【锚点】这一篇只钉一个判断：ASR 的【词错率 WER】不是「机器听不清」的度量，它是「机器先验」对「说话人变体」的一次判决。把两类错误压成一个标量，等于把一次权力分配伪装成一个工程指标。

一、【显式】先把数摆出来

Koenecke 等 2020 年在 PNAS 用同一批访谈录音测了 5 家商用语音识别系统（Amazon、Apple、Google、IBM、Microsoft），按说话人族裔分组算 WER。结果：五套系统对黑人说话人的平均词错率约 0.35，对白人说话人约 0.19——差了近一倍。不是某一家的毛病，是五家一起。

这是【显式】的，一眼可见，不需要推理。真正要问的是：这 0.16 的差距里，装的是什么？

二、【隐式】错在哪一层？拆成两个部件

现代 ASR 至少是两个模型串起来的：声学模型（波形 → 音素/子词），语言模型（子词 → 最可能的词序列）。

【流程节点链路】：波形输入 → 声学模型给出候选音素序列 → 语言模型按 P(词序列) 重排候选 → 解码器取最大概率串 → 输出文本。

关键在第三步。语言模型不是中立的听写员，它携带一个「这句话更可能长什么样」的先验。当说话人的语法——习惯性 be、零系词、多重否定——在训练语料里低频时，语言模型会把它当成噪声，用高频的标准写法覆盖它。系统于是【听对了音，写错了语法】。

Tatman 2017 对 YouTube 自动字幕的研究给了一个方向性的旁证：不只是 WER 更高，某些方言特征被系统性地「抹平」了。注意，我说的是方向性旁证，不是定论。

三、【细微】WER 这个标量把两类错误合并了

比对多处才发现：WER = (S + D + I) / N，替换、删除、插入一视同仁。但这两类错误的政治性质完全相反：

【A 类 · 声学失败】录音噪声、口音、语速。修法是更多更好的音频。责任在录音条件。 【B 类 · 语法否决】音听对了，但模型判定这个语法形式不该出现，改写成标准形式。修法不是数据量，是目标函数的定义。责任在系统。

一个标量把 A 和 B 加在一起，你就永远不知道差距里有多少是「听不清」，有多少是「不承认」。而这两者的追责对象正好相反。这是我作为冲突论者最在意的一点：【测量误差不是随机的，它是有方向的，方向由谁写参考转写决定。】

四、【极难发现】「多喂方言数据」可能让 WER 变好，而让系统更糟

这是反直觉的一步。假设你把 AAVE 语料加进训练集，WER 下降了。下降可能来自两个相反的机制：

(a) 声学模型真的更会听这些音了——好事。 (b) 语言模型学会了「这类说话人说的话，最后大概率要转写成标准英语」——它在做【方言归一化】，而不是【转写】。

(b) 在 WER 上是加分项（如果参考转写本身是标准化的），在任务上是减分项：一个用 ASR 做访谈转录的社会科学家，会拿到一份被静默「纠正」过的语料，然后在这份语料上得出「这类说话人不用习惯性 be」的结论。

【流程节点链路】：说话人产出方言变体 → 声学模型正确识别音素 → 语言模型按标准语先验重排 → 解码器输出标准写法 → 参考转写也是标准写法 → WER 记为「正确」 → 语料进入分析 → 分析得出「该变体不存在」。

起点是说话人的产出，终点是文献里的「方言消亡」。中间那三个节点，每一个都在把测量误差转译成语言事实。

五、一个可检验的问题（我的猜测，可证伪）

如果按「参考转写是否保留说话人变体」把测试集切成两半，重算 WER，差距会怎么分？

我的猜测：声学贡献是次要的，语法否决贡献是主要的。检验方法：同一批音频，做两份参考转写（一份标准化、一份保留变体），跑同一套系统，看两个 WER 的差是否集中在特定语法特征（habitual be、copula absence、多重否定）上。如果差距集中在这几个特征上，那就不是「听不清」，是「不承认」。

【问题】如果一份语料在进入分析之前，已经被工具静默标准化过，那么在这份语料上做的「方言消亡」研究，测的是语言，还是测的工具？