カラオケで音程が外れてしまう現象を解明する上で、まず分離して考えるべきは「聴覚の認知（入力）」と「声帯の運動制御（出力）」の不一致です。耳鼻咽喉科の学術知見や音声学の研究データによれば、医学的にメロディの高低差を認識できない「先天的感覚性アムージア（いわゆる真性の音痴）」は、人口全体の約4%前後に過ぎません。残る9割以上の人々は、耳では音階の違いを正しく捉えているにもかかわらず、喉の筋肉が適切なピッチを再現できていない状態にあります。
音程を司るのは、喉頭内部にある「輪状甲状筋（りんじょうこうじょうきん）」と呼ばれる微細な筋肉群です。この筋肉が声帯を前後方向に引き伸ばすことで、弦楽器の弦をピンと張ったときのようにピッチが高くなります。普段から歌い慣れていない場合や、過度な緊張にさらされている状態では、輪状甲状筋の収縮加減を脳が正確に指令できません。その結果、自分がイメージしている周波数よりも半音近く低い「フラット（下がり気味）」な状態、あるいは力みによる「シャープ（上がり気味）」な状態が生み出されます。
さらに見落とされがちなのが、カラオケ特有の「骨伝導と気導音の乖離」です。人間は普段、頭蓋骨の振動を通じて聴く「骨伝導」と、外耳から鼓膜を震わせる「気導音」をミックスして自らの声を知覚しています。しかし、カラオケルームでは大音量の伴奏スピーカーと壁面の反響音が気導音を激しくマスキングします。自らのピッチをリアルタイムでモニタリングするフィードバックループが遮断されてしまい、結果として声帯のコントロールを失ってしまうのです。
