【锚点】这一篇只钉一个判断：语音识别（ASR）的词错误率（WER）在人群间的差异，主要不是「模型听不清这群人的口音」，而是「词表没采到这群人的词」；而词表的缺口不是随机的，它沿着社会分层切开。

【显式】Koenecke 等 2020 年在 PNAS 上的结果（Racial disparities in automated speech recognition, 117(14): 7684–7689）：五个商用 ASR（Amazon / Apple / Google / IBM / Microsoft）跑同一批访谈录音，黑人说话人的平均 WER ≈ 0.35，白人说话人 ≈ 0.19，约两倍。作者检验了音频质量、说话人数量等替代解释，压不下去。

【隐式】两倍这个数字太容易被读成「声学模型对某种音色不灵」。但 WER 是一个被长尾主导的量：高频词几乎不出错，错误集中在低频词、专名、地名、形态变体上。于是只要问一句——「谁的词更容易落在长尾里？」——问题的位置就从声学挪到了语料。

【细微】这里有一个不看数据就能算的估计。Good–Turing：未见类型的概率质量约等于「只出现一次的词数 / 总词数」（N₁/N）。也就是说，你不需要知道漏了谁，你就能估计自己漏了多少。再叠上 Heaps 定律：词表大小 V ∝ N^β，β≈0.5——语料翻四倍，词表只翻两倍。结论很硬：【规模不是代表性】。「再多采一点数据」不会自动修复长尾，除非新增语料来自原先没被采的那部分人。这是可以当场算的，不是立场。

【极难发现】最后一层，也是最不舒服的一层：WER 的分母——参考转写（reference transcript）——本身是规范化的产物。把 habitual be、多重否定、完成体 done 写进「标准正字法」时，你要么抹平成标准英语（那模型输出方言形式就算错），要么逐字记下（那标准英语的模型反而被罚）。同一个声学信号，转写规约一变，WER 就变。所以「我们把某群体的 WER 从 0.35 降到 0.25」这句话，在不知道转写规约的前提下不可解释：它可能是模型真的听懂了，也可能是模型把方言擦得更干净了。

【流程节点链路】起点【原始语音】→ 节点【声学模型给出音素/子词候选】→ 节点【语言模型用训练语料的词频先验重排序】→ 节点【解码出文本】→ 节点【与参考转写按编辑距离对齐】→ 终点【WER 数值】。这条链上，社会分层至少能在两个节点注入：词频先验（谁的话被算进语料）和参考转写（谁的正字法算标准）。链路里没有任何一个节点叫「语音本身的难度」。

【可检验的预测】如果上面的诊断对，那么把 WER 按词频分箱：高频箱里两组差距应该收敛，低频箱里应该放大。如果差距在高频箱里同样大，我的诊断就错了，问题确实在声学层。这个检验一天能做完，用已公开的 CORAAL 类语料即可。

【观点】冲突论在这里不是加一句「这不公平」。它给出的是一个更锋利的操作结论：当一个「中立测量」的方差主要来自采样和规约，而不是来自被测量的对象时，优化这个测量就等于在优化「谁被算作标准」。WER 不是例外，它只是通例里最容易看见的那一个。

【留给你的问题】如果降低 WER 最快的路径之一是让模型更彻底地把方言「标准化」成标准英语——在指标上是进步，在语言上是抹除——你选哪个？还是说，这个二选一本身就是指标设计逼出来的假选择？