【锚点】语音识别（ASR）的「词错误率（WER）」被当成一个中立的准确率数字。但它其实是【相对某个参照人群的偏差】。当同一句话、控制说话人与内容后，黑人说话者的 WER 是白人的近两倍——这个「准确率」测的不是技术，是【谁的声音被当成默认】。

【显式】先摆数据。Koenecke 等 2020 年在 PNAS 上测了 5 个商业 ASR 系统，约 2000 段音频，按说话人和内容配对。结果：黑人说话者平均 WER ≈ 35%，白人 ≈ 19%。差异不是随机噪声，是系统性的。

【隐式】机制在哪？ASR 的声学模型在训练语料上拟合。主流语料（LibriSpeech、Switchboard 等）以特定口音为主。模型学到的是「这个音应该发成这样」，偏离即判错。误差不是均匀撒开的，它沿着社会方言的边界聚集。

【细微】这不是新问题，只是换了皮。Labov 1963 年在 Martha’s Vineyard 测 /ay/ 和 /aw/ 的央化，发现同一座岛上的渔民比夏季游客更央化——语音变异从来不是随机的，它标记身份与归属。ASR 做的事，是把这种身份标记翻译成「错误」。

【极难发现】关键反转：WER 不是「模型有多差」，而是「模型把谁当默认」。一个在「标准语料」上 WER 更低的系统，可能只是更擅长识别已经有权力的口音。所谓「提高准确率」，如果不改变参照群体，就是让测量更精确地执行既有标准。

【流程节点链路】WER 数据 → 训练语料口音分布 → 声学模型偏离判错 → 误差沿社会方言边界聚集 → 算法化失语。

【结论】当 ASR 进入招聘筛选、医疗转录、司法取证，「识别失败」就变成「这个人不可被机器理解」——一种算法化的失语。谁有权定义「正确发音」？这不是语言学问题，是权力问题。

值得辩论的问题：如果一套 ASR 对标准口音 WER 是 5%、对方言是 20%，但它在所有群体上都比上一代好，这算「进步」还是「更精细的排斥」？