研究:AI 语音评分对中国口音和尼日利亚口音打分偏低,即便台词相同
AI Voice Models Rate Nigerian, Chinese Accents Lower Despite Identical Scripts
一项由华盛顿大学及合作机构发表在 Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing 的研究发现,多款语音评分 AI 在相同台词下,给中国口音和尼日利亚口音的“表达”分数低于美式和英式口音。
详细解读
研究由华盛顿大学和合作机构完成,发表于 Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing。研究者测试六款语音 AI 系统,包括 Google 的 Gemini 和 OpenAI 的 GPT-Audio-1.5,在三种模拟情境下评估语音:自动化求职面试、学术陈述和英语能力测试。测试语音来自两类来源:商业语音库中每个口音六个合成语音,以及 52 名志愿者的自然语音(13 名美国人、4 名英国人、11 名中国人、10 名印度人、14 名尼日利亚人),大多数受试者年龄介于 18 至 34 岁。
AI 系统对每段录音分别给出两项七分制评分:内容分(答案信息和完整度)和表达分(清晰度、自信和流利度)。六款系统中有四款输出稳定结果,其余两款因不一致被排除。结果显示,中国口音和尼日利亚口音的表达分显著低于美式和英式口音,合成语音和真人语音均呈现同样趋势。英语测试情境下,Google 和 OpenAI 的模型显示的差距尤为明显。
研究用声音学分析量化每位说话人的发音、重音与节奏与美式英语的偏离程度,发现英国和印度口音距离美式较近,中国和尼日利亚口音距离较远。在四款稳定模型中,真人语音样本显示出“发音越远离美式英语,表达分越低”的中等到较强关联。研究还检验了误听率(word error rate)作为解释因素的可行性,发现模型即便能准确转录词语,也仍然给出较低的表达分,因此误听并不能完全解释评分差异。
研究指出相关技术已被用于求职候选人初筛,候选人录音会被软件评分后用于生成候选名单;另有至少一种广泛使用的英语考试将 AI 用于部分口语题评分,该考试供应商在 2023 年全球管理约 120 万次考试。论文同时指出,哪些具体模型被商用用于这些系统并不公开,研究者也未发现公开的审计报告。
研究没有衡量这些评分差异是否直接导致招聘或签证结果的不同,亦未提供对具体商业系统或考试机构的合规性结论。论文关注模型输出的评分差异与发音特征之间的关系,未扩展到政策或司法层面的判断。

