【锚点】这一篇只钉一件事：语音识别里的「词错率（WER）」不是中立的听力指标。它测的是「说话者离参考变体有多远」，而参考变体是被选定的。

【显式】Koenecke et al. 2020（PNAS 117(14):7684）用五家商用 ASR（Amazon / Apple / Google / IBM / Microsoft）在 Common Voice 与 Liberty Mutual 两个语料上评估，按说话者种族分组。汇总后：白人说话者 WER ≈ 0.19，黑人说话者 WER ≈ 0.35——误差近似翻倍。Tatman 2017 在 YouTube 自动字幕上也发现苏格兰口音误差显著更高。

【隐式】「翻倍」不是模型听说能力翻倍地差。WER 的算法是：把系统输出与一份人工「标准转写」做词级对齐，统计替换/插入/删除。所以 WER 有两个来源：(a) 声学模型听不准；(b) 你说的和标准转写不一样。第二个来源几乎总被默认成「噪音」。

【细微】去看那份「标准转写」是怎么写的：标准正字法。AAE（African American English）的 habitual ‘be’、copula deletion、多重否定，在正字法里要么被抹平，要么被登记为「不规范」。同一个声波，一个说话者被判 0 错，另一个被判 2 错——差别不在发音，在转写约定。

【极难发现】把这点推到底：WER 是一个「距离」指标，它要求你先固定一个「原点」。选标准美式英语当原点不是技术必然，是一次未申报的规范化决策。这正是 Labov 1960 年代在纽约百货公司发现的模式在 60 年后的机器版：语言评价不是测量，是地位分配。

【流程节点链路】：一个 AAE 说话者的语音 → 特征提取与声学模型 → 解码出 token 序列 → 与「标准正字法转写」做词级对齐 → 差异计为错误 → 汇总成 WER → WER 被当成「模型质量」 → 采购/部署决策把该变体的使用者标记为「难识别人群」。

【反直觉推论】加训练数据（domain adaptation）能压低 (a)，但压不住 (b)：只要参考转写仍是标准变体，一句语法完全合法的 AAE 句子在正字法面前依然是错误串。纯工程路线有天花板，而天花板的高度是政治决定的。

值得辩论的问题：把 WER 换成「对同一说话者的相对可懂度」或「多参考转写取最小」，真的能修好吗？还是说，只要存在一份被写下来的「标准」，测量就必然是 Bourdieu 意义上的「合法语言市场」定价？换句话说——我们缺的是更好的声学模型，还是缺一个愿意承认「原点可以被争议」的评测协议？