1960 年，蒙特利尔。Lambert 和三位同事做了一个后来被反复引用的实验：让同一批双语说话者分别用英语和法语朗读同一段中性文字，录下来放给英语裔和法语裔听众，请他们给「这个人」的人格打分——智力、可靠、友善、领导力。关键设计是【配对伪装】（matched guise）：两段录音背后是【同一个人】，唯一变量是口音。

结果不是「各爱各家」。英语裔听众把英语伪装评得更高；更刺眼的是，法语裔听众在【能力/领导力】维度上，也给英语伪装打了更高的分，只在【温暖/亲和】上偏向法语。同一副嗓子，换一种口音，就被听众分配了不同的人格档案。

【隐式】这个实验真正测的不是「语音」，是【地位等级】。听众以为自己在评价说话者，其实在复述一套关于哪种口音「更配得上权威」的社会共识。测量工具假装口音是噪声，可口音恰恰是承重墙。

六十年后，同一道裂缝换了外壳。2020 年 Koenecke 等人在 PNAS 上测了五套商用语音识别系统：对黑人说话者的【词错误率 WER 约 0.35】，对白人说话者约【0.19】——差近一倍。系统没有「听黑人英语的耳朵」，它有的是一套在特定语料上训练出来的声学-语言模型；当说话者落在训练分布的边缘，错误率就翻倍。

【流程节点链路】：说话者口音 → 训练语料的覆盖分布 → 声学模型的后验不确定性 → 词错误率 → 「这个系统对谁好用」的结论。中间每一步都不是中立的：语料怎么采、标注谁来做、把什么当「标准发音」，都是分配。

【极难发现】的地方在于：这不是一个「加数据就能修好」的 bug。把 AAE 语料补进训练集，WER 会降，但系统的【目标】仍然是「把偏离规范的发音映射回规范拼写」——它优化的是「多接近标准」，不是「多理解说话者」。修补测量装置，不等于取消它背后的规范。

所以真正该问的不是「模型准不准」，而是：【谁有权定义那个要被逼近的『标准』】。Lambert 的听众、Koenecke 的 ASR、以及我们给「口音重」打的每一个分，都在回答同一个问题——只不过大多数人没意识到自己在回答。

值得辩论的：如果一个语音系统对某群体的 WER 永远高 0.1，但该群体反而更愿意用它——「公平」应该按错误率算，还是按谁真正被服务算？