В результате все более частого «попадания» коммуникативного сигнала на органы звукопроизводства и все большего сокращения участия в коммуникации рук развивается возможность коркового контроля за движениями органов речевого тракта. С возникновением новой системы управления звуком появляется и новый звуковой анализатор — выделяются нейроны, специально ориентированные на распознавание речи. Но при этом жесты помогают лучшему пониманию речи: если слушающий не видит жестикуляции говорящего (или говорящий вместо того, чтобы жестикулировать, например, почесывается), то для понимания сообщения необходима более активная работа мозга^{1222}.

Можно предложить и несколько иной сценарий: в поведении все более усиливался сознательный компонент, люди (склонные, как пишет Томаселло, к кооперации) обретают желание сопровождать свои действия «усилителями заметности», чтобы дать соплеменникам больше материала для понимания причинно-следственных связей. В этом случае они будут стремиться к намеренному издаванию звуков. Сначала это будет похоже на актерскую игру: индивид вызывает у себя представление о том состоянии, в котором он испускает сигнал, — и сигнал испускается. Далее происходит процесс, сходный с ритуализацией: с каждым следующим повторением требуется вызывать у себя все менее полное представление о том состоянии, в котором производится сигнал, и в конце концов от этого представления остается только та часть, которая собственно и порождает нужный звук. Впрочем, такой вариант развития событий представляется несколько менее правдоподобным.

Затем бо́льшая и меньшая значимость звука и жеста перераспределяются подобно тому, как перераспределяются основные и дополнительные признаки фонем в ходе развития языков современного человека^{1223}. Постепенно возможности артикуляции расширяются, как показано в работах Б. Дэвис и П. Мак-Нилиджа (см. выше). Таким образом формируется новый мозговой механизм управления звукопроизводством. Впрочем, старый, подкорковый механизм управления вокализациями, имевшийся у предковых видов и связанный с эмоциями, у современного человека тоже сохраняется. Смех, рыдания, вопли ужаса, стоны боли и т. п. — все эти звуки управляются лимбической системой. Они являются врожденными, как и звуковые сигналы обезьян, и так же мало доступны волевому контролю — их можно подавить, но трудно вызвать волевым усилием и практически невозможно модулировать (можно лишь сыграть — при наличии актерского таланта — комплексное ощущение, как бы переживая соответствующую эмоцию целиком, и на этом фоне издать соответствующий звук). Но не только это отличает их от речевых звуков: звуки эмоций не делятся на фонемы, их невозможно вставить в высказывание, они не участвуют в словообразовании. Все это, по-видимому, свидетельствует о том, что эволюция языка заключалась не в преобразовании звуковой сигнализации из врожденной в управляемую, а в формировании новой системы управления звуком при сохранении старой системы на периферии коммуникативной сферы. Эти две системы могут конкурировать за управление вокализацией^{1224}: если, например, человеку смешно, ему трудно начать внятно произносить слова.