相同性能真的相同吗？：理解听众如何根据说话者口音不同而对ASR结果产生差异化感知

研究表明，自动语音识别（ASR）系统能够自动将语音转换为文本，但其性能会因不同输入类别（如口音、年龄）而异，因而需要关注构建更加公平的AI系统，使其在各种输入类别下表现相似。然而，无论输入类别如何具有相同性能的AI系统是否真的会被认为是足够公平的？为此，我们研究了听众对于相同ASR结果如何根据说话者是母语者（NS）还是非母语者（NNS）而感知不同，这可能导致不公平的情况。我们开展了一项研究（n=420），向参与者提供10个不同口音的相同脚本语音录音及相同的字幕。我们发现，即使ASR输出相同，听众对ASR结果的感知也不同。他们发现非母语者语音的字幕更有用，且比母语者更多地责备非母语者造成的错误。基于这些发现，我们提出了设计启示，表明构建公平的ASR系统应该超越仅仅在不同输入类别间实现相同性能的范畴。