Фонетист объясняет, что человек привык слышать себя как бы изнутри. Это означает, что задействованы не только уши, но и кости, по которым распространяются звуковые волны. По словам доцента, низкие частоты лучше проходят через твердые ткани и доходят до уха. "Так что звук собственного голоса получается несколько искаженным", — признает он. Другими словами, звучание кажется ниже, чем есть на самом деле. 

По мнению Липпуса, чувство отвращения или дискомфорта может возникнуть из-за того, что записанный голос имеет другую высоту. "У человека есть какое-то представление о себе и своем голосе. Поскольку он к этому привык, звук, исходящий извне тела, кажется странным", — объясняет он.

С другой стороны, по его словам, люди всегда безошибочно узнают свои голоса  в записи. "И эта небольшая разница между тем, что мы слышим внутри, и тем, что мы слышим на записи, тревожит", — отмечает он.

Похожий эффект возникает, когда человек сравнивает селфи с фотографией, сделанной кем-то другим. "Селфи могут показаться нам красивее, чем перевернутые снимки, потому что мы привыкли смотреть на себя в зеркало", — рассуждает доцент. По мнению Липпуса, в случае с фотографиями эффект отчуждения не так велик, как при прослушивании аудиозаписи, поскольку снимки люди рассматривают чаще.

По словам фонетиста, со временем каждый привыкает к своему голосу. "Например, радио- и тележурналисты или певцы постоянно записывают, слушают себя и анализируют свои выступления", — отмечает он.