Ao reproduzir um áudio enviado por si mesmo, como no WhatsApp, muitas pessoas notam que a voz soa diferente, frequentemente mais aguda, gerando questionamentos sobre como os outros a percebem. A razão para essa disparidade reside no fato de que a experiência de ouvir a voz falada difere da experiência de ouvir a voz gravada.
Quando falamos, nossa voz segue dois caminhos distintos. Um deles é a propagação sonora pelo ar, onde as ondas sonoras chegam aos tímpanos, que vibram e enviam sinais neurais ao cérebro para interpretação auditiva. O segundo caminho envolve vibrações transmitidas através dos ossos da cabeça. O crânio atua como uma caixa de ressonância, fazendo o ouvido interno, especialmente a cóclea, vibrar diretamente.
Essa transmissão óssea modifica o espectro aparente da voz, resultando em uma maior contribuição relativa das frequências baixas, o que confere ao timbre percebido características mais graves e encorpadas. Assim, quando estamos falando, ouvimos a soma dessas duas transmissões simultâneas: uma aérea e outra óssea, formando a voz que consideramos nossa.
No entanto, ao escutar a gravação da própria voz, temos acesso apenas à transmissão sonora pelo ar. Como a informação recebida pelos ouvidos não corresponde à combinação dos dois fatores presentes na fala natural, a voz percebida é distinta. Adicionalmente, os equipamentos de gravação não são ideais; eles processam e comprimem o áudio, diminuindo a faixa dinâmica, o que faz com que a voz perca nuances e soe mais uniforme.
Para profissionais que utilizam a voz em seu trabalho, como cantores, existem métodos e exercícios específicos que auxiliam no ajuste da entonação, visando aproximar a voz que o público ouve daquela que o próprio indivíduo escuta.