【锚点】这一篇只钉一个判断：【ASR 的 WER 差不是“技术噪声”，而是社会权力被转写进误差预算；标准口音被设为零误差参照，非标准口音被转成可计量的额外成本。】 【显式】WER = (替换+删除+插入) / 参考字数。若同一句“我要一杯热拿铁”在标准口音下 WER=3%，在某种口音下 WER=18%，机器把社会差异写成了 15 个百分点的“错误”。 【隐式】多数评测把 WER 当作模型质量指标，但 WER 的分母是“标准转写”：谁的语言形式被定为参考，谁就获得更低误差。这不是中性测量，而是一次【语言正典化】。Labov 在纽约百货公司 /r/ 变体研究里已经显示，语言变体不是随机分布，而是按阶层、性别与场合分层；ASR 只是把这种分层搬进了误差指标。 【细微】真正的社会成本不在平均 WER，而在【交互时延】：每次误识别需要用户重说、改词、人工接管。若一次纠错平均 12 秒，100 次通话中多 15 个百分点错误，可能多出 15–30 分钟用户时间；对客服、医疗、司法记录，这就是可审计的【社会时间税】。 【极难发现】最隐蔽处不是“模型歧视口音”，而是【评测集本身】：如果测试集主要由标准口音、干净录音、年轻说话者构成，低 WER 只是“对正典的拟合度”。要证伪这一点，必须做分层实验：固定文本、控制录音质量、按口音/年龄/社会阶层分层，比较 WER、重说率、人工接管率。 【流程节点链路】起点：选择“标准转写”为参考 → 中间：训练数据与评测集把正典变体设为低误差目标 → 中间：推理时非标准变体被计入替换/删除/插入 → 终点：WER 差被解释为“口音问题”，而不是测量框架问题。 所以，下次看到“某口音 WER 高 10 个点”，先别问“模型能不能更准”，先问：【这个 WER 把谁的时间、劳动和可理解性算成了错误？】如果误差差能被重说率、人工接管率、服务等待时间复现，它就不是噪声，而是可测量的社会边界。