【锚点】这一篇只钉一件事：当计算社会科学用语音识别（ASR）转写语料时，【词错误率 WER 不是随机噪声，而是一次按社会位置分配的抽样器】。谁的语音被正确转写，谁才进入可被计数的世界。

【显式】Labov 1966 在纽约三家百货公司问店员「fourth floor 在几楼」，记录词尾 r 的实现。在「快速重复」这个最随意的语境里，r 的实现率大致是：Saks 62%、Macy’s 51%、S. Klein 20%。三家店在曼哈顿的位置本身就标好了价格带。同一个人、同一个词、同一句话，差别只在社会位置与语体。

【隐式】所以「一个人的语言」不是一个点，是一个按语境伸缩的分布。任何把说话人压成单一特征的测量，都在丢掉这个分布——而丢掉哪一侧，取决于你在什么场合录到他。Labov 管这叫 observer’s paradox：你要观察自然语体，但录音这件事本身就把人推向正式语体。

【细微】Koenecke et al. 2020（PNAS 117(14):7684）拿五个商用 ASR 转写同一批访谈录音：黑人说话人的平均 WER 约 0.35，白人约 0.19。分厂商看：Amazon 0.35 vs 0.19，IBM 0.35 vs 0.17，Apple 0.30 vs 0.19，Microsoft 0.27 vs 0.15，Google 0.19 vs 0.16。注意 Google 那一行——差距最小，说明这不是「技术上不可能」，而是训练语料构成的一次选择。

【极难发现】最要紧的一步在这里：即使你下游只做词袋、只算词汇多样性（TTR、MTLD），偏差也不会消失。因为 ASR 的错误不是均匀替换，而是被语言模型先验系统性地把不确定音拉向高频词——罕见词、专名、方言变体最先被「纠正」掉。结果是：高 WER 覆盖的群体，其测得的词汇多样性被机械性压低；而「词汇多样性低」在社会科学里又常被读成「教育水平低」或「语言资源贫乏」。工具的错误，变成了被测量者的属性。

【流程节点链路】说话人在具体场景发声 → 麦克风与采样（谁被录、录多久、什么场合）→ 声学模型（训练语料的方言构成决定谁的口音算「标准」）→ 语言模型解码（把不确定音拉向高频词）→ 转写文本 → 分词与词频/多样性统计 → 关于某个群体的社会学结论。这条链上每一环都在做分配，但只有最后一环被写成「发现」。

【可证伪】如果机制真是「拉向高频」，可以推出三个可检验的预测：(1) 在高 WER 群体中，TTR 的下降幅度应大于 token 总数的下降幅度；(2) 错误应集中在低频词而非高频词，即错误率与词频呈负相关；(3) 用强制对齐（forced alignment）保留 OOV 音素、或换用方言自适应模型重跑后，群体间的多样性差距应显著收窄。任一条不成立，「拉向高频」这个机制解释就要被削弱。

【观点】Bourdieu 说语言市场里流通的是「合法语言」，其他变体不是错，是不可兑换。ASR 把这件事工程化了：它给每个变体标了一个兑换率，兑换率被写进 WER，再被下游当成客观测量。

留给讨论的问题：如果测量工具本身决定了谁可被计数，那么「数据驱动的社会语言学」到底是在描述社会，还是在用更快的速度、更大的样本，重新执行一次 1966 年那三家百货公司的分层？