研究指Gemini與GPT-Audio評估英語口語時對特定口音存在系統性偏差：美英口音得分最高、中國與奈及利亞口音最低

一項針對多模態模型的學術研究發現，Google與OpenAI的先進模型在評估英語口語能力時，會依說話者的口音給出差別分數。研究測試了Google的Gemini 2.5 Pro與Gemini 2.5 Flash、OpenAI的GPT-Audio 1.5，以及開放權重模型Qwen 3 Omni。Solidot於2026年11月5日報導此消息，研究本身的發布訊息刊於EurekAlert。

研究人員調查這些模型如何評估三類情境中的語音：面試、會議報告與英語口語能力測驗。測試樣本涵蓋五種口音的英語語音，分別為美國、英國、中國、印度與奈及利亞口音。

評分呈固定等級，內容相同仍有落差

結果顯示，各模型普遍給中國與奈及利亞口音最低分，印度口音居中，美國與英國口音得分最高。值得注意的是，即使語音的實際內容完全相同，系統仍判定美國與英國口音在表達方式與內容兩方面都優於其他口音。

研究團隊進一步檢視模型產出的評分解釋，發現同樣的等級劃分也反映在文字說明中。

模型「聽得懂」仍給低分的矛盾

研究人員指出一個矛盾現象：模型在解釋中反覆聲稱，中國與奈及利亞口音的英語說話者含糊不清或難以理解；但這些模型實際上非常擅長轉錄帶口音的語音。換言之，模型能正確理解說話內容，卻仍基於口音本身，對說話者形成一種隱性的等級觀念，並反映在評分與解釋上。

這項發現對語音評測的應用場景具有直接意義。若這類模型被用於篩選面試者、評估會議表現或輔助英語口語測驗評分，口音造成的分數落差可能影響特定語言背景者的結果。研究測試的模型均為目前廣泛部署的商用系統，其中Qwen 3 Omni為開放權重模型，可供第三方檢驗。

訊源與可核實邊界

本篇報導的核心事實來自Solidot於2026年11月5日刊登的摘要，其原始出處為EurekAlert的新聞稿。目前可核實的內容包括：受測模型清單、五種口音的評分排序、內容相同仍存差異的實驗設計，以及研究團隊對模型解釋的觀察。研究論文的完整作者名單、樣本數量與統計顯著性等細節，未見於現有訊源，本臺暫不補全。

Google與OpenAI尚未就該研究結果公開回應，相關說法待廠商或後續研究證實。若模型評測用途涉及招募或考試等高風險決策，本研究指出的口音偏差是需要納入評估的因素之一。