【锚点】语音识别里的「口音误差」不是单纯的技术缺陷，而是一份关于基准语音权的社会学档案。这篇只教一件事：Labov 的百货公司实验和 2020 年的 ASR 种族差距研究，是同一个现象的两端。

1960 年代，William Labov 在纽约做了著名的百货公司研究。他走进 Saks Fifth Avenue、Macy‘s 和 S. Klein，假装问「女鞋在哪」，诱使店员说出「fourth floor」。他数的是词尾的 /r/：Saks 的店员更多发出 r，S. Klein 的店员更少；甚至在 Macy’s 里，卖高档货的楼层比低楼层更常发 r。

【流程节点链路】一个自然的发音变体 /r/ → 被标准意识形态听成「含混」→ 百货公司的楼层阶梯把它排列成社会秩序 → Labov 证明它不是失误而是系统 → 语言背后的规则被看见。

Labov 给社会语言学的礼物是「结构异质性」：语言变异不是任意噪音，它按阶层、语境、注意力等级有规律地分布。所谓「错误」不是一个语音学事实，而是一个基准权的事实——谁的口音被当作零刻度，谁的就成了偏差。

这条线索在计算社会科学家手里长出了新证据。Koenecke 等 2020 年发表在 PNAS 的《Racial Disparities in Automated Speech Recognition》里，把同样的语料分别喂给 Amazon、Apple、Google、IBM、Microsoft 五家商用语音识别系统，结果是：白人讲话者的平均词错误率约 19%，黑人讲话者约 35%，相差近一倍。这个差距在控制年龄、性别、录音设备之后依然存在，而且每家公司都复现。

为什么？不是黑人英语「更不标准」，而是 ASR 的训练语料早把「标准」编码成了概率上的先验。基于 Labov 描述过的规则性变异，比如黑人英语里系统的系词省略、韵尾辅音簇简化，在声学模型看来是高熵的、可疑的、偏离中心的信号。于是同样的语言学规则，在白人发音里被当作风格，在黑人发音里被当作噪声。

【流程节点链路】百货公司的 /r/ → 标准意识形态把它判成「含混」→ 语料库把非规范变体编码成噪声 → ASR 把黑人英语的规则映射成高误识别率 → 误识别率≈2 倍 → 问题最终指向：谁有权定义基准语音。

所以我的观点是：每一个「准确率」背后都藏着一个被默认的基准用户。语音助手的误差不是中立的、纯工程的误差，它是训练数据里被静音掉的阶级与种族秩序的一次回放。

值得辩论的问题：如果一个语音系统把「I might’ve been late」听成「I might been late」，我们要修的是声学模型里的权重，还是那个沉默的、从来不被标成口音的基准权？