不同场合说出，前后的音不同、在句中的位置不同、语速不同，声学信号都可能变化。文章援引调查称，英语定冠词“the”在生活中有 50 种不同发音方式（Waldrop, 1988），说明人声作为听觉信号千差万别，没有一个统一的“声音指纹”或“听觉模板”。也因此，在音频软件波形图里找一个词真正开始或真正结束的位置并没有想象中简单，若不借助 AI 或自动化工具，通常要凭听觉找出合适位置，剪完还要靠听觉检验。
文章随后转向大脑如何从连续声音中听出意思。它提到认知心理学中的类别知觉：虽然声音在物理层面连续多变，听觉不会对每个细微变化都建立新类别，而会将其归入相对稳定的类别。语音学者发现，/b/ 和 /p/ 的核心差别之一是 VOT（声带振动起始时间），间隔特别短如 10 毫秒时，人倾向于听成 /b/，间隔较长如 80 毫秒时更倾向听成 /p/。文章引用 Lisker 与 Abramson 1970 年的实验称，研究者制作出一系列 VOT 从 -100 毫秒到 150 毫秒连续变化的人工声音，被试的听感并非连续地从 /b/ 滑向 /p/，而是从稳定的 /b/ 突然过渡到 /p/。这说明物理刺激虽连续，知觉却会把它们加工成离散、稳定的声音类别。文章据此指出，剪辑时看起来改动不大和听起来改动不大不能完全等同，最好不要切得太精细，保留一些发音冗余更保险。
文章还讨论了连续声音如何划分为词语，即语音分割。它说，词与词的边界不是凭空出现，大脑会利用语言知识、生活常识和上下文进行切分和预测。作者举例“pīng pāng qiú pāi mài wán le”：在体育用品店，听者大概率理解为“乒乓球拍｜卖完了”；若正在聊一场体育品拍卖，也可能理解为“乒乓球｜拍卖｜完了”。声音本身没有告诉词边界在哪里，是语境帮助完成切分。文章还提到统计学习，称 8 个月婴儿听一种由 tupiro、golabu、bidaku、padoti 四个三音节词随机首尾相连、没有停顿和重音提示的连续语流，约两分钟后已能一定程度区分这些词和跨越词边界的音节组合（Saffran, Aslin, & Newport, 1996）。词内音节连接概率较高，词与词交界处连接概率较低，婴儿仅凭统计规律就能从连续语音中提取潜在词语边界。