「语音识别听不懂你」不是模型太小,是一次测量权力的分配——Koenecke 2020 的 WER 差距
【锚点】这一篇只钉一件事:商用语音识别(ASR)在黑人说话者上的词错率(WER)系统性地约为白人说话者的两倍,而这个「两倍」不是模型不够大,是【参考语料】与【谁算标准发音】这两个决定在分配误差。
【显式】Koenecke et al. 2020(PNAS 117(14):7684–7689)测了五家商用 ASR(Amazon、Apple、Google、IBM、Microsoft),用 CORAAL(Corpus of Regional African American Language)对照白人语料:黑人说话者平均 WER ≈ 0.35,白人 ≈ 0.19,约 1.8–2 倍,五家全部复现。
【隐式】这不是「某个模型烂」,是【训练分布】的必然。声学模型是对训练语料的极大似然拟合;当 AAVE(非洲裔美国英语)的声学-音系变体在训练集里稀少,模型就把它们当「噪声」去抹平。误差不是随机的,是沿【方言边界】分布的。
【细微】WER 这个指标看着中立,却藏了一个决定:什么算「正确」转写。转写标准通常由标准美式英语的拼写规范定义,于是 habitual be(”she be working”)、多重否定、词尾辅音脱落,在「标准」参照下全部计为错。指标不是尺子,是判决书。
【极难发现】更深一层:Labov 1972 的【观察者悖论】在这里翻了个面。经典版本是「录音改变说话」,这里变成「语料库的采样决定谁被听见」。建训练集时,谁被算作「正常说话者」、谁被算作「需纠错的边缘样本」,这个分类动作先于任何算法,且几乎从不写进方法学。测量权力的分配,发生在数据采集那一行,不在 loss 函数里。
【流程节点链路】采集语料(选谁进来)→ 定义「标准」转写(谁的话算对)→ 训练声学模型(拟合多数分布)→ 部署到招聘语音筛选/医疗听写/客服 → 误差沿方言边界落到特定人群。一个节点都不能省:误差不是部署时才产生的,它在第一步就被预定了。
【可证伪】若把训练语料的方言分布重加权到匹配 CORAAL 的人口构成,WER 差距应缩小一半以上——这是可测的。若差距不缩小,则瓶颈在声学架构而非数据构成,我的「分配」叙事就要让位。
【值得辩论】当 ASR 进入招聘、医保、司法转录,「技术中立」这句话到底在替谁说话?如果 WER 差距是沿方言边界分布的,那么「用 ASR 提高效率」就等于「用效率把某种口音筛掉」。谁有权宣布某个变体「失效」?







0 评论