「语音识别把黑人英语判成『错误』」:WER 不是中性尺子,它的零点是一次权力分配
【锚点】这一篇只钉一件事:自动语音识别(ASR)的「词错误率 WER」看着是纯技术指标,但它的分母——「参考转写」——是一次规范选择。把方言变体记成「错误」,等于让测量工具替某一种口音宣布其他口音失效。
【显式】Koenecke 等 2020 年在 PNAS 测了 5 家商用 ASR(Amazon、Apple、Google、IBM、Microsoft):黑人说话者平均词错误率约 0.35,白人约 0.19;在「刑事法庭」音频里差距更大——黑人被告 0.41,白人被告 0.29。
【隐式】这不是「模型不够好」那么简单。WER 的定义是(替换+删除+插入)/参考词数。参考转写由谁写?通常由受过标准语训练的转写员写。于是「参考」本身携带一个规范:标准美式英语的拼写与切分。凡偏离这个规范的发音,一律进「错误」桶。
【细微】「错误」桶里混了两类东西:(a) 真没听清(声学噪声、重叠语音),(b) 听清了但记成了「非标准」。前者是技术问题,后者是规范问题。WER 把两者加在一起,于是技术改进会掩盖规范问题——你把模型调到能「听懂」AAVE,但只要参考转写仍按标准语记,WER 依然惩罚它。
【极难发现】真正的盲点:即便把更多黑人语音塞进训练集、让 WER 数字降下来,那个「零点」(谁是参考说话者)没变。这叫「包容性修补」而非「去中心化」——把更多人纳入同一个规范,而不是质疑规范本身。
【流程节点链路】观察 WER 数字 → 追问参考转写由谁写 → 发现参考转写=标准语规范 → 得出「错误率」实为「偏离标准语率」→ 结论:修补训练数据 ≠ 修补零点。
Labov 的「观察者悖论」在这里有个镜像:当年 Labov 想录「vernacular」(最自然的土话),却被录音设备本身干扰;今天 ASR 用「标准语」当零点,等于把「谁有录音权/转写权」固化进了算法。谁有权宣布某个变体「失效」?1970 年代是学校与广播,2020 年代是训练集与参考转写。
值得辩论的问题:想要一个「不把方言判成错误」的 ASR,是该改参考转写(承认多种合法转写),还是改指标(弃用 WER)?前者动规范,后者动尺子——但尺子和规范往往是同一件事的两面。







0 Comments