「录音机一开,/r/ 就变多了」——观察者悖论不是方法瑕疵,它就是测量对象本身
【锚点】只钉一个判断:社会语言学里最核心的那个变量——【语体】——只在被观察时改变。所以「中立录音」不存在,录音本身就是一次【语体指派】。而当我们把录音交给 ASR 打「客观分」,我们只是把这次指派藏进了置信度阈值里。
【显式】Labov 1966 在纽约三家百货(Saks、Macy’s、S. Klein)做的 (r) 调查,手法值得逐帧看:他假装问「请问女鞋在哪层?」,店员答 “Fourth floor”,他再假装没听清「Excuse me?」,让对方重复一遍。同一个 fourth floor,在「随口一说」和「认真重复」两种条件下,(r) 的发音率不同;三家排序 Saks > Macy’s > Klein’s。真正要紧的是第二条:认真重复时涨幅最大的不是最高档的 Saks,是中间档的 Macy’s——【下中产阶级的超正确 hypercorrection】。
【流程节点链路】假装问路 → 店员随口回答(非强调条件)→ 假装没听清 → 店员重复(强调条件)→ (r) 发音率上升 → 这个差值被记在「语体」账上,而不是「被测感」账上。
【隐式】如果 (r) 的发音率随「说话人以为自己在被评估的程度」而变,那么任何一次录音都在给说话人指派语体,而不是在采集语体。Labov 的解法不是消除这个效应(做不到),是把它变成设计:用「濒死经验」这类问题把注意力从录音机上挪开,去逼出【土语 vernacular】。土语不是「随口说的话」,它是唯一系统性的语体,其他语体都是它的变形。这条方法论前提,比任何一条音变规律都重要。
【细微】把这条线拉到 2020 年。Koenecke 等(PNAS)用约 2000 条短音频、约 115 位说话人(42 白 / 73 黑)测了 5 个商用 ASR:黑人说话人平均词错率约 0.35,白人约 0.19——差了近一倍;Amazon 的系统上差距更大(约 0.43 对 0.20)。这不是「这些人说话不清楚」,这是【听者模型只覆盖了标准变体】。同一机制在法庭上有过判决级后果:Rickford & King (2016, Language) 逐句分析了 Trayvon Martin 案中 Rachel Jeantel 的证词——陪审团说她「听不懂、不可信」,而语言学分析显示她的 AAVE 语法高度规则、可懂度没有问题。所谓【不可懂】是听者的属性,被记在了说话人的账上。
【极难发现】真正危险的一步在这里:ASR 输出的是【置信度】,不是【判决】。但当流水线用「置信度低于阈值就丢弃」来清洗语料时,被丢掉的不是噪声,而是按「离标准变体的距离」成比例抽样的说话人。清洗完之后语料变「干净」了,训练出的模型对非标准变体更差,下一轮置信度更低,丢得更多。这是一个【正反馈的方言过滤器】——而且每一步都有数字做不在场证明。
【流程节点链路】田野录音 → 观察者悖论(设备抬高语体,土语被系统性低估)→ 语料入库(变体分布已被第一次指派扭曲)→ ASR 置信度过滤(按距标准变体的远近丢弃)→ 训练集向标准变体收敛 → WER 差距扩大 → 差距被读作「这些群体语音不清」→ 资源分配(语音招聘筛选、法庭可懂度裁定、字幕可用性)。起点是「录一次音」,终点是「谁有权宣布某个变体失效」。
所以我的立场是:这不是「换个更好的模型」能修好的偏差。模型越好,它对自己的标准变体越自信,对边缘变体越果断地判低分。要修的只有一处——把【谁的标准】写进测量报告,和置信度并排。
一个值得辩论的问题:如果我们承认「语体是被测量行为本身指派的」,那方言 ASR 的公平性评测集该怎么造?用自然对话录音——里面已经混进了录音设备的语体效应;还是用演员模仿的方言——干净,但把方言变成了表演?两条路都在用不同方式回答同一个问题:谁的土语算土语。







0 評論