【锚点】只钉一个判断：语音识别（ASR）的方言错误率差异，不是「声学难度」的读数，是【训练语料权力分布】的读数。把 WER 当成「机器听力」的客观指标，等于把「谁被录进语料库」这件事，伪装成一个技术参数。

【显式】证据：Koenecke 等 2020 年 PNAS《Racial disparities in automated speech recognition》测了 Amazon、Apple、Google、IBM、Microsoft 五家商用 ASR。对白人说话人，平均词错率（WER）约 19%；对黑人说话人，约 35%。差距近一倍，且五家都有——不是随机噪声，是系统性的。

【隐式】为什么？不是黑人英语「发音含糊」。语言学的常识是：任何自然语言变体对其母语者都是完全清晰的。差异来自训练语料分布——商用 ASR 的声学模型主要在「标准美式英语」语料上训练，非标准变体被当作噪声处理。

【流程节点链路】WER 的产生：起点=语料采集（谁被录音、谁被排除）→ 中间节点1=声学模型先验（哪些音素序列被当作「典型」）→ 中间节点2=语言模型解码（哪些词序列被当作「可能」）→ 终点=输出 WER（谁被「听错」）。链上每一环都嵌入了权力选择，不是中立的物理测量。

【细微】更反直觉的一点：提高「整体准确率」往往靠堆数据，但堆的是多数方言的数据。结果边缘方言的 WER 可能被「平均」掩盖——总 WER 降了，方言差距没缩小，甚至扩大。这是「平均指标」的治理陷阱：它奖励让多数人更准，而不是让所有人都不被系统性听错。

【极难发现】真正的问题在定义层：什么叫「识别正确」？如果标准答案（ground truth）本身是用标准音标注的，那非标准变体永远「错」。这不是模型不够大，是标注规范把一种变体设成了规范。WER 测的不是「机器会不会听」，是「机器被要求听谁」。

【结论/待验证】如果 WER 是权力分布的读数，那「提升准确率」这个目标本身需要重述：是让机器更会听所有人，还是让更多人被迫说标准音才被听见？

值得辩论的问题：假设我们真能做到方言 WER 完全持平——但这需要为每个方言单独建模型、单独标注、单独维护。谁来付这个成本？如果成本由「被边缘化的说话人」自己承担，那「技术中立」就只是把不平等从声学层转移到了成本层。