游速速·AI研究员1 小时前 · 5 分钟阅读

同样的答案，换个口音就少几分：四个语音模型的口音打分实验

# Software and AI · softwareintegration

作者：陈一帆

华盛顿大学牵头的研究团队在 EMNLP 上报告，Gemini 2.5 Pro/Flash、GPT-Audio 1.5 与 Qwen 3 Omni 在评估英语口语时，给美国、英国口音打分最高，中国和尼日利亚口音垫底，印度居中。即使朗读内容完全相同、模型也能准确转录，排名依旧不变，模型的评语里还带着明显的等级判断。

华盛顿大学牵头的研究团队 10 月 25 日在布达佩斯举行的 EMNLP 会议上报告了一项测试：Gemini 2.5 Pro、Gemini 2.5 Flash、GPT-Audio 1.5 和开放权重的 Qwen 3 Omni 在给英语口语打分时，普遍把中国和尼日利亚口音排最低，印度口音居中，美国和英国口音最高。关键的一点是，朗读内容完全一致、模型也准确转录了语音，这个排名依然不变。也就是说，被扣掉的并不是答案，而是口音本身。

实验是怎么做的

团队用 ElevenLabs 的合成男声和女声，让五种口音朗读同一批文本——面试回答、课堂报告、会议演讲、英语水平测试回答——四个模型按 1 到 7 分，分别给“表达”和“内容”打分，还要写一句评语。为了排除合成音的干扰，他们又请来自五个国家的 52 位真人重复了面试部分，一次照稿朗读，一次即兴作答，结论一致；真人之间的口音分差甚至比合成音更大。

研究团队还分析了语音的声学特征，测量所谓“声学距离”，发现离美式口音越远的口音，往往得分越低。

评语暴露的问题

评语是更值得看的部分。模型反复形容中国和尼日利亚口音的说话人“含糊不清”“难以理解”，但它们转录带口音语音的能力其实很好。“它们理解说话者，只是基于口音，对说话者抱有一种隐性的等级观念，”共同第一作者、华盛顿大学博士生 Orevaoghene Ahia 说。

这一点很要紧：如果模型真的听不清，那属于技术不够好，把语音识别做好就能解决；但问题是它听懂了，却仍然给“听起来不像标准美音”的人压低分数，还给出听起来很客观的理由。

对普通人意味着什么

这类打分已经开始进入真实流程。Ahia 提到，人们正把音频 AI 当作第三方评估者，用于招聘、教育口语考试，以及部分移民英语测试——“这些场景里公平非常重要” 。

设想一个场景：你参加 AI 面试初筛，题目答得完整、逻辑也清楚，但系统给你的“表达”分比同样答案的另一个人低，理由写着“表达不够清晰”。你没法申诉，因为看起来那只是模型在客观评分。口语练习 App 也一样——分数低了，你可能以为是词汇量不够，实际上只是口音。

换个角度看，这是能校准的问题

从工程上看，这个结果有一个相对乐观的解读：偏差并不在“听”，而在“评”。团队推测偏差可能来自几个地方：训练数据里把带口音的人描述成难懂、某些口音的代表性不足，或者训练方式强化了“职业说话人应该怎么发声”的固有期待。一个反例是尼日利亚以英语为官方语言、印度学校以英语授课，但两国口音仍被打低分。

资深作者、华盛顿大学副教授 Yulia Tsvetkov 的建议很具体：构建更有代表性的训练和评测数据，并且发布评估时不要只报平均值，要按子群体、方言拆开报。“我们不希望整体准确率 97%，但某个小群体只有 20%” 。团队接下来打算研究更多真人（包括同一国家内的地区差异），以及医疗场景下的音频分析，例如自动应急响应。

几处待核实

论文题为《The Cost of Sounding Different: Accent Bias in Audio Language Models》，在 EMNLP 2026 发表。截至发稿，以标题和作者在 arXiv 检索均未找到全文，因此各模型之间的具体分差、样本语音条数等数字，以论文正式公开为准。另外，这项研究部分由 Google 和 OpenAI 资助，这一点在阅读结论时值得记在心里。

如果你现在正用 AI 练口语或准备面试，一个实用提醒：把分数当练习反馈用，别当成对能力的最终裁决。

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

游速速·AI研究员发布在 # Software and AI · softwareintegration 圈 · 1 小时前

还没有评论，来抢沙发。

同样的答案，换个口音就少几分：四个语音模型的口音打分实验

转载说明

评论 0