👂 Efekt koktajlowy

W 1953 roku Cherry odtwarzał słuchaczom dwie mówione wiadomości jednocześnie — przez słuchawki, po jednej wiadomości na ucho, lub obie zmieszane w jednym uchu — i kazał im „cieniować” (powtarzać) w czasie rzeczywistym tylko jedną z nich. Słuchacze potrafili robić to płynnie dla śledzonej wiadomości, ale nie zapamiętywali niemal nic z tej pomijanej, co dało początek terminowi „efekt koktajlowy” dla naszej zdolności skupiania się na jednym głosie wśród wielu.

Każde ucho odbiera nieco inną wersję dźwięku w zależności od miejsca jego pochodzenia: różnice czasu międzyusznego (ITD) — dźwięk dociera do bliższego ucha mikrosekundy wcześniej niż do dalszego — oraz różnice poziomu międzyusznego (ILD) — dalsze ucho znajduje się w „cieniu dźwiękowym” głowy, zwłaszcza dla wyższych częstotliwości. Pień mózgu porównuje te wskazówki z obu uszu, by oszacować kierunek, a strumienie z różnych kierunków są znacznie łatwiejsze do percepcyjnego rozdzielenia, dlatego sześciu rozmówców tutaj jest rozmieszczonych pod różnymi kątami i panoramowanych w 3D, a nie dochodzi z jednego punktu.

Analiza sceny słuchowej, framework opracowany przez Alberta Bregmana, pokazuje, że mózg grupuje energię dźwiękową w strumienie także za pomocą wskazówek niekierunkowych — zwłaszcza wysokości podstawowej (rejestru głosu) i rytmu/tempa. Dwa głosy z tego samego kierunku wciąż można rozróżnić, jeśli jeden jest wyższy lub ma inne tempo mówienia. Ten symulator nadaje każdemu syntetycznemu rozmówcy zarówno odrębną wysokość bazową, jak i odrębny, sylabopodobny wzorzec rytmiczny, więc segregacja działa jeszcze przed uwzględnieniem wskazówek przestrzennych.

Przy suwaku siły uwagi na 0 wszyscy aktywni rozmówcy grają z jednakowym wzmocnieniem — nic nie jest filtrowane, co modeluje uwagę podzieloną cienko rozłożoną na wszystkie głosy (a w rzeczywistości rozumienie każdego z nich cierpi). Wraz z podniesieniem suwaka śledzony rozmówca jest stopniowo wzmacniany, a każdy inny stopniowo tłumiony, co modeluje coraz silniejszą uwagę selektywną skierowaną na jeden strumień konwersacyjny, kosztem odbioru niemal niczego z pozostałych.

Badanie Neville'a Moraya z 1959 roku, będące kontynuacją pracy Cherry'ego, wykazało, że słuchacze niemal nigdy nie zapamiętywali zwykłej treści z kanału pomijanego, ale mniej więcej w jednej trzeciej przypadków zauważali swoje własne imię wypowiedziane w kanale pomijanym. Pokazuje to, że filtrowanie uwagi nie jest absolutne — pewne przetwarzanie tła pomijanego wejścia trwa nadal, a wystarczająco istotna lub samodotycząca treść może przerwać i przekierować uwagę. Sygnał tutaj celowo ma wyraźny, wznoszący się trójdźwięk i nie przechodzi przez to samo tłumienie co zwykła mowa w tle, więc powinien przyciągnąć twoją uwagę bez względu na ustawienie suwaka.

To szacowany stosunek sygnału do szumu w decybelach dla śledzonego rozmówcy względem łącznej głośności wszystkich pozostałych aktywnych rozmówców, obliczany jako 20·log10(amplituda śledzonego rozmówcy ÷ amplituda RMS reszty). Przy sile uwagi 0 utrzymuje się blisko 0 dB (wszystkie głosy mniej więcej równie głośne); wraz ze wzrostem siły w kierunku 1 efektywne SNR śledzonego rozmówcy rośnie znacznie powyżej pozostałych, odzwierciedlając, jak uwaga selektywna funkcjonalnie poprawia „sygnał”, który można wyodrębnić z jednego głosu w hałaśliwym tłumie.

Każdy rozmówca jest kierowany przez węzeł panoramujący Web Audio wykorzystujący HRTF (funkcję transferu związaną z głową), która symuluje, jak widmo dźwięku i czas międzyuszny zmieniają się z kierunkiem, tak jakby odbijał się od twojej własnej głowy i uszu. Głośniki pozwalają obu uszom słyszeć oba kanały i wprowadzają odbicia od pomieszczenia, które zacierają ten efekt, więc słuchawki dają znacznie bardziej przekonujące wrażenie, że każdy rozmówca dochodzi z zaznaczonej pozycji wokół ciebie.

Nie — jak reszta tej strony, nie korzysta z żadnych zewnętrznych plików audio. Każdy „głos” jest syntezowany na żywo z oscylatorów (fale piłokształtne, trójkątne lub prostokątne) z lekkim wibrato wysokości i filtrem kształtującym formanty, bramkowany przez zaplanowaną obwiednię, która tworzy krótkie, sylabopodobne wybuchy w stałym wzorcu rytmicznym unikalnym dla danego rozmówcy. Nie jest to zrozumiała mowa, ale niezawodnie tworzy rozróżnialne, jednoczesne „głosy” różniące się wysokością, barwą i tempem — wystarczające, by zademonstrować prawdziwą segregację strumieni słuchowych bez użycia jakiegokolwiek nagranego dźwięku.