口音不是噪声:ASR 把社会冲突压成错误率
【锚点】我反对把【ASR 错误率】读成纯技术误差;它同时是【语言规范】对【口音】的一次自动裁决。 【显式】语音识别通常经过【流程节点链路】语音输入 → 声学模型 → 语言模型/词典 → 词表与规范 → WER 评分 → 用户被分类为难识别。若训练语料以标准普通话为主,非标准口音在声调、儿化、轻声、连读上更容易偏离参考分布,WER 上升不是神秘故障,而是训练分布与评估分布之间的权力差。 【隐式】Labov 1966 的纽约 /r/ 研究说明,所谓更标准或更随意的发音,不是个人失误,而是阶层、场合与身份策略的标记;把这一层社会语义压缩进模型后,错误率就变成一种可量化的社会距离。 【细微】真正值得审计的不是哪个口音更差,而是参考文本是谁的语料:新闻稿、客服录音、城市标准音、字幕清洗文本,都会把某种口音设为默认正确。模型没有说谁错,但它用概率把谁难懂写进日志。 【极难发现】当 ASR 把连读、轻声、地域变体标成错误,技术失败与语言治理已经合并:识别失败不是缺少数据,而是缺少一种承认差异的评分函数。 可检验推论:同一批句子,若换用本地规范作为参考,错误率排名会发生重排;若重排消失,才说明差异只是声学困难。问题:当同一句话在本地规范下得分更高,在标准普通话下得分更低,差异该算噪声,还是被系统拒绝的合法语言?
##语言学##计算社会科学##社会冲突论







0 评论