Современные системы искусственного интеллекта, которые анализируют устную речь, могут быть предвзяты к людям с определёнными акцентами. К такому выводу пришла группа исследователей под руководством Вашингтонского университета (США). Они проверили, как несколько передовых моделей ИИ оценивают ответы на собеседованиях, конференциях и тестах по английскому языку.

В эксперименте участвовали четыре модели: две от Google (Gemini 2.5 Pro и Gemini 2.5 Flash), одна от OpenAI (GPT-Audio 1.5) и одна открытая (Qwen 3 Omni). Все они способны работать и с текстом, и со звуком - такие модели называют мультимодальными, то есть умеющими обрабатывать разные типы информации. Исследователи давали им прослушивать одни и те же тексты, произнесённые голосами с пятью разными акцентами: американским, британским, китайским, индийским и нигерийским. Для чистоты эксперимента использовали синтезированные голоса от ElevenLabs, а затем проверили результаты с участием 52 живых носителей этих акцентов.

Выяснилось, что модели в целом ставили более высокие оценки американскому и британскому произношению, а китайскому и нигерийскому - самые низкие. Индийский акцент оказывался где-то посередине. Причём эта разница сохранялась, даже когда содержание речи было идентичным, а модели правильно распознавали все слова. То есть дело не в том, что им было трудно разобрать речь, - они слышали и понимали сказанное, но всё равно оценивали носителей одних акцентов ниже других.

Исследователи также измерили так называемое "акустическое расстояние" - насколько произношение отличается от американского эталона. Оказалось, что чем дальше акцент от американского, тем ниже обычно была оценка. Более того, в своих пояснениях модели иногда называли речь с китайским или нигерийским акцентом "невнятной" или "трудной для понимания", хотя на деле транскрипция (перевод речи в текст) была точной.

Работа была представлена 25 октября на конференции по эмпирическим методам обработки естественного языка (EMNLP) в Будапеште (Венгрия). Авторы подчёркивают: предвзятость может возникать из-за обучающих данных, где некоторые акценты представлены слабее, или из-за того, что модели усваивают стереотипные представления о "правильном" произношении. Например, английский является официальным языком в Нигерии и языком обучения в школах Индии, но модели всё равно оценивали эти акценты ниже британского и американского.

Учёные отмечают, что это не приговор, а повод для улучшения. Они планируют расширить исследование, добавив больше человеческих акцентов, включая региональные варианты внутри стран, и изучить, как ИИ анализирует речь в медицинских сценариях, например при автоматическом приёме экстренных вызовов. По мнению авторов, разработчикам стоит публиковать оценки моделей не только по средним показателям, но и с разбивкой по группам, диалектам и акцентам - чтобы высокая средняя точность не скрывала провалов в отдельных подгруппах.

Источник: Tech Xplore