中国口音,被AI打了最低分

前几年有个说法，说印度人讲英文口音重、语法随意，硅谷照样抢着要；中国人英文说得标准，反倒常被评价"听不太懂"。我一直当段子听。

这两天看到一份研究，笑不出来了。

华盛顿大学的一个团队，把同一段英文面试回答做了五个版本，内容一个字没改，只换发音：美音、英音、印度口音、中国口音、尼日利亚口音。然后交给四个模型打分。

分数排出来的顺序，跟内容没关系。

同期还有两条消息：Anthropic 让 Claude 接上了你的银行账户；Meta 给自家的 AI 助手装上了一张会做表情的脸。三件事放在一起，我发现它们都停在同一个地方——离你半步。

一、它听懂了，分还是照扣

这项研究上个月在布达佩斯的 EMNLP 2026 上做了报告，带队的是华盛顿大学的 Yulia Tsvetkov，主要做这项工作的是一位叫 Orevaoghene Ahia 的研究者。方法很朴素：先让 AI 合成五段英文面试回答，内容一致，只改口音；再找 52 位来自这五个国家的真人，念同一批答案。

打分的四个模型是 Gemini 2.5 Pro、Gemini 2.5 Flash、GPT-Audio 1.5，还有开放权重的千问 3 Omni。七分制，分"表达"和"内容"两项评。

结果整齐得让人不太舒服。美音英音最高，印度口音居中，中国口音和尼日利亚口音垫底。换成真人录音之后，差距不但没缩小，反而更大了。

更别扭的是模型给的理由。它反复说，中国口音和尼日利亚口音的说话人"含糊""难以理解"。但研究者去核对转写结果——模型把这些语音转成文字，准确率很高。

也就是说，它其实听懂了。它只是不认。

我最在意的不是哪家模型翻车，而是四家模型同向。Gemini 两个版本、GPT-Audio、千问，来自三家不同的公司，其中一个还是开放权重、谁都能下载的。它们在同一条线上排队，说明问题不太可能出在某家的训练细节上，更像是它们看的是同一个世界——被标成"高质量英文"的语音，本来就集中在那么几种发音里。

这事离我们不远。AI 面试初筛在校招季已经不稀奇，远程面签、视频核身会把录音当成辅助材料，客服的录音质检直接连着坐席的绩效。这些环节里，口音会变成一个没有名字的减分项。你看到一个 82 分和一个 61 分，看不到这 21 分里有多少来自内容，多少来自你的嘴。

研究团队的建议很克制：这类评分一旦要影响别人的机会，就得单独验一遍口音维度。至于怎么验，成本其实很低——拿自己场景里二十条内容相近、口音不同的录音跑一遍，看分差有没有方向。

二、它算得清你的钱，但一分都不能动

Anthropic 这周给 Claude 上了个新功能，叫 Personal Finance。你在侧边栏点进去，把银行账户和信用卡接上，然后就可以用大白话问它钱的事。

接账户走的是 Plaid，一家专门做"应用连银行"的公司。授权是在 Plaid 里自己登录银行完成的，Claude 拿不到你的银行密码。它能看到的范围写得很细：银行名字、账户名字和类型、卡号后四位、余额和额度，以及最多两年的流水。不想用了随时解绑，解绑之后就看不到了。

官方给的例子挺具体。月底还有十天发工资，你问"这个月钱都花哪了"，它把几个账户的支出加起来，按类别摆好：一共 4309.37 美元，一半以上是房租水电，吃饭花了 1024.51。你再问"发薪日前还剩多少"，它去翻前几个月的账，提醒你有个会员眼看要续费，然后把发薪前会扣的四笔列出来，算给你剩 1393.22。

它还会挑刺：哪笔扣了两次，哪个手续费来得莫名其妙，哪个账单这一年悄悄涨了。你问"APR 是什么、今年让我多花了多少"，它先解释这个词，再把利息加出来。

有两点值得单独说。一是权限——只读。它不能转账，不能改你的资产配置，不能替你买任何东西。二是它不放广告，也不卖自己的信用卡和贷款。Anthropic 的说法是，这样你问钱的事才能得到直话。

我倒是觉得，"不放广告"这件事既是承诺，也是它暂时还没想清楚怎么靠这个赚钱。真正的门槛不在那儿。

真正的门槛在"只读"这两个字上。它把"看懂"和"动手"之间划了一道线，然后停在线这边。这不是做不到——把它接上支付，技术上没那么难；难的是它一旦算错、一旦转错，这笔账该记在谁头上。Anthropic 自己在说明里也留了话：它会出错，重要的数字请回去和银行核对，它也不提供投资建议。

所以这个功能现在的位置挺微妙的：它比任何一个记账 App 都更会说话，但它能做的，仍然只是让你更清楚自己有多穷。

顺带说一句，ChatGPT 今年五月就有类似的功能了。这一步不算新鲜，只是现在两家都站到了同一个位置——都能看，都不能动。

三、它有脸了，但没有眼睛

Meta 昨天把 Muse 的实时语音和虚拟形象开放给了全美用户，手机、网页、Mac 都能用。点应用右上角的电话图标，就跟打电话一样，你说到一半可以打断它。

技术上分了两块。Muse Realtime Voice 负责"说什么"和"怎么说"，也就是语气、停顿这些；Muse Realtime Avatar 拿同一路数据，实时生成表情、口型和手势。Meta 给的参数是 448×768 的竖屏、25 帧每秒，从你讲完到它开口，延迟大约 870 毫秒。

默认形象是个卡通角色，昵称 Jolly，你可以把它换成人、换成动物，或者别的什么。声音有几百种风格，官方举例里有"纽约客式活力"和"海盗风"。

扎克伯格在 Threads 上发的消息，Meta 首席 AI 官 Alexandr Wang 放了自己的演示：他的 Muse 是一只白色毛茸茸的狗，他聊自己爱发梗图，说可能因此惹到老板，那只狗回他说，可以给梗图加个免责声明，免得别人以为 Meta 在背书。

我反复看了这段描述，觉得好笑的地方在后面一句：Muse 其实看不见你。它听得见你，根据对话做表情，但它没有摄像头那一路输入。你在它面前挤眉弄眼、穿着睡衣、屋里乱成什么样，它都不知道。

Meta 的赌注写得很直白：给 AI 一张脸、一套肢体语言，人就更愿意把它当成一个"在场的东西"，而不是一个工具。年底前他们还准备上一个叫 Muse Charm 的小硬件，像拓麻歌子那样，把这张脸放进一块小屏幕里。

但这是预期，不是结果。这次公告里没有一个数字能证明"有了脸之后人更愿意聊"。演示里那段对话也确实只是打趣，不是在替你办事。

结尾

三件事摆在一起，共同点有点好笑：它们都离你很近了，然后各停半步。听懂了，却不认你的口音；算得清，却一分钱不碰；有脸有表情，却是闭着眼睛在跟你说话。

我不太觉得这是技术不够。更像是每一步都有人先画了一条线，等别人先迈。

你呢，这三步里最想让哪一个先迈过去？