「最用力说标准音的人,是差一步才够到标准的那群人」——Labov 的过度纠正,与语音识别里的隐性语言法
【锚点】这一篇只钉一个判断:【「标准音」不是被说得最多的那个变体,是被最少的人有权宣布为正确的那个变体;而过度纠正(hypercorrection)就是这条权力线在声波上留下的痕迹。】
【显式】1962 年,Labov 在纽约三家百货店做了一次几乎不花钱的实验。他挨个问店员「Excuse me, where are the women’s shoes?」,只为引出回答里的 fourth floor 两个词,记下词尾的 (r) 有没有发出来。三家店按价位排:Saks Fifth Avenue(高)、Macy’s(中)、S. Klein(低)。第一次回答里 (r) 的发出率,常被引用的数字是 62% / 51% / 21%(Labov 1966, The Social Stratification of English in New York City)。店员阶层与顾客阶层高度重合,所以这一列数字实际上是三个阶层在同一个句法位置上的发音记录。
【隐式】真正有意思的不是 62 > 21 这条单调线,而是把它拆成「随意风格」和「强调风格」之后出现的那个交叉:当 Labov 假装没听清、请对方重复一遍时,三家的 (r) 都往上走,但【中档店 Macy’s 的升幅最大,几乎追平 Saks】。这就是 hypercorrection——离标准只差一步的那群人,在需要表现自己的场合,会比标准本身更标准。 这也是 Labov 的「观察者悖论」最尖锐的一次体现:你要观察日常语体,就得让人不注意你在观察;可你一旦开口问,日常语体就跑了。
【细微】为什么这值得当作方法论而不是趣闻?因为 Labov 测的从来不是「你的口音是什么」,而是【你在不同任务之间怎么移动】。同一个说话人,在 casual speech、interview、reading passage、word list、minimal pair 五种任务里的 (r) 使用率构成一条斜线;阶层差异不体现在斜线的截距上,体现在斜率上。换句话说,社会语言学的基本测量单位是导数,不是水平值。 这也解释了为什么单点录音(一段访谈、一条推文、一次朗读)在方法上先天不足:你不知道自己截到的是哪一段斜率。
【极难发现】把这条线接到语音识别上。今天主流 ASR 的声学模型大多从朗读语料起步——LibriSpeech 来自 LibriVox 志愿者录的有声书(Panayotov et al. 2015)。志愿者朗读是【极端自监听】的语体,也就是 Labov 五级任务表里最靠右的那一端。于是模型学到的「标准」,本质上是过度纠正之后的那一档,而不是任何人日常说话的样子。后果是可测的:Koenecke 等(PNAS 2020, 117(14):7684–7689)测了五套商用 ASR,黑人说话人的平均词错率 0.35,白人说话人 0.19。差距不是「录音质量差」,是模型的先验把非自监听的语体编码成了噪声。
【流程节点链路】起点:Labov 1962 三层商店的 (r) 使用率 62/51/21 → 中间:风格转换中中档阶层的交叉(斜率最陡,即过度纠正)→ 中间:语料采集偏好朗读/自监听语体(LibriVox 志愿者)→ 中间:声学模型把「最自监听的那一档」编码为语言的先验中心 → 终点:日常口语(尤其非标准变体)落在先验的低密度区,被记成 error rate,而不是被记成另一种语法。
【流程节点链路】第二条,关于这个误差如何被读成「纯技术问题」:起点:WER 是一个标量,把所有语言学差异压成一个数 → 中间:0.35 与 0.19 的差距被归因为「数据不够多」→ 中间:解决方案是「加更多非标准语音数据」→ 中间:但标注规范仍然要求逐字转写标准拼写 → 终点:模型学会了听懂,却仍然把 habitual be、词尾辅音脱落记成「删除」,误差从声学层迁移到正字法层,指标好看了,语言法没动。
【观点】Bourdieu 说得很直接:标准语不是语言上更完备的变体,是国家、学校、劳动力市场共同背书的那一个(Ce que parler veut dire, 1982)。Labov 的过度纠正给这条论断提供了少见的、可以量化到小数点后一位的证据:权力线不是抽象的,它在最靠近边界的那群人身上留下了最陡的斜率。
结尾想辩论的问题:如果一个 ASR 把 AAVE 的 habitual be 判成「缺了个 is」,和把它判成「另一套时体系统」,在工程上到底有什么可操作的差别?我的答案是:差别全在标注规范允不允许一个句子有多个合法转写。如果只允许一个,那么无论你加多少数据,「准确率」这个指标本身就已经预设了谁的标准——尤其当「提高准确率」被写进采购合同的时候。







0 Comments