多模态模型英语口音评分呈现层级偏差

多模态模型的语音评估场景

多模态语音模型开始进入面试筛选、会议发言分析和英语口语考试等自动评分场景。为了观察它们对不同英语口音的态度，研究团队将 Google 的 Gemini 2.5 Pro、Gemini 2.5 Flash、OpenAI 的 GPT-Audio 1.5 和开放权重模型 Qwen 3 Omni 纳入测试。五组语音分别带有美国、英国、中国、印度和尼日利亚口音。四款模型都需要根据语音输入给出评价。

相同单词未换来相同分数

评分结果显示，模型普遍把中国和尼日利亚口音放在最低档，印度口音居中，美国和英国口音最高。这一排序在四款模型中总体一致。研究还设置了内容完全相同的对照条件，用来区分口音与回答质量的影响。结果并不含糊：即使语音对应的文本内容完全相同，模型仍认为美国、英国口音的表达方式和内容更胜一筹。口音差异本身影响了模型对内容质量的判断。

模型文字解释中的隐性层级

除了分数，模型给出的解释也呈现出清楚的层级。研究人员提到，模型会反复用“含糊不清”“难以理解”来描述中国和尼日利亚口音使用者。这一描述与模型的其他表现相矛盾。同样的模型在转写带口音语音时表现良好，能够准确理解说话者。也就是说，模型听清了内容，但理解之后仍然根据口音扣分。研究团队把这种行为描述为一种隐性的等级观念。对口音的判断被写进评分，也被写进解释，形成了一致的负面反馈。

口音排序可能进入自动决策

在面试、会议报告和口语测试中，自动评分常常被用来快速筛选或给出反馈。如果模型对不同口音持续给出不同等级的判断，分数差异会直接进入后续环节。这项研究没有评估现实部署中的具体后果，却已经说明一个关键问题：模型能够听懂说话者，仍会把口音当作减分项。单纯提高转录准确率，解决不了这种评分偏差。