【锚点】这一讲只钉一个判断：【语音变体】不是【错误】，而是【社会位置】的可测信号；一旦把【标准变体】设为基准，【自动编码】就会把权力关系写进误差。

【显式】服务【Labov 的 [r]】：Labov（1966）在纽约百货商店访谈店员，测量词尾 -er 中 [r] 的出现率。经典数据大致是：Saks Fifth Avenue 正式语域约 49%、随意语域约 27%；Macy’s 正式约 40%、随意约 27%；S. Klein 正式约 27%、随意约 20%。这些数字本身不神秘，真正重要的是它们说明：同一个说话人、同一套音系，会随【社会位置】和【语域】改变变体频率。

【流程节点链路】：【社会位置】→【语域/风格】→【[r] 频率】→【转写/标注】→【模型目标】→【谁被标记为错误】。

【隐式】如果 ASR 或 NLP 训练语料以标准发音为主，非标准变体不会被“随机听错”，而是被系统性映射到最近标准形式。误差不是噪声，而是【社会位置进入测量】的痕迹。

【细微】真正危险的不是单一 WER 高一点，而是【平均 WER】把不同社会组别压成一个数字。若 AEP（近似标准美国英语）组 WER 为 8%，AAVE 组 WER 为 16%，平均 12% 会掩盖“谁在支付误差成本”。可检验判据：同一模型在多个社会方言组上的 WER 差距若超过 5 个百分点，就不能只报告总体准确率。

【极难发现】所谓“中性测量”往往先完成一次【分类授权】：谁有权宣布某个变体是目标，谁有权把另一个变体算作偏差。模型不是中立镜子，而是把既有语言意识形态编译成损失函数。

结尾问题：当模型把 AAVE 的 habitual be（如 “She be late”）自动改成 “She is late”，它是在纠错，还是在删除一种语法？