读一份访谈转录稿，你捕捉到了文字。但你失去了一个艰难回答之前的长时间停顿、敏感话题出现时低下去的嗓音、突然加快的语速、沉默片刻之后才开始的回答。在定性研究中，某事如何被说出往往与说了什么承载着同样多的意义——而语音分析帮助你在数小时的音频中重新找到这些时刻。
本指南为定性研究者讲解语音分析：它测量什么、它如何运作、它如何补充基于转录稿的分析、为何自动情绪标签不适合访谈研究，以及伦理责任所在。关于周边的分析过程，请参阅我们的定性数据分析指南。
什么是语音分析？
语音分析是对言语的声音性、非言语属性——音高、音量、语速、停顿和话轮转换——的计算性描述。应用于访谈录音时，它为定性研究结果增添一个副语言层：一份带时间戳的表达方式记录，而这恰恰是书面转录稿所抹平的。
它研究副语言学：言语中除字面文字之外的一切。两个人可以用截然不同的方式说出"我没事"，语音分析让这一差异变得可见、可测量——而它意味着什么，仍由研究者来判断。
为何声音在定性研究中重要
定性研究关心意义，而意义部分地存在于表达之中。一处停顿可能意味着不适，也可能是在审慎思考；音高上扬可能标志着兴奋、强调或一个问句；更快的语速可能传达热情、紧张，或者只是一个讲过很多遍的故事。同一条线索支持多种解读，这正是为什么表达方式最好被当作指向值得在情境中解释的时刻的指针，而不是答案本身。
语音分析测量什么
韵律：音高与音量
言语的音乐性属性：音高水平（说话人惯常的高低）、音域（嗓音起伏的幅度，常以半音表示，以便公平地比较不同的嗓音）、语调（一个短语的旋律）以及音量。普通录音中的音量是相对的——取决于麦克风以及与麦克风的距离——因此它只在同一说话人内部有意义，而不能跨录音比较。
语速与有声时间
某人说话有多快（每秒词数；对于中文、日文等语言则为每秒字数），以及其话轮中有多少时间被声音而非沉默填满。对话过程中的变化——嗓音放慢、突然加快——通常比绝对值更有信息量。
停顿、回应延迟与不流畅
话轮内部的沉默、某人开始回答之前的间隔、填充词（"嗯""呃"）以及笑声。这些指标需要来自转录的词级时间信息——每个词都标注其起止时间。没有它，工具仍能描述音高、语速和音量，但无法可靠地描述停顿或填充词。
对话结构
谁说了多少（发言占比）、话轮如何交替、回答持续多长。对访谈而言，这也是对访谈者的一种检验：一个占据 40% 发言时间的主持人，并没有给参与者留出多少空间。
它如何运作
这条流水线把声音转化为描述：音频被转换为一条连续的音高、浊音与音量轨迹；转录稿与音频对齐，使每个话轮都得到这条轨迹中属于自己的片段；然后每个话轮都与同一说话人自身的基准相比较。以每位说话人为基准之所以重要，是因为 220 Hz 对一种嗓音来说是普通音高，对另一种嗓音来说却偏高，也因为麦克风各不相同。明显偏离说话人惯常表达的话轮——比其常态更响、更快或更高，或之前有一段长停顿——会汇成一份值得重听的时刻列表，每一项都带有时间码。
语音分析 vs. 转录稿分析
| 方面 | 转录稿分析 | 语音分析 |
|---|---|---|
| 捕捉 | 所说的文字 | 文字是如何被说出的 |
| 优势 | 内容、主题、语言的意义 | 音高、语速、音量、停顿、话轮转换 |
| 错过 | 语气、停顿、时机 | 语义内容——以及表达方式为何发生变化 |
| 最佳角色 | 主要分析 | 互补层，指向值得重听的时刻 |
二者是伙伴，而非对手。当语音分析的信号被叠加到基于转录稿的编码之上时，它最为有用：它引导你的注意力，而不是取代你的解释。
研究中的用例
- 发现表达方式的变化——在长访谈中快速定位参与者偏离其惯常音高、语速或音量的话轮。
- 言辞与表达——把措辞强烈但表达平淡（或恰好相反）的话轮标记为值得重听的时刻。
- 敏感话题研究——留意在特定问题之前出现的长停顿和迟缓的回应。
- 访谈者实践——检查发言占比，以及访谈者是否留出了足够的沉默，让参与者继续说下去。
- 焦点小组——查看谁说了多少，以及话轮在各说话人之间如何分布。
声音情绪识别试图做什么——以及 QualiTaTi 为何不做
语音情绪识别（SER）试图把声学特征映射到诸如"愤怒""有压力"或"自信"这样的标签上。在实验室的表演性语音上，它看起来可能令人印象深刻；但在自然对话中，它的效度有限。在最近一项针对自然语音的基准测试中，最好的系统在各情绪类别上的 macro-F1 也只有约 0.43；而人类听者为同类语音打标签时，彼此之间的一致性也仅属一般（Cohen's kappa 约 0.3–0.4）。根本问题在于，同一个声学变化——一个更响、更快的话轮——可能反映愤怒、兴奋、强调，也可能只是参与者凑近了麦克风。
