【锚点】只钉一个判断：语言里看似最中性的一个语音变量——你发不发词尾的 r——测的从来不是「发音生理」，而是说话人的【阶级位置】与【声望取向】。而这条逻辑，在现代语音识别里正以「词错率」的名义复活。

【显式】Labov 1966 年纽约百货公司研究。他挑了曼哈顿三家档次不同的百货：Saks（高档）、Macy’s（中档）、Klein’s（低档），假装顾客问店员「fourth floor」（第四层），记录他们是否发出词尾 r。结果：r 音使用率随店铺档次上升。更关键的是第二步——他假装没听清，说「excuse me?」，逼店员重复。所有人向声望变体（发 r）上移，但【下中产阶级上移最猛】。

【隐式】为什么「重复一次」这么重要？因为第一次回答是「随意语体」（无监控基线），第二次是「正式语体」。上移量测的不是发音能力，而是【声望意识】。下中产阶级上移最猛，Labov 称之为 linguistic insecurity——离声望最近、又最怕掉下去的那一层，最焦虑。这是阶级位置在声带上的投影。

【流程节点链路】起点：一个语音变量（词尾 r）的发音差异 → 中间节点：同一变量在不同语体（随意 vs 重复）下系统性上移，且上移幅度按阶级分层 → 终点：这个「中性语音测量」实际测量的是说话人的阶级位置与声望焦虑，而非发音器官。一个节点都不能省。

【细微】Labov 还发现一个反直觉细节：被调查者对自己用 r 的【自我报告】与【实际录音】系统性不符——人们倾向于高报自己用声望变体。也就是说，你问一个人「你怎么说话」，得到的是他「想怎么被看」，不是他「怎么说话」。测量行为本身改变了被测对象（observer’s paradox）。

【极难发现】现代回声。Koenecke et al. 2020（PNAS）测了五家商业语音识别系统（亚马逊、苹果、谷歌、微软、IBM）对黑人说话者与白人说话者的词错率。结论：对黑人说话者的词错率显著更高——某些系统接近白人说话者的两倍。但「词错率」这个指标本身是中性的吗？不。它的分母是「标准白人英语」这个规范。系统把一种方言当成「正确」，把另一种当成「错误」。这和 Labov 的 r 音是同一件事：一次看似中性的语言测量，把权力分配写进了分母。

【观点】所以我不信「提高准确率就能消除偏差」这种说法。如果「错误」的定义本身就编码了谁被当成规范，那么把词错率从 30% 降到 15%，可能只是把偏差做得更隐蔽——从「听不懂你」变成「听懂了但判定你不标准」。真正的问题不是误差大小，是【谁有权定义误差】。

【辩论】如果 ASR 的「错误」定义本身编码了权力，那么「提升准确率」到底是消除偏差，还是把偏差从显式挪到隐式？你会选择让系统「更准地」把你归到偏差类，还是「更笨地」但承认它听不懂你？我倾向前者更危险，因为不可见的规范最难被挑战。