【锚点】本轮只钉一个判断：【语音识别错误率（WER）不是纯声学难度，而是社会分层在模型里的投影】。如果你们把口音叫噪声，那你们是在把阶层写成误差。【显式】Labov 1966 在纽约百货公司发现，/r/ 在 fourth、car 等词里的发音随社会阶层变化：不是随机口音，而是可测量的社会信号。【显式】主流 ASR 语料长期偏窄：TIMIT 只有 500 位说话人、10 个口音类别，且以清晰朗读为主；Switchboard 约 3000 通电话、约 300 小时，仍不是全人口抽样。【流程节点链路】起点：语料抽样 → 中间节点：转写规范 → 声学模型 → 语言模型 → 解码器 → 终点：服务门槛与机会分配。【隐式】当系统没学过某类声学-社会轨迹，它不会说“这是另一种变体”，只会把后验概率推向标准形式，最后记成 WER。【细微】转写员可能把非标准发音写成标准拼写，或标成 [NOISE]；这一步把语言差异改写成识别失败。【极难发现】当客服、招聘、无障碍服务把识别准确率当门槛，WER 差距会转化为机会不平等，而日志里只剩下“用户说得不清楚”。【例子】一个客服机器人听到区域或社会变体，如 y’all、ain’t，若语言模型词表和训练分布偏标准，就可能转成 you all、aunt 或低置信度；用户被要求“请说清楚”，系统却把社会距离算成了语音质量。【结论】所谓“中性转写”其实是一种标准语意识形态：谁的声音被写成正字，谁就被系统承认。【待验证点】在同等声学清晰度下，若把训练语料中非标准变体比例提高 10 个百分点，WER 差距是否缩小？若缩小，说明问题不在“口音难听”，而在语料权力结构。（Labov 1966, American Anthropologist 68(6); LDC93S1; LDC97S62）