@AK Статья по теме:
nplus1.ru/blog/2018/05/16/acousticdress. Рекомендую начать читать, начиная с предложения "Различительную роль в некоторых классах звуков играют в основном так называемые форманты...".
> Различительную роль в некоторых классах звуков играют в основном так называемые форманты, «сгустки» интенсивности в определенных диапазонах частот. У гласных и сонорных звуков формант обычно очень много, но для различения определенного звука обычно важны только первые две, и очень редко три.
> История с Yanny и Laurel интересна тем, что форманты звуков в этой записи подобраны (или случайно подобрались) так, что мозг может интерпретировать их и так, и эдак.
> Вот спектр этой записи: сверху осцилограмма, на которой видны наиболее интенсивные фрагменты, внизу спектрограмма, где по вертикали отложены частоты, по горизонтали — время, а интенсивность показана градацией серого цвета.
> Здесь видна форманта — полоса в самом низу графика, другая полоса в районе 2,5 тысячи герц, которая идет вниз, потом снова поднимается. И здесь же видна «белая область» в промежутке между 2 килогерцами и 700 герцами. И такая картина характерна и для звука [l], и для [j]. Это разные звуки, но у них похожий спектр.
> Дальше происходит похожая история — [o] и [e]: первые две форманты у таких звуков, как [u] и [o], очень низкие, так что часто сливаются. У [e] мы ожидаем что-то в районе 1800 герц. Однако из-за эффекта коартикуляции, когда соседние звуки влияют на движение формант гласных, движение форманты мы можем воспринимать и как [e], тогда то, что мы видим посередине, воспринимается как форманта гласного, и как [o], если наша система распознавания посчитает, что имеет дело со слившимися формантами внизу.
> Получается, что в первом случае у меня есть [l], которое можно воспринимать как [j], а как мой мозг воспримет следующий звук, зависит от того, какие форманты он посчитает за первую и вторую.
> Важно отметить, что r в Laurel не стоит воспринимать как согласный, это такой гласный, на фоне которого происходит дополнительная артикуляция языком. Например, tell me more в американском произношении — тот же самый эффект. В more нет никакого [r], это [o] с дополнительной артикуляцией. Дальше на спектре нижняя полоса превращается в дугу и раздваивается
> Это напоминает аппроксиманты (в русском это [l], [n], [r], [m], [j]). Эта группа звуков отличается тем, что в ней есть что-то и от согласных, и от гласных. Так что не мудрено, что [n] и [ɚ], особый ротизированный гласный, типичный для американского английского, тоже имеют похожий спектр.
> И последняя часть, она завершается тем, что мы слышим либо Laurel, когда все завершается согласным, либо Yanny, и тогда все заканчивается гласным. Это, безусловно, прекрасная головоломка, так как предполагает разную слоговую структуру. Здесь мы наблюдаем то же самое, что и в начале, потому что [j] и [i] очень похожи, и они опять же напоминают спектр [l]. Таким образом, и последний звук может иметь две интерпретации.
> Здесь работают примерно те же механизмы, что и в случае с парейдолией: мозг дорисовывает картину, опираясь на признаки, которые ему удается уловить. Фокус в том, что здесь возможны две траектории интерпретации, и если мы выбрали одну, то очень сложно отделаться от того, что мы уже услышали.