揭秘语音脑机接口：大脑中的“声音”如何被解码？

语音解码，是指脑机接口（BCI）记录大脑中与言语相关区域的神经活动，识别使用者试图表达的词汇，并将其转化为文本或可听语音的过程。

对于丧失说话能力的人而言，这项技术提供了一条新的沟通路径：系统直接读取大脑中的言语意图，无需依赖嘴唇、舌头和喉部的协调运动。

当我们设想利用脑机接口帮助失语者恢复表达能力时，这一过程似乎近乎魔法：一个人仅仅尝试说话，设备就能识别其想要表达的内容，这究竟是如何实现的？

事实上，这并非魔法，而是神经生物学、信号处理与人工智能精密协作的结果。语音脑机接口通过记录神经信号、解码语言意图，再将其转化为文本或语音，最终建立起一条从大脑到外部世界的沟通通道。

01

什么是语音脑机接口？

脑机接口是一种基于计算机的系统，它记录并分析大脑信号，进而将这些信号转化为预期的行动（Shih 等人，2012）。

具体到语音脑机接口，系统会读取与言语产生相关的大脑区域所发出的信号，从中解码使用者试图表达的词汇，并将这些词汇转化为文本或合成语音。

从整体流程来看，语音脑机接口将大脑中的言语意图转化为外部语音，主要包含三个关键环节：记录、解码与行动。

为了更清晰地理解这一过程，可以以“大脑—文本—语音”系统为例。这类系统首先将大脑信号转化为文本，再通过文本转语音技术生成可听语音（Willett 等人，2023；Card 等人，2024）。

其中，“记录”负责获取和处理神经信号，并将数据从大脑传输至计算机；“解码”负责从神经信号中识别使用者想要表达的词汇，通常需要借助神经网络、统计模型和大语言模型；“行动”则负责将解码结果转化为文本、合成语音或其他沟通形式。

贯穿三个环节的核心指标之一是延迟，即从用户尝试说话，到系统生成文本或语音之间的时间差。

语音脑机接口最终需要融入日常对话，这意味着系统应尽可能接近自然语言每分钟约160个单词的交流速度（Yuan 等人，2006）。因此，能否在保证准确率的同时降低延迟，是语音脑机接口走向实际应用的关键。

02

三个关键环节：记录、解码与行动

阶段一：记录神经信号

在记录阶段，脑机接口设备会捕捉神经元在用户尝试说话时产生的电信号。

神经元之间主要通过动作电位进行通信。动作电位是一种跨越细胞膜传播的电脉冲。部分脑机接口能够直接记录单个神经元的动作电位，另一些系统则记录多个神经元共同活动所形成的综合信号。

获得原始信号后，系统需要对其进行处理，包括放大与目标神经活动相关的成分，并滤除噪声和对语音解码无用的信号。

随后，处理后的数据会被传输至计算机。由于计算机使用由“0”和“1”组成的二进制语言，神经电信号还需要经过数字化处理，被转化为计算机能够识别和运算的数据。

在进入解码环节前，系统通常还会进一步滤波，以提高信噪比。来自植入设备的信号在数字化、滤波和传输过程中均可能产生延迟。虽然单个环节的延迟通常只有毫秒量级，但这些延迟会逐步累积，最终影响从大脑意图产生到语音输出的整体速度。

记录阶段还决定了整个系统信息传输速率的上限。信息传输速率，即 ITR，衡量的是从意图产生到动作解码过程中实际传递的信息量，通常以比特每秒（bps）为单位。

解码器只能利用记录阶段已经获取的神经信息进行工作。任何未被记录下来的言语信息，都无法在后续环节中被“反向还原”。因此，信号采集的质量、通道数量和信息丰富程度，直接决定了解码系统能够达到的性能上限。

阶段二：神经解码

解码，是将记录到的神经信号转化为预期语音内容的过程。

在“大脑—文本—语音”系统中，解码通常会涉及“音素”。音素是构成语音的基本声音单位，也就是组成单词的独立发音片段。

例如，英文单词“cat”包含“/k/”“/a/”和“/t/”三个音素；“sun”则包含“/s/”“/u/”和“/n/”三个音素。英语中大约有40种不同的音素，它们通过不同组合构成各种单词。

