一句话定义：口音鲁棒性（Accent Robustness）是指语音模型，尤其是自动语音识别（Automatic Speech Recognition，ASR），在面对带地方口音、方言腔调的说话人时，仍能维持接近标准发音的识别准确率的能力。它衡量的不是最好情况下有多准，而是最差的那批用户有多差。
为什么播音腔听得准，老乡话就崩
ASR 的做法是：把音频切成几十毫秒一帧，逐帧判断“这一段像哪个音素”，再拼成字词。所以模型心里有一张从训练数据里统计出来的“发音地图”。
问题出在数据分布。公开语音语料里，新闻播报、有声书、朗读、配音占了大头，这类声音发音规范、吐字清晰、信噪比高。模型在这类声音上见过极大量样本，决策边界自然围着它们画。而带口音的发音会出现一连串系统性偏移：平翘舌不分、前后鼻音合并、n 和 l 混用、声调调值不同、语速和连读习惯不一样。这些偏移在特征空间里落在边界之外。模型其实接收到了这些声音，只是按“多数样本”的规律判断错了。
打个比方：一个只读过宋体印刷书的人去认手写草书，他并非不识字，只是心里的“字”长得太单一。同理，模型不是耳朵坏了，是它的发音地图上那片区域基本空白。同一段话，播音员念准确率很高，方言重的老人念就明显下降，两者的差异不在模型结构，而在训练数据分布（data distribution）。
所以说，口音鲁棒性的第一矛盾是分布偏移（distribution shift），不是模型容量。给足目标口音的带标注数据，同等规模的模型也能明显改善；反过来只把模型做大、不碰数据，改善往往有限。
还有一层容易忽略的耦合：口音常常和方言词汇、语序一起出现。模型有时音频判断是对的，却把内容写成了普通话，看起来像识别错误，其实是转写规范在悄悄改写用户的话。
和相邻概念的区别
| 概念 | 针对什么 | 能否跨人群迁移 | 典型做法 |
|---|---|---|---|
| 口音鲁棒性 | 群体性的发音系统差异 | 可以，同一种口音共享规律 | 口音分层采集、口音标注、分层评估 |
| 噪声鲁棒性 | 信道与环境干扰 | 可以 | 降噪、加噪数据增广 |
| 说话人自适应 | 个体音色、声道差异 | 通常只对该说话人有效 | 少量样本微调、说话人嵌入 |
| 多语种建模 | 不同语言的词汇语法 | 可以 | 共享子词、多语种预训练 |
口音和“语种”也不能混为一谈：方言与标准语往往共享书写系统，因此常被当作同一种语言处理，评估时没有单列，盲区就由此产生。
对从业者和普通人的意义
做产品的人：评估集要按口音分层，只看总体词错误率（Word Error Rate，WER）会掩盖最差群体的体验；数据侧要做定向采集与配比；产品侧要为低置信度结果保留保底路径，比如请用户确认关键数字和姓名。口音导致的错误多集中在近音字上，语言模型和后处理还能挽回一部分。
普通用户：语音客服、会议转写、输入法、车载语音好不好用，取决于这套能力。口音重的用户常被系统反复要求重说，问题不在用户表达，而在产品覆盖不够。各家具体支持哪些口音，以官方页面为准。