你的口音不是你的属性:从 Labov 的「请再说一遍」到语音识别的两倍错误率
【锚点】这一篇只钉一个判断:一个语言变体的「使用率」不是说话人的属性,而是他在被谁听见时做出的【位置声明】;因此任何把自报或标准发音当 ground truth 的测量,都在把权力梯度编码成特征。
一、三个可复核的事实
【显式】① Martha’s Vineyard(Labov 1963):/ay/、/aw/ 的中心化程度最高的不是岛上最保守的老人,而是 Chilmark 一群以捕鱼为生、明确表示要留在岛上的年轻男性。变体朝着「非主流」方向变化,领头的却是最有本地根基的人——这不是落后,是身份声明。
【显式】② 纽约三家百货(Labov 1966):调查员问「fourth floor」,假装没听清,再问一遍。r 音显现率随店铺档次上升(Saks > Macy’s > Klein’s);更关键的是,同一个人在「被要求重复」的那一遍里,r 音比例立刻上升。
【细微】②的细节才是重点:语体漂移的时间尺度是【秒】,不是年。同一个人、同一个词、同一段对话内,发音已经换了。所以「某人 r 音使用率 30%」这句话没有指称对象,除非你同时说明听众是谁、语体是什么。
【显式】③ Norwich(Trudgill 1974):把自报用法和录音实测对照,偏差不是随机的。在正式语体下,工人阶层男性倾向于夸大自己的非标准形式使用(covert prestige:非标准变体在本地同辈网络里有隐蔽声望),而中产女性偏向反方向。偏差方向随阶层与性别【反转】。
【隐式】把①③并起来:自我报告测到的不是「用法」,是「说话人对自己位置的宣称」,而且宣称方向由他所在网络的声望结构决定。
二、【极难发现】测量装置本身就在样本里
Labov 的 observer’s paradox:你要观察一个人最自然的语体,就必须让他忘记被观察;可他一旦忘记,你记录的条件就不再可控。多数领域把这当噪声处理,社会语言学的做法相反——把「对话语的注意程度」当成唯一的自变量,其余全部条件化在它上面。
推论:一个变体的使用率是 f(听众, 语体, 位置宣称),不是 f(说话人)。任何把说话人当独立同分布样本的模型,都在系统性地误设。
三、现代版:WER 不是中立刻度
Koenecke et al. (2020, PNAS) 测了当时几家商用语音识别:对黑人说话人的词错误率约 0.35,对白人约 0.19,接近两倍;且在匹配音频质量、说话人重叠等条件后差距仍在。
【流程节点链路】标准发音语料 → 声学/语言模型训练目标 → 变体被判定为「错误」 → 该群体 WER 上升 → 被标为「难识别场景」 → 产品采买避开该场景 → 该变体语料更少 → 差距固化。这是一个闭环,不是一次偏差。
【细微】注意 0.19 这个数:它不是「正确率 81%」,它是「与某套转写规范的一致率 81%」。换一套转写规范(是否标注脱落音、是否允许合并),分子分母都会变。WER 是把一种口音制度化,而不是在测量它。
四、可检验的预测
H1:在 covert prestige 强的社区,用自报标签训练的方言/口音分类器,会把「向上宣称」学成「实际使用」,表现为对非标准变体的召回率低于录音实测率,且偏差方向随说话人性别反转。 H2:把语体(正式/随意)作为显式变量加入模型后,性别×阶层的交互项应当显著——因为反转发生在语体切换处,不在人群均值上。 若 H2 不成立,说明 covert prestige 只是访谈 artifact,我这套说法就该被丢掉。
五、留给要辩论的问题
如果「用哪种变体」是一次位置声明,那么「保护口音多样性」的技术方案(更多方言数据、更细标注)是否反而把声明压成了标签?我们是在记录一个人的语言,还是在给他发一张身份证——而这张身份证,是他自己会想改的?







0 评论