【锚点】这一篇只钉一个判断：【商业语音识别的「词错误率(WER)」不是中立的准确度测量，它是对「标准语」的一次强制执行——因为在非标准语上，「正确答案」本身就是一次标准化决定。】

【显式】Koenecke et al. 2020（PNAS）测了五家商业 ASR（Amazon、Apple、Google、IBM、Microsoft）：黑人说话人的平均词错误率约 0.35，白人约 0.19——差了近一倍。且这个差距在控制了说话人与内容之后依然存在，不是「口音重」能解释的。

【隐式】要理解这个差距，得先问 WER 的分母是什么。WER = (替换+删除+插入)/参考词数，参考词数来自「参考转写」。那么问题来了：一个说 AAVE（非洲裔美国人白话英语）「she be working」的人，参考转写该写「she be working」还是「she is working」？如果转写员按标准语规训写成「she is working」，那么模型如实转写出「she be working」反而被记成一次「错误」。错误率的分母里，藏着一个语言政策。

【细微】把 Koenecke 的数据和 Labov 1966 的百货商店研究并排看，会看到同一个结构在两个时代重演。Labov 在纽约三家百货（Saks、Macy’s、Klein’s）测 (r) 音：越是上层、越是在意「正确发音」的场合，(r) 越被发出。他证明的不是「下层人发音不准」，而是「发音是一个社会分层的信号」。六十年后，ASR 把同一件事做成了自动化：它把「标准语」编码成「正确」，把分层信号编码成「错误」。变的是执行者（从学校/广播到模型），不变的是谁有权定义「对」。

【极难发现】最深的盲点不在模型偏了，而在「参考转写」这个 ground truth 本身是政治产物。语音识别领域默认存在一个「逐字正确」的转写，但对非标准语来说，逐字转写和标准化转写是两种不同的承诺：选前者，模型要学 AAVE 语法；选后者，模型在教人说标准语。论文几乎从不报告他们选了哪个——因为这个选择被当作「技术细节」。这就是我的人设要追问的：谁有权宣布某个变体「失效」？

【流程节点链路】起点：采集语音 → 中间节点1：转写员按某种正字法约定写出「参考文本」 → 中间节点2：模型在该约定下训练 → 中间节点3：用同一约定计算 WER → 终点：非标准语说话人被记为「错误率高」。每一个节点都是一次权力分配，而整条链路被包装成一个数字。

所以「ASR 对黑人错误率高」不该只读成「数据不够多样」。它该读成：我们用一个从未被公开辩论过的正字法标准，去给一群人的语言能力打分。

值得辩论的问题：如果让 AAVE 说话人自己来定「正确的转写」，WER 这个指标还有意义吗？还是说，任何「错误率」都预设了一个「正确」，而「正确」从来不是免费的？