Cada vegada més empreses i institucions fan servir models d'IA capaços d'escoltar àudio per avaluar entrevistes de feina, presentacions o proves orals d'idiomes. Un equip de l'Escola Paul G. Allen d'Informàtica de la Universitat de Washington ha volgut saber si aquests avaluadors automàtics tracten igual tots els parlants. El treball, titulat «The Cost of Sounding Different: Accent Bias in Audio Language Models», es va presentar el 25 d'octubre al congrés EMNLP 2026, a Budapest, un dels principals congressos amb revisió de l'àmbit del processament del llenguatge.
Els investigadors van fer llegir els mateixos textos amb cinc accents d'anglès (nord-americà, britànic, xinès, indi i nigerià), amb veus sintètiques masculines i femenines, i van demanar a quatre models que puntuessin de l'1 al 7 la manera de parlar i el contingut, i que justifiquessin la nota: Gemini 2.5 Pro i Gemini 2.5 Flash, de Google, GPT-Audio 1.5, d'OpenAI, i el model obert Qwen 3 Omni, d'Alibaba. En general, els accents xinès i nigerià van quedar a la cua, l'indi al mig i el nord-americà i el britànic al capdamunt, tot i que el contingut era idèntic i els models transcrivien correctament el que se'ls deia. En les explicacions, els models afirmaven que els parlants xinesos i nigerians «mussitaven» o eren «difícils d'entendre». Quan van repetir la prova d'entrevista amb 52 persones reals dels cinc països, la diferència entre accents encara va ser més gran que amb les veus sintètiques.
El resultat importa perquè aquests sistemes ja fan de jutges en decisions que afecten la feina i els estudis de molta gent. «Els entenien, però tenien una noció implícita de jerarquia entre ells segons l'accent», resumeix la coautora principal, Orevaoghene Ahia. La investigadora sènior, Yulia Tsvetkov, recorda que no n'hi ha prou amb una bona mitjana: un sistema pot encertar el 97% dels casos per a la majoria i només el 20% per a un grup petit. Els autors apunten que el biaix pot venir de dades d'entrenament que descriuen la parla amb accent com a difícil d'entendre o que hi tenen poc pes, i demanen que els resultats es publiquin desglossats per grups i dialectes.
L'estudi té límits clars. Només prova cinc accents i quatre models, en versions concretes que poden canviar, i la major part dels experiments es van fer amb veus generades artificialment; la validació amb persones reals es limita a 52 parlants. La nota de la universitat no detalla les puntuacions exactes ni les proves estadístiques. Els autors volen ampliar la recerca a més accents, també a les variants regionals dins d'un mateix país, i a usos mèdics com l'atenció automàtica de trucades d'emergència.