此外还有一条法律界线。欧盟《人工智能法》（EU AI Act）第 5(1)(f) 条禁止在工作场所和教育场景中推断人们情绪的 AI 系统，狭义的医疗和安全用途除外——而大量访谈研究恰恰发生在这些场景中。出于这两方面的原因，QualiTaTi 只描述表达方式，把解释留给你。
优势与局限
优势：找回转录中丢失的信息、可在长录音中规模化，并提供一份一致的、带时间戳的表达方式记录，供你引用和复核。
局限：结果取决于音频质量，而经过处理的音频（视频通话和浏览器录音中的降噪、自动增益控制）会把音量抹平；表达常态因个体、文化和语言而异，因此应把说话人与其自身比较，而不是与他人比较；停顿、延迟和填充词指标需要词级转录时间信息；而描述性指标永远无法告诉你某人为何那样说话。
将语音与主题分析整合
实际的工作流是把值得重听的时刻放到你编码后的转录稿上。当一个主题与一处明显的表达变化同时出现——参与者恰好在谈到你已编码的某个话题时放慢语速并停顿——你便有了重听的理由，也多了一条证据线索。用声音信号来引导细致聆听：在被标记的时刻回到音频，结合转录稿、你的田野笔记以及你对参与者的了解，在情境中解释这些时刻。
伦理
- 同意——参与者应知道，他们的声音将被分析其表达方式，而不仅是被转录。
- 避免过度断言——不要把"比平常更响"或"一段长停顿"变成关于参与者感受的陈述。
- 文化与个体差异——音高、语速和停顿的常态因人、因语言而异；基准应以每位说话人为单位。
- 隐私——语音录音属于个人数据，并可能构成生物特征数据；要安全地存储和处理它们。
- 法律限制——根据欧盟《人工智能法》，在工作场所和教育场景中通过声音推断情绪是被禁止的，因此在使用任何提供该功能的工具之前，请先核查你的研究场景。
工具
专用平台替你完成声学处理。QualiTaTi 的语音分析以每位说话人自身为基准，描述人们如何说话——音高水平与音域、语速、有声时间和相对音量——汇总发言占比，并为带有词级转录的上传录音补充停顿、回应延迟、填充词和笑声。它会列出值得重听的时刻，供你与编码后的转录稿对齐，并可导出 PDF 报告或逐话轮 CSV。每段录音单独分析。它刻意不标注情绪、压力或自信：如何解读这些时刻由你决定。
一个实例
- 录制并转录——为关于某敏感健康话题的 15 场访谈采集干净的音频并转录。
- 运行语音分析——为每场访谈获得按说话人计算的表达指标，以及一份值得重听的时刻列表（比平常更响、更快或更高；在有词级时间信息时还包括长停顿）。
- 编码转录稿——照常发展主题。
- 对齐——把这些时刻放到编码后的转录稿上，并标注表达方式的变化与特定主题相遇之处。
- 解释——在这些时刻回到音频，通过细致聆听加以确认，并把声音证据与引文一并报告。
要点回顾
- 语音分析描述某事是如何被说出的——音高、音量、语速、停顿、话轮转换——找回转录稿所丢失的信息。
- 把每位说话人与其自身基准比较；绝对值取决于嗓音和麦克风。
- 它的输出是一份值得重听的时刻列表，而不是关于感受的定论。
- 自动情绪识别在自然语音上表现不佳，并且根据欧盟《人工智能法》，在工作场所和教育场景中是被禁止的。
- 声音属于个人数据——要谨慎处理同意、隐私和过度断言。
常见问题
什么是语音分析？
语音分析是对言语的非言语属性——音高、音量、语速、停顿和话轮转换——的计算性描述，为访谈分析增添一个副语言层。
语音分析在访谈中能测量什么？
音高水平与音域、相对音量、语速与有声时间、发言占比，以及——当转录带有词级时间信息时——停顿、回应延迟、填充词和笑声。每个话轮都可以与说话人自身的基准相比较，以找出值得重听的时刻。
语音分析与转录有何不同？
转录捕捉所说的文字；语音分析捕捉它们是如何被说出的。转录稿分析处理内容和主题，而语音分析增添强调、语速、停顿和话轮转换——二者结合时效果最佳。
语音分析能检测情绪吗？
声称能做到这一点的工具，在自然的访谈语音上并不可靠：在自然语音基准测试中，最好的系统的 macro-F1 约为 0.43，就连人类评分者之间的一致性也仅属一般（kappa 约 0.3–0.4）。欧盟《人工智能法》还禁止在工作场所和教育场景中进行情绪推断。因此，QualiTaTi 只描述表达方式，不标注情绪。
我如何把语音分析与主题分析结合？
把值得重听的时刻放到你编码后的转录稿上。当一处明显的表达变化与某个已编码主题同时出现时，回到音频，在情境中解释这一时刻。
分析声音有伦理上的顾虑吗？
有。声音属于个人数据，并可能构成生物特征数据，因此要就声音分析取得知情同意、安全地存储录音、避免从表达指标中解读出感受，并考虑人们说话方式上的个体与文化差异。