Speech-to-speech（S2S）模型已经被用于配音、翻译和语音助理等场景。与纯文本模型不同，S2S 模型会“听到”说话者的声音，而声音本身携带性别信息。理想的系统应当依据说话者的声学特征来判断其性别，而不是依据说话内容的性别刻板印象。
目前的大多数 S2S 系统在输出时使用单一、固定的声音，这使得评估模型是否会因内容偏向而改变输出声音变得困难。即使模型在声音上保持一致，内容偏见仍可能体现在对说话者性别的判断上。
本文提出两个核心问题：1）当模型复述输入时，内容中的性别刻板印象是否会影响输出声音的感知性别（声音渲染）？2）当模型直接给出说话者性别时，它是依据声音还是内容做出判断（性别归因）？
为回答这两个问题，研究者设计了一个受控实验：将男性和女性声音分别与男性化、性别中性和女性化的文本段落组合，覆盖五种开源和闭源模型，语言包括英语、西班牙语和普通话。实验结果显示，输出声音几乎不受文本性别刻板印象的影响，保持原有声学特征。但在性别归因任务上，所有模型都倾向于依据文本内容而非声音来判断性别。将文本从男性化→中性→女性化，模型判定为“女性”的概率会提升 1.7 到 24 倍。
当内容与声音冲突时，最差模型在 90% 的情况下错误标注性别；而内容与声音一致时，错误率仅为 2%。因此，性别偏见主要隐藏在性别归因环节，传统的固定声音评估方法难以发现，需要在 S2S 系统实际对外发声时进行更细致的审计。
点评