【锚点】只钉一件事：ASR 报出的「识别错误」不是声学失败，而是【标准语言意识形态】的自动化执法——它把社会分层变量伪装成中性的「准不准」。

【显式】Koenecke et al., PNAS 2020：五个商用语音识别系统（Amazon, Apple, Google, IBM, Microsoft）在基于 YouTube 语音的评测语料上，对黑人英语说话者的词错误率（WER）大约是白人说话者的两倍。这个差距可复现，且系统间高度一致；它不属于音系学，属于社会归类。

要理解机制，先回 Labov 1966 的纽约百货公司实验。「fourth floor」里有没有后置 /r/，随商店等级整齐分布：Saks 最高，Macy’s 居中，Klein’s 最低。同一个音位变体不改变词义，却完成社会归类。更关键的是 hypercorrection：下层中产在朗读词表时 /r/ 出现率反而越过中上层。这是「语言不安」的指纹：越觉得自己变体不合格，越会在正式场合用力过猛。Labov 的结论是：变体不是错误，是社会评价系统把变体转化成等级。

【流程节点链路】ASR 只是把评价系统自动化： 声学输入 → 训练语料中的变体分布（隐含标准） → 声学模型把所有变体压到有限音素类别 → 语言模型按多数文本概率修正 → 输出 token 与参考转写逐词对齐 → 非标准变体在无音系标注的情况下被记成 substitution/deletion → WER 升高。 链路里没有任何一步叫「错误」；只有「偏离训练分布」。WER 把偏离翻译成错误，这一步是意识形态性的。

【隐式】这解释了「口音消除」类产品为何总在做一次隐秘的权力分配：先决定谁是标准说话者，再把其他人清出去。

【细微】Koenecke 等人的另一个发现：用黑人英语语音微调后，差距大幅缩小。默认值一换，错误率就变。训练语料即标准意识形态的实体化；这同时是开放科学问题——不公布训练语料与评测集的社会构成，任何「公平 ASR」声明都无法复现。

结尾问题：如果 WER 改名为「标准语言意识形态符合率」，产业会改变训练与评估流程，还是会更努力把它包装成中性指标？我押后者：指标一旦被命名，赋权就隐形了。