包括爱尔兰都柏林圣三一学院的研究人员在内的团队开发出一种人工智能（AI）“语音时钟”，可通过分析语速、停顿 、音高、词汇等数百种语音和语言特征估算人的年龄。研究发现 ，实际年龄与“语音时钟 ”预测年龄之间的差值，与大脑衰老
、表观遗传衰老、认知能力 、阿尔茨海默病相关病理
，以及社会环境等多项指标相关 。相关研究发表于新一期《科学进展》杂志。

　　研究团队分析了来自阿根廷
、智利、哥伦比亚 、墨西哥和秘鲁的2928名西班牙语参与者，其中包括健康成年人
、轻度认知障碍患者、阿尔茨海默病患者以及不同类型的额颞叶痴呆患者
。

　　研究团队利用机器学习综合分析数百项语音和语言特征 ，包括语速 、停顿
、音高、情绪表达 、语义准确性
，以及语言输出的数量和组织方式等，并据此估算参与者年龄。实际年龄与预测年龄之间的差值被称为“语音年龄差
” 。

　　研究发现 ，语音年龄差较大的人
，在多个生物和临床指标上也表现出更加明显的衰老特征
。语音年龄差越大，参与者的整体认知能力
、执行功能、日常功能 ，以及多种记忆能力往往越差。

　　进一步研究发现
，健康人群的语音年龄差最低，而阿尔茨海默病患者及不同类型额颞叶痴呆患者的语音年龄差逐渐增大 。在阿尔茨海默病患者中 ，语音年龄还与血浆p-tau217水平升高相关
。p-tau217是反映阿尔茨海默病相关病理的重要血液生物标志物之一。

　　此外
，语音年龄差还与一个人长期所处的社会环境有关 。研究发现，在健康人群和不同类型的痴呆患者中 ，语音年龄差较大的人，往往也经历了更多不利的社会环境因素
，包括受教育程度 、经济状况、食物保障
、医疗服务可及性，以及早期生活经历等
。

　　现有许多生物衰老评估方法需要磁共振成像、血液检测 、分子分析或专业临床评估 ，而语音具有远程采集
、可重复、无创和成本低等特点
，因此未来可能成为监测衰老状态的一种补充手段，尤其适用于先进医疗技术较难普及的地区。

（文章来源：科技日报）