鑒于化石證據(jù)如此稀缺，科學家開始把目光放在一些被認為與史前生物較為相似的當代物種身上，比如負鼠，希望從中洞悉聽覺器官的演化奧秘。一系列這類動物的聽覺測試結果顯示，高頻聲聽力是哺乳動物獨享的一項能力，特別是那些耳朵長得緊靠在一起的哺乳動物最有可能具備這項能力。分析認為，這樣的耳朵可以準確定位到高頻聲源的位置，不管聲源處是美味獵物還是致命天敵，這樣的耳朵都是非常有用的。
到了始新世（5600～3400萬年前）的某個時期，由于生物聽覺器官在低頻聲上的表現(xiàn)得到改善，聽覺范圍似乎逐漸擴大。但此后對高頻聲的敏感性逐漸下降，這就意味著可聽頻率的范圍被壓縮了。
將人類與黑猩猩及其他親屬的基因進行對比，可以發(fā)現(xiàn)一個叫做α-蓋膜蛋白的基因的變異程度非常之高，這表明它帶來了重要的演化優(yōu)勢。α-蓋膜蛋白決定了內(nèi)耳的一些聽覺特征。同時，通過對比不同人群的基因，可以看出在過去5萬多年里，人類與聽覺有關的基因組合經(jīng)歷了極其重大的變化，即便在過去兩千多年里，聽覺基因也在繼續(xù)受到演化壓力的選擇。我們聽力的不斷完善很大程度上要歸因于口頭語言的發(fā)展。
古代的噪聲
數(shù)百萬年里，不規(guī)則的響聲一直意味著危險——火山的噴發(fā)聲，閃電的噼啪聲，地震的隆隆聲，饑餓敵人的號叫聲。對響聲的直覺反應是恐懼和憤怒，這些反應伴隨我們直到今天，對我們來說正是這些響聲定義了噪聲。渺小如鼩鼱的遠古動物，在霸王龍雷霆般的吼叫中慌忙逃竄，與在飛機轟鳴聲中怒火中燒難以入眠的當代人之間，被一根連續(xù)的線緊緊相連。
最早的人類是獵人和收集者，在全世界的溫帶大平原上移動、尋找食物。他們與我們在聲音環(huán)境上存在的差異簡直不可想象。那時，重復性的聲音肯定要少得多，除非在海洋或湍急的河流邊上，連續(xù)性的聲音也很少聽到。（據(jù)說，19世紀的印第安土著從不在流水邊安營扎寨，因為水流聲會掩蓋住敵人的聲響。恐怕遠古人也是這樣的。）我們的遠祖一定對聲音的意義抱著極大的興趣——一般來說，聲調高的叫聲一定是小獵物發(fā)出的，而更響一些、聲調低一些的叫聲則是大型獵物發(fā)出的，聽來更令人驚恐。那時大多數(shù)的聲音都是要緊的，其中有些關乎生死，而所有的聲音都必須密切注意。正是聲音的這種吸引注意力的屬性一直延續(xù)到今天，它也解釋了為什么我們沒有“耳瞼”，為什么我們即使在入睡時也無法直接把聲音世界置之耳外而不理。由于根本不可能完全忽略聲音，所以手術中會用大腦對聲音的電反應來表示無意識的深淺程度。
如果無法辨別是什么聲音的話，即使輕聲也會成為令人恐懼的噪聲，特別是在靜謐的夜晚聲源無法看清時更是如此。這樣的反應可以遠溯到史前時期，演化的力量使其深深根植于我們的大腦之中：膽小者對于火光安全圈以外的聲音心懷畏懼，裹足不前，多半能夠幸存下來；而那些敢于越過雷池的無畏者卻永遠失去了生命，以及繁衍后代將他們的魯莽基因傳遞下來的機會。毫不奇怪，黑暗中聽到的莫名噪聲——夜間恐怖的叫聲，或昏暗影院中令觀眾膽戰(zhàn)的聲音——現(xiàn)在仍然是恐懼的潛在來源。
至于人造噪聲源的出現(xiàn)，則是大約250萬年前的事了，那時早期人類開始削鑿燧石、制造工具，發(fā)出了堪比現(xiàn)代工業(yè)噪聲的聲音。這大概也是史上最早的令人煩惱的人造噪聲。
同樣，不諧和音程以及它的對立物諧和音程的起源要遠早于歷史記錄。一些考古學家認為音樂在現(xiàn)代人類之前就已存在了，證據(jù)是尼安德特人制造了樂器，但最早的確鑿證據(jù)是在德國西南部發(fā)現(xiàn)的用獸骨和象牙制成的笛子。它們的制作年代確定為35,000多年前的舊石器時代中期，遠在最初的城鎮(zhèn)出現(xiàn)之前。
盡管人類對音樂的喜愛由來已久，但音樂的起源仍舊撲朔迷離。查爾斯•達爾文于1871年曾坦言他本人對音樂的演化功能很迷惑，而時至今日我們對此所知依然不多。清楚的是，音樂作品的某些特點是超越文化差異和文化背景的。2009年，位于萊比錫的馬克斯•普朗克研究所進行了一項實驗，發(fā)現(xiàn)喀麥隆的馬法部落成員對古典鋼琴曲的情感反應與西方聽眾完全相同。另一項最近的研究則發(fā)現(xiàn)，音樂對大腦皮質前運動區(qū)起作用，該區(qū)域的功能是主導人的肢體活動。換句話說，音樂使我們想要活動起來，不管是一起工作還是一起表演。
到20,000年前，我們的穴居祖先已經(jīng)使他們的環(huán)境中充滿了聲音。世界上很多地區(qū)的洞穴中都發(fā)現(xiàn)了石鑼（能產(chǎn)生樂聲的天然巖石巨片），其中一些石鑼（如比利牛斯山脈的）的大致使用年代可以由鈣鹽層的堆積情況推算出來。
較為可能的是，史前時期的聲音和噪聲比今天扮演了更為顯著和重要的角色。那時的夜晚和室內(nèi)要比現(xiàn)在黑得多，所以我們的先人大部分時間里依賴耳朵比眼睛更多，要說是全部時間里也毫不夸張，因為那時的人們與現(xiàn)在的我們具有相同的視覺局限，而人造玻璃的發(fā)明還要等上幾千年的時間，更不用說眼鏡了。當然，在文字發(fā)明之前，所有的記錄都是口頭的。最終，只要周遭的世界保持安靜，聲音一旦產(chǎn)生了就會贏得關注，原因很簡單，因為它們是稀有的。
