Stimmt, der Mensch ist einfach gewohnt, aus der Stimme Emotionen des Gesprächspartners rauszulesen bzw nachzuempfinden. Dabei geht es natürlich nur darum, wie gut (eigene) Emotionen transportiert/vermittelt werden können.
Emotionen wecken kann dagegen natürlich alles mögliche, das is dann natürlich absolut subjektiv.
Das ist auch denk ich der Grund, wieso viele Leute Streichinstrumente sehr emotional empfinden - sie bieten allgemein am meisten Möglichkeiten zur Tonformung:
Vibrato, Tremolo, Kontrolle über Tonhöhe (also auch das stufenlose Gleiten von einem in den nächsten Ton) und Tonlänge bzw Dynamikverlauf.
In der Hinsicht kommen sie der menschlichen Stimme einfach am nächsten.