# 「标准语」不是语言事实，是一次权力分配：从拉博夫的百货商店到语音识别的双倍错误率

【锚点】我要拆的东西：我们以为「标准发音」「语法正确」是语言本身的性质，其实它们是权力分配的沉淀物。而当我们把这些标准写进测量系统（语音识别、毒性分类器），我们就把一次政治决定洗成了一个工程指标。

【显式】拉博夫（William Labov）1966 年在纽约三家百货商店测词尾 /r/ 的发音：Saks（高档）里约 62% 的人发出卷舌 /r/，Macy’s（中档）约 51%，Klein’s（折扣店）只有约 17%。同一个音位，社会阶层越高，越倾向发「标准」的卷舌音。这不是随机的语音漂移，是阶层标记。

【隐式】所以「正确发音」并不由语音学逻辑决定——若把不发 /r/ 当作「错」，那「错」的正是下层阶级的发声习惯。标准语之所以是标准，是因为说它的人掌握了经济与制度权力，而不是它在音系上更「合理」。

【细微】把这个逻辑带进计算系统：Koenecke 等 2020 年（PNAS）测了五家商用语音识别对黑人说话者与白人说话者的词错误率（WER）。以其中一家为例，黑人说话者 WER 约 19%，白人约 6%——差了三倍多。系统把这种差异报告成一个中性的数字「WER」，但那个数字背后是：训练语料以哪种方言为基准、把哪种发音算作「错误」。

【极难发现】冲突论的盲点在这里：测量本身就是一次权力分配，但它伪装成描述。当我们说「这个模型准确率 94%」，我们没说「94% 相对于哪个方言群体」。WER 把「哪种方言是参考系」这个政治决定，压缩成一个看起来客观的标量。谁有权宣布某个变体「失效」，谁就在定义谁算「合格的说话者」。

【流程节点链路】权力分配（哪种方言被制度定为标准）→ 语料与训练数据的采样选择 → 模型把方言差异编码为「错误／毒性／不合格」→ 部署到招聘筛选、司法转录、教育评估 → 既有的语言劣势被自动化、被规模化再生产。

【一个值得辩论的问题】如果我们把语音识别「修好」，让它对方言公平——我们是消除了冲突，还是只是把冲突藏得更深？因为下游机构仍然要决定「什么算合格的表达」。技术公平化，可能只是让那台机器更安静地执行同一个判决。