在解码的第一步，神经网络等机器学习模型会分析神经数据，判断当前信号最有可能对应哪些音素。由于神经信号往往存在波动和不确定性，模型输出的通常不是唯一答案，而是不同音素对应的概率。

随后，这些音素概率会被输入一个或多个语言模型，由语言模型结合词汇结构、语法和上下文，推断出最有可能的单词或句子。

语言模型能够显著提高解码准确率，但也可能带来额外延迟。模型规模越大、上下文窗口越长，通常越能够利用前后文纠正音素识别错误，减少不连贯或不合理的输出，但所需的计算资源和处理时间也可能随之增加。

因此，神经解码系统需要在准确率与实时性之间取得平衡：模型既要足够强大，能够准确理解不完整且带有噪声的神经信号，又不能因为计算过程过于复杂，导致明显的对话延迟。

阶段三：行动输出

行动阶段，是用户的言语意图最终被表达出来的环节。

当语言模型确定最可能的单词、短语或句子后，解码结果会被传输至文本转语音软件，即 TTS 系统，最终通过扬声器播放出来。

这一阶段的延迟同样取决于模型和软件的运行速度。神经解码器需要在积累足够置信度后输出句子，文本转语音系统则需要将文字准确、自然地转化为声音。任何一个环节处理速度不足，都可能影响交流的连贯性。

如果用户此前通过“语音库构建”软件录制过自己的声音，系统还可以利用其原有音色合成语音，使输出结果更接近用户本人说话时的声音。

此外，行动系统还可以与个性化数字虚拟形象相结合。虚拟形象不仅能够代替用户发声，还可以呈现一定的面部表情和交流动作。对于面部活动能力严重受限、但希望表达更加自然和丰富的用户而言，这类功能尤其重要。

记录、解码和行动三个阶段的共同目标，是将总延迟控制在足够低的水平，使对话尽可能自然流畅。

仅计算自然语言的文字信息，不考虑情感、语调和重音等交流要素，人类语音的信息传输速率约为每秒39比特（Coupé 等人，2019），自然对话语速约为每分钟160个单词（Yuan 等人，2006）。

因此，语音脑机接口不仅需要“解码正确”，还必须足够快速地识别、处理和执行用户的言语意图，避免产生明显的对话停顿。

作为参考，Connexus® BCI 在临床前基准测试中测得的脑状态信息传输速率超过每秒200比特，高于语音本身的信息传输速率，为提升解码准确率以及支持更加复杂的未来应用提供了性能空间。

03

解码“内心之声”：内言是否会被读取？

语音脑机接口能够显著改善失语人群的生活质量，但这项技术也带来了一个重要问题：系统会不会将用户的内心独白也解码出来，甚至把私密想法“广播”出去？

内言通常被描述为内心独白，或者“脑海中的小声音”。它既可以是主动的，也可以是被动的。

例如，在清点一叠钞票时，人可能会主动在心中默念“一、二、三”；而当一个人在走路时突然遇到一条蛇，也可能不由自主地在脑海中发出惊呼。

因此，人们自然会担心：语音脑机接口是否会持续解码脑海中的每一个念头？例如，在品尝祖母制作的水果蛋糕时，如果系统突然将“真难吃”这样的内心想法说了出来，无疑会造成尴尬。

Kunz 及其同事的研究对这一问题进行了探索。研究人员在神经数据中发现，内部言语与用户有意表达的外部言语可以被区分（Kunz 等人，2025）。

研究还表明，系统可以被设置为默认不解码内部言语，只有当用户在脑海中“想出”解码器预先设定的特定“通行密钥”时，内言解码功能才会被解锁。

能够主动开启或关闭内言解码功能非常重要。在一些场景中，用户可能希望利用内言快速记录想法，例如在会议中默默做笔记，或者保存洗澡时突然产生的灵感。在临床应用中，内言解码还可能降低用户反复尝试发声所带来的精神和身体疲劳。

