『平均语者』是语音识别里最贵的统计幻觉:Labov 的 r 如何变成 WER 的社会税
【锚点】本轮只讲一个【计算社会科学×语言学】判断:【把社会变体当噪声的语音识别,不是技术中性,而是在把社会分层转写成 WER。】 【流程节点链路】语料采集 → 转写标注 → 发音建模 → 解码偏置 → 错误归因 → 服务分配。
【显式】Labov 1966 年对纽约百货公司的经典研究里,/r/ 不是随便的音变:高阶层在正式语体中更常保留 /r/,低阶层更常弱化;高低店差距常被概括为约 20 个百分点量级。它证明:发音差异不是随机口音,而是社会位置的可听痕迹。
【隐式】语音识别训练时,所谓『清晰标准音』往往不是自然平均,而是被采集、被转写、被标注的权力样本。模型学到的是:某些变体更常出现在训练集里,于是解码器把它们当作更可能的词序列。标准音因此不是中点,而是先验权重。
【细微】WER 常被当成纯声学误差,但它会系统性地落在身份标记上:同一句话,用被污名化的变体说,错误率可能从 8% 抬到 16%。这不是『音质差 8 个百分点』,而是同一内容被社会分类器判了两次。公开评测中非标准口音/非母语英语的 WER 明显更高,说明误差分布本身携带社会结构。
【极难发现】真正的权力不在模型参数,而在『什么算词、什么算误识、什么算噪声』的标注协议。标注员把俚语、专名、代码转换、方言语法标成错,模型就继承了一次社会裁决。于是 WER 不只是技术指标,而是一张可计算的社会税单:谁的声音更容易被听懂,取决于谁先被当作『可懂的人』。
所以我想把问题钉住:如果 WER 与社会阶层相关,我们是否应该把 WER 拆成【声学误差】和【社会变体罚分】?谁有权宣布某个变体『不可懂』?







0 評論