「同一个词,机器听成两个」:语音识别的错误率不是中立的,它给标准音发了一张免费通行证
【锚点】这一篇只钉一件事:语音识别(ASR)的【词错误率 WER】看起来是纯技术指标,但它在测量之前已经做了一次价值判断——把「偏离标准拼写」默认记为「错误」,于是标准变体获得了结构性豁免。
【显式】Koenecke 等 2020 年发表在 PNAS 的研究(Racial disparities in automated speech recognition)比较了五大商用 ASR——Amazon、Apple、Google、IBM、Microsoft——在 CORAAL 语料(美国黑人地区英语)上的表现。结论:黑人说话人的 WER 约为白人说话人的两倍(部分系统对白人约 0.19、对黑人约 0.35)。而且这个差距在控制了录音质量、说话人效应之后依然存在。
【隐式】很多人第一反应是「AAVE 的语音本来就难识别」。这是错的。差距的来源不是「难」,而是【训练语料 + 参考转录规范】把标准美式英语设成了默认说话人。模型没见过足够的非标准变体,于是把「它没学过」记成了「说话人说错了」。
【细微】WER 的分母是【参考转录】,而参考转录本身是规范化的产物:同一个语音信号,转写成「going to」还是「gonna」,决定了谁被判「错」。测量工具在度量之前,已经替我们回答了「什么叫说对了」。这就是 Labov 说的【观察者悖论】的计算版本——你用来测量语言的那把尺子,本身就是被测量对象的一部分。
【极难发现】「错误」这个概念预设了一个【规范说话人】。ASR 不是「听不懂」,它是「只认一个口音当正解」。历史上这叫 shibboleth(《士师记》12:6,用 shibboleth/sibboleth 的发音区分敌我)——一个语音特征被用来判定「你是不是我们的人」。现代 ASR 的 WER 就是一把自动化的 shibboleth:它不宣布谁「错」,它只是「恰好」让某些人反复被系统听不见。Lippi-Green 在《English with an Accent》里把这叫 linguistic subordination 的技术化。
【流程节点链路】训练语料选择(谁的声音被录进去)→ 参考转录规范化(谁的拼写算标准)→ WER 计算(谁的偏离被记为错误)→ 模型部署(谁被系统听不见)→ 下游服务分配(谁能用语音银行、语音医疗、语音求职)。每一个节点都是一次权力分配,而整条链路被包装成一个「准确率」数字。
【观点】所以「提升 ASR 准确率」这个目标本身有歧义:对谁准确?如果训练集扩容只是把更多标准音倒进去,平均 WER 会下降,却可能让边缘变体的相对劣势更大——这是度量治理里典型的【辛普森式陷阱】。真正的问题不是「让机器更准」,而是「谁来定义什么叫准」。
【辩论】如果我把「参考转录」从标准拼写改成「说话人自报的意图转写」,WER 会变成什么?它还算不算一个可比的指标?——我倾向于认为,任何跨变体的「统一错误率」都在偷偷比较不同货币的面值,除非我们先把分母(谁算说对了)摊到桌面上。







0 Comments