这些研究体现了脑机接口领域应当遵循的重要原则：技术不仅要追求更高的解码性能，也需要吸收实际使用者的反馈，持续改善设备的安全性、舒适度以及用户控制能力。

04

言语功能恢复的未来

对于患有肌萎缩侧索硬化症、脑干中风或脊髓损伤等疾病的人而言，丧失说话能力不仅意味着无法发声，还可能意味着失去独立性、与外界的联系，以及为自己表达意见和作出选择的能力。

哪怕只能恢复部分言语功能，只要能够接近真实对话的速度和细腻程度，也可能显著改变使用者的生活，使他们重新获得与世界互动的基本方式。

这也是语音脑机接口中每一个“比特每秒”和每一毫秒延迟背后的实际意义：它们不仅是工程指标，也直接决定了用户能否顺畅地参与一场真实对话。

目前，包括 Connexus® BCI 在内的多种语音脑机接口系统正处于临床试验阶段。随着研究不断推进，未来的工作不仅在于改善电极、芯片、算法和模型，也在于更加重视人的需求。

研发者需要与真正依赖这些设备的人合作，共同设计速度更快、精度更高、功能更丰富，同时也更加安全、舒适和可控的系统。

揭开语音解码工作原理的神秘面纱，也是这一合作过程的一部分。因为技术最终所服务的人，有权了解这项技术如何工作，并参与决定它应当如何被设计和使用。

05

关于语音脑机接口的常见问题

BCI 能读取人的思想吗？

语音脑机接口所记录的并不是严格意义上已经形成的“思想”，而是与特定言语任务相关的神经数据。

系统需要针对具体使用者进行训练，才能理解这些神经数据所代表的含义。例如，在训练语音脑机接口时，设备会记录用户尝试说话时的神经活动，将其转化为文字，再由用户确认输出是否正确，从而不断校准解码模型。

这类系统通常还会赋予用户对解码内容和解码时间的控制权。用户界面可以显示解码器当前处于开启还是关闭状态，以及系统是否正在解码内部言语，这些功能均应由用户直接控制。

因此，语音脑机接口并不是被动、持续地读取和广播人的所有思维，而是在经过专门训练后，执行一种高度特定的解码任务，并在用户允许的情况下工作。

语音脑机接口的速度有多快？

研究显示，采用直接“大脑—语音”路径的皮层内脑机接口，已经能够以接近实时的速度合成语音。从获取神经信号到发出声音，其延迟可低至25毫秒。这一时间低于对话中可能被感知为自然停顿的约120毫秒间隔，意味着语音脑机接口正在逐渐接近自然交流所需的实时性。

语音脑机接口安全吗？

皮层内脑机接口已经在多种研究和临床场景中应用数十年，并积累了一定的安全性数据。

一项长期开展的皮层内脑机接口研究项目（BrainGate）报告称，在累计33.4人年的随访过程中，没有发生颅内感染、设备相关死亡或永久性残疾事件。

此外，与皮层内脑机接口具有一定相似性的成熟医疗技术，例如深部脑刺激和立体定向脑电图，通常需要植入体积更大或位置更深的设备。这些方法经过数十年的临床应用，也形成了相对成熟的安全管理经验。

参考资料：

https://pmc.ncbi.nlm.nih.gov/articles/PMC3497935/

https://www.nature.com/articles/s41586-023-06377-x

nejm.org/doi/full/10.1056/NEJMoa2314132

https://www.isca-archive.org/interspeech_2006/yuan06_interspeech.html#

https://paradromics.com/blog/how-speech-brain-computer-interfaces-work/

编译：陈嘉图

图源@paradromics

脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：

宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。

资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。

成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。

活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。

其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。

合作洽谈，请联系微信：ZuoLeiLeiya

（备注：姓名-单位-合作）

投稿丨成为创作者，请联系微信：RoseBCI

不错过每一条脑机前沿进展

一键三连「分享」、「点赞」和「在看」

欢迎在评论区聊聊