این سوال پاسخی ساده دارد: صدایی که ما از خودمان می‌شنویم، با چیزی که دیگران می‌شوند یکسان نیست. این چیزی‌ست که دکتر یِیل کوهن (Dr. Yale Cohen) مدیر مرکز علمی شنوایی در دانشکده‌ داروسازی دانشگاه پنسیلوانیا در این باره گفته است.

به گفته‌ او «صدایی که ما از فایل یا نوار ضبط ‌شده می‌شنویم صدای واقعی‌ای ماست.»

در سر ما استخوان‌های کوچکی به نام Ossicle وجود دارد که در گوش میانی قرار دارند. وظیفه‌ی این استخوان‌ها، ایجاد اختلاف بین صدای خودتان و چیزی که دیگران می‌شوند است. بدین‌ترتیب امکان بازشناسی صدای خودتان به وجود خواهد آمد. این استخوان‌ها، کلید پردازش صداهای اطراف و حذف آنها هستند. لرزش‌های اضافه‌ی پرده‌ی گوش توسط این استخوان‌ها خنثی می‌شود و لرزش‌ها برای پردازش به بخش حلزونی گوش می‌رود. در بخش حلزونی گوش انرژی جنبشی حاصل از صداهای اطراف ما به انرژی الکتریکی تبدیل می‌شود تا مغز امکان شنیدن صداها را برای ما مهیا کند.

آگاهی از صداهای اطراف به شکلی که سلول‌های مغز امکان پردازش و ارتباط در خصوص آنها را داشته باشند، هدایت نامیده می‌شود و این همان چیزی‌ست که ما آن را صدا -و نه نویز- می‌نامیم. پردازش اصوات از طریق استخوان‌های ossicles ، انتقال استخوانی نامیده می‌شود و زمانی اتفاق می‌افتد که هوای اطراف گوش‌های شما به واسطه‌ی امواج صوتی به حرکت در می‌آید. به این خاطر است که زمانی که شما حرف می‌زنید، مغز با کمک انتقال اصوات امکان پردازش الکتریکی اطلاعات دریافتی را دارد و حس شنیدن صدا را برای ما ایجاد می‌کند.

لرزش استخوان‌های گوش می‌تواند با هر ارتعاش صوتی نیز اتفاق بیفتد. اما صدای خود ما همیشه بلندتر از چیزی‌ست که از بیرون می‌شنویم. دلیل آن هم نزدیکی دهان و گوش‌هاست و همین عامل باعث حرکت بیشتر استخوان‌های گوش می‌شود. این مساله باعث درهم و برهم شدن اصوات می‌شود و در نتیجه‌ی آن ما صدای خود را متفاوت از آنچه واقعا باید باشد می‌شنویم. پس در زمان شنیدن صدای خود تصوری متفاوت از آنچه به صورت عادی می‌شنویم خواهیم داشت.

اما چرا ما باید به هنگام حرف زدن صدای خودمان را متفاوت بشنویم. کوهن معتقد است که افراد فکر می‌کنند صدای خود را می‌شناسند و انتظار شنیدن همان چیزی را دارند که در حافظه‌شان وجود دارد و سراغ دارند.

تحقیقات متعدد نشان می‌دهد افراد تلاش می‌کنند صدای خود را طوری دستخوش تغییر کنند که بین صدای واقعی و ضبط‌ شده‌شان -از نظر خودشان- یکپارچگی ایجاد شود. به اعتقاد کوهن این مساله باعث می‌شود افراد به هنگام صحبت در برابر میکروفون به صورت ناخودآگاه متفاوت از حالت عادی صحبت کنند. او اضافه می‌کند که زمینه‌ی درک افراد از آنچه آنها در مورد صدای خود می‌شناسند، دلیلی است که عامل ایجاد تغییر نوع صدا و صحبت کردن به هنگام ضبط صداشان می‌شود.

کوهن در ادامه برای ایجاد درک بهتر این مساله در قالب یک مثال می‌گوید، تصور کنید شما برای شش ماه خود را در آینه نبینید. پس از این دوره اگر پرخوری کرده و دچار افزایش وزن شوید و ناگهان دربرابر آینه ظاهر شوید، قطعا شگفت‌زده خواهید شد.

در کل، مغز نقشی اساسی در قبال فیلتر کردن، پردازش و یکپارچه‌سازی اصوات دارد.