研究称 Gemini 与 GPT 音频模型对中尼口音评分偏低

2026 年 11 月 5 日，Solidot 报道了一项关于先进多模态模型如何评估面试、会议报告和英语口语能力测试中语音的研究。被测模型包括 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。研究人员让这些模型对美国、英国、中国、印度和尼日利亚五种英语口音的语音进行评分。

结果显示，AI 模型普遍给中国和尼日利亚口音的评分最低，印度口音居中，美国和英国口音的评分最高。即使在说话内容完全相同的情况下，系统仍然认为美国和英国口音在表达方式和内容上都更胜一筹。研究团队还发现，这种明显的等级划分也体现在模型给出的解释中：模型反复声称中国和尼日利亚口音的英语使用者含糊不清或难以理解。

但研究人员指出，实际上这些模型非常擅长转录带口音的语音，能够理解说话者，其问题在于基于口音对说话者形成了一种隐性的等级观念。目前该报道就此披露，后续尚无其他公开进展。