一项针对先进多模态模型语音评估能力的研究显示，AI 系统在面试、会议报告和英语口语能力测试等场景中，对不同英语口音存在系统性评分差异。测试覆盖 Google 的 Gemini 2.5 Pro、Gemini 2.5 Flash，OpenAI 的 GPT-Audio 1.5，以及开放权重模型 Qwen 3 Omni。
研究团队选取美国、英国、中国、印度和尼日利亚五种英语口音进行评分对比。结果显示，上述模型普遍对美国口音和英国口音给出最高评分，印度口音居中，中国口音和尼日利亚口音评分最低。即便语音内容完全相同，系统仍倾向于认为美国和英国口音在表达方式和内容质量上更优。
值得注意的是，这种等级划分同样体现在模型给出的解释中。研究人员指出，模型反复声称中国和尼日利亚口音的英语使用者表达含糊或难以理解，但实际测试表明，这些模型非常擅长转录带口音的语音，能够准确理解说话者内容。研究团队认为，模型并非在理解层面存在障碍，而是基于口音对说话者形成了一种隐性等级观念。
该发现对将多模态模型应用于招聘面试、语言能力测评、远程会议记录等企业场景具有直接提示意义。在上述场景中，语音评分结果可能影响候选人的筛选与评价，口音偏见的引入会带来公平性和合规风险。随着企业对 AI 面试、AI 培训评估等工具的采用增加，模型输出的一致性与中立性正成为采购和部署环节需要验证的指标。
研究团队未披露具体的测试样本规模与评分细则。从行业角度看，该结果进一步说明，多模态模型在语音理解能力之外，其评价性输出仍可能继承训练数据中的社会偏见，企业在将其嵌入人力与评估类 SaaS 产品时，需要建立针对口音、语种等维度的偏见检测机制。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
