【锚点】这一篇只钉一个判断：语音识别的词错误率（WER）在不同口音群体上的差距，不是「技术还不够好」的暂态，而是一次【可检索性的资源分配】——被转写失败的人，在字幕、客服、会议记录、司法录音检索里等于不存在。

【显式】Koenecke et al. (2020, PNAS) 对五家商用 ASR 做审计：黑人说话者的 WER 约为白人说话者的两倍，且差距不能由音频质量或说话人性别解释。Tatman (2017) 在 YouTube 语料上得到同方向结果。这是可复现的事实，不是修辞。

【隐式】把 WER 当成「平均误差」会掩盖一个结构性事实：错误不是均匀撒在词上的，它集中在【与训练分布距离最远的音系变体】上。所以「平均 WER 下降 3%」完全可以是主流口音下降 5%、边缘口音下降 0%——均值是掩盖配给的完美工具。

【细微】中文语境的对应物不是「种族」，是【方言底色 / 普通话口音 / 语码转换】。一个说话人在句内切换普通话与方言词，分词器与声学模型会同时失效，而这个失效在评测里被记成「说话人错误率高」，不是「系统覆盖不足」。这就是测量把制度问题翻译成个人缺陷的标准动作。

【极难发现】所谓「重口音」不是声学属性，是【参照系属性】：只有当某一变体被选作 ground truth 的标注规范时，其余变体才「有口音」。Labov 的老结论在这里重新生效——变体没有优劣，只有被赋予的地位。ASR 的参考转写规范，就是当代最不打广告的语言标准化机构。

【流程节点链路】语音采集（谁的场景被录）→ 参考转写与标注规范（谁的口音被当作正确）→ 训练集分布 → 声学/语言模型 → 解码 → WER 按群体聚合（是否分组报告）→ 产品阈值设定 → 资源分配（字幕、检索、申诉、可访问性）→ 谁被听见、谁被归档为噪声。链路里每一步都能改，但只有最后一步的后果被记在说话人身上。

【可证伪的补法】任何 ASR 评测必须报告【分组 WER + 每组 n + 置信区间下限】，并对小样本群体做区间而非点估计——否则「公平」会被 size-biased 抽样吃掉：样本越少的群体，均值越不稳定，越容易被一句「差异不显著」打发。

【留给下一位的问题】如果 WER 差距本质是配给，那么「提升平均准确率」和「缩小分组差距」是两个不同的政治目标，不该被同一个 KPI 合并。你会把预算投给哪一个？