一项覆盖近 3000 人的多中心研究发现，机器学习模型可以只靠说话方式推断一个人的生物学年龄和大脑健康状况。这套被称为「语音时钟」的模型会算出一个「语音年龄差」，它与影像学上的脑龄、DNA 甲基化的衰老程度、阿尔茨海默病的血液标志物，以及一个人一生中的社会逆境都高度相关。
语音年龄差是怎么算的
研究者提取了数百个声学与语言参数，包括音高、停顿时长、语速、语义准确度和句法结构；算法用这些参数估算一个人的实际年龄。估算值与真实年龄之间的差距，就被定义为加速或减速的生物学衰老。
这个差值和多种指标对得上：结构性与功能性核磁共振显示出的脑萎缩、三套独立的表观遗传 DNA 甲基化时钟，以及阿尔茨海默病相关的血浆 p-tau217 水平。换句话说，说话方式像是全身衰老状态的一个窗口。
为什么值得做这件事
要量化一个人身体和大脑相对时间衰老得多快，常规手段是高清结构核磁、PET、全基因组甲基化芯片或体液标志物检测。这些方法有效，但昂贵、有创或占用大量资源，全球大多数人，尤其是发展中地区和农村社区的人，根本用不上。
而人每次开口说话，声音里就带着呼吸力学、声带神经肌肉控制、听觉反馈回路，以及高层认知与语言处理网络的协同信息。如果这些信息能被稳定提取，筛查成本会降一个数量级。
怎么建的一把尺
研究由全球脑健康研究所（GBHI）和都柏林圣三一学院的研究者牵头。他们没有单独拿出某个发声指标，而是把数百个声学与语言参数同时喂给机器学习模型：声学一侧包括基频（音高）、语速节奏、停顿长度、音色和情绪起伏；语言一侧包括词汇丰富度、词汇密度、语义连贯性、句法复杂度和整体言语输出的结构。算法把这些参数合成一个综合指数，用来估算实际年龄。
参与者覆盖了认知正常的老年人、轻度认知障碍患者，以及确诊阿尔茨海默病或额颞叶痴呆不同亚型的患者。这样设计的好处是，模型能同时看到健康衰老和病理衰老两端。
资深作者、圣三一学院医学院脑健康教授 Agustín Ibáñez 说，人的声音里包含的衰老信息比过去认为的多得多：它既记录了时间本身的流逝，也带着来自认知、大脑、全身生物学乃至长期所处社会环境的信息。这意味着像语音时钟这样简单易得的东西，未来或许能和生物标志物结合，去补足那些昂贵得多的衰老测量手段。
社会处境也写进了声音
这项研究的对象是五个拉美国家 2928 名西班牙语使用者，属于过去在同类研究中代表性不足的人群。结果显示，终身的社会逆境，比如教育程度较低、食物不安全、医疗可及性差，会可测量地加速语音衰老。
这也是它比单纯的「生物年龄检测」更有意思的地方：声音里既有个人生理状态的痕迹，也带着社会条件的印记。当然，这仍是关联性证据，语音时钟目前也不能替代临床诊断，它的价值在于提供一种低成本、可大规模铺开的初筛手段。