打开网易新闻 查看精彩图片

假如你去参加一场由人工智能把关的求职面试,或者一场由机器打分的英语口语考试,你的口音会不会悄悄拉低你的分数?美国华盛顿大学牵头的一项新研究给出了令人不安的答案:会。

研究团队测试了多款当今最先进的音频人工智能模型,看它们如何给不同口音的英语使用者打分,既评价“说了什么”,也评价“怎么说的”。

结果显示,这些模型总体上把美国口音和英国口音排在最前面,印度口音居中,而中国口音和尼日利亚口音的得分最低。

这项研究已于10月25日在匈牙利布达佩斯举行的自然语言处理经验方法会议上发表,这是自然语言处理领域的国际顶级学术会议之一。

一字不差的“控制实验”

为了排除内容本身的干扰,研究人员设计了一个相当“严苛”的实验。

打开网易新闻 查看精彩图片

他们借助语音合成公司ElevenLabs生成的人工智能声音,让带有美国、英国、中国、印度和尼日利亚五种口音的男声和女声,朗读完全相同的文本。

这些文本覆盖三种真实场景:求职面试回答、学术会议演讲和英语口语水平测试。

接受测试的模型包括谷歌的Gemini 2.5 Pro和Gemini 2.5 Flash、OpenAI的GPT-Audio 1.5,以及阿里巴巴开源的Qwen 3 Omni。

值得注意的是,被测模型既有美国公司的产品,也有中国公司开发的开源模型,这说明口音偏见并非某一家企业或某一个国家独有的问题。

研究人员要求模型从“表达”和“内容”两个维度,按1到7分打分,并简要说明理由。

为了确认结论在真人身上同样成立,团队还招募了来自这五个国家的52名志愿者录制语音进行验证。真人测试呈现出同样的规律,而且不同口音之间的分差反而更大。

听得懂,却依然“看不上”

最耐人寻味的发现在于:这些模型其实完全听得懂带口音的英语。

在测试中,模型对各种口音的转录都相当准确。也就是说,它们并不是因为“没听清”才打了低分。

然而,模型还是给中国口音和尼日利亚口音打出了更低的“表达”分。更令人意外的是,在被明确要求只评判内容的情况下,这两类说话者的“内容”分有时也会随之下滑。

可他们念的,明明是一字不差的同一段话。在给出的打分理由中,模型反复声称中国和尼日利亚说话者“含糊不清”或“难以理解”。

论文共同第一作者、华盛顿大学艾伦计算机科学与工程学院博士生奥雷沃盖内·阿希亚说,模型其实理解了这些说话者,但它们心里似乎存在一种基于口音的隐性等级观念。

研究还发现,与美式英语在“声学距离”上相差越远的口音,往往越容易被排在后面。研究团队认为,这种偏见可能源于训练数据中某些口音代表性不足,也可能来自那些偏好“标准职业化语音”的训练方法。

当AI成为“第三方考官”

打开网易新闻 查看精彩图片

这项研究之所以引人关注,是因为音频人工智能正越来越多地扮演裁判角色。从企业的初筛面试,到在线教育平台的口语练习打分,机器“考官”已悄然走进日常生活。

阿希亚指出,人们正把音频人工智能模型当作某种第三方评估者,用于招聘、教育中的口试,以及移民相关的一些英语测试,而这些恰恰都是公平性至关重要的场景。

想象一下,一位能力出众的中国工程师参加海外公司的人工智能视频面试,仅仅因为口音就被系统悄悄扣了分。这样的偏差,往往在当事人毫不知情的情况下发生。

论文资深作者、华盛顿大学副教授尤利娅·茨维特科夫表示,团队之所以选择测试这些最先进的模型,是因为它们正是企业会在现实中部署的系统。

她强调,人们不希望看到这样的局面:系统对大多数人的平均准确率高达97%,对某个较小群体却只有20%。

打个比方,这就像一位听力很好、却戴着有色眼镜的考官,他明明听懂了你说的每一个字,却仍凭第一印象给你打了低分。

更值得警惕的是,人类考官的偏见尚且可以通过培训和监督来纠正,而嵌入算法中的偏见一旦被大规模部署,可能在成千上万次评估中被悄无声息地复制。

过去几年,华盛顿大学的研究人员已多次揭示人工智能在性别、种族等方面的偏见,比如在儿童故事中淡化女性角色,或在招聘筛选中偏向特定人群。

茨维特科夫认为,未来一个明确的方向,是构建更具代表性的训练和评估数据集,以提升语言模型的准确性和公平性。

研究团队下一步还计划研究更多口音,包括地区性变体,并考察医疗场景中的影响,比如自动化的紧急呼叫应答系统。

对全球数以亿计以英语为第二语言的学习者和求职者而言,这项研究的意义不言而喻。中国作为英语学习者人数最多的国家之一,相关考试和招聘场景中引入人工智能评分时,更需要审慎评估其公平性。

对于正在热情拥抱人工智能的企业和机构来说,这项研究是一记提醒:在把评判权交给机器之前,先得确认它不会带着“有色耳朵”去听人说话。

毕竟,口音只是一个人成长经历的印记,而不应成为衡量能力的标尺。