斯托克韦尔认为，“人类语言的深层结构源于‘湿件’（注：wetware，指代大脑与生物神经系统，与硬件、软件相对），即肾上腺素的激增、多巴胺带来的愉悦、对社会联系的渴望，这些真实的生理和情感体验在语言的结构和使用方式中得到体现。

　　目前，包括语音留言、旁白、播客等单一声音的输出上，AI可以做得很逼真，但是还无法稳定地掌握如何进行适当的定时呼吸，或者以人类犹豫的方式去犹豫，特别是在互动结构中自然地表现。

　　“AI现阶段不能理解，当我们感到兴奋、开始发火、恭敬地倾听老板讲话，或者训斥自己孩子、轮流说话时，说话节奏会如何变化，它也无法稳定地根据对方的声音调整自己的音量、语速、口音或音高。”哈达克说道。

　　她解释，鉴于声音部分受生理构造限制这一事实，目前最前沿的模型非常擅长合成特定的声音。但由于人类可选择的潜在词汇量非常庞大，AI 很容易在特定的语言特征，如称谓、礼貌程度或幽默感上偏离其目标风格。在缺乏某套特定语言习惯的知识时，AI会惯常地退回到其预先存在的刻板印象中，例如，恋人之间会使用亲昵的称呼，母亲只会说充满爱意和关怀的话。

　　在现实中，人类对话是一个时序极其精准、合作性极强，且在社会层面高度相互负责的系统。哈达克举例说，当人类交谈时，我们不断地监控自己和对方：我现在应该说话还是保持沉默？太长时间的沉默会被视为无礼吗？我应该发出一点表示赞同或同情的轻微声音吗？我应该伴随着支持性的叹息或感叹插入说话（重叠）吗？我应该纠正这个误解吗？等等。