AI語音輸入法，人類進入「不打字」時代

破天荒，這是一篇用“語音”打出來的文章。

一周前，我下載了一款叫Typeless的語音輸入法，當時我沒有意識到它會改變什麼。

首先交代一下大背景：

從2025年下半年起，AI語音輸入法成為驟然颳起的新風口。以語音輸入為核心賣點的豆包輸入法，登陸各大應用程式商店。大模型六小虎之一的智譜，推出智譜AI輸入法。

其他的一些大廠輸入法，也都或多或少在加碼AI語音輸入。1月27日，搜狗輸入法宣佈重磅升級其語音輸入能力，稱其識別率達到98%，日均語音使用次數近20億次，穩居行業第一。

風景不止這邊獨好，太平洋對岸的Wispr Flow目前融資額達8100萬美元，估值7個億。由華人開發的後起之秀Typeless在Product Hunt上線後連日高居排行榜前列，先後推出覆蓋主流平台的版本。此外，多個初創企業乃至個人開發者也推出了類似產品，閃電說、LazyTyper、Spokenly、秒言等等，不一而足。

我原本以為，這又是一次和往常一樣的嘗鮮。畢竟近幾年來出現的AI新品如過江之鯽，其中大多數很難在我的螢幕上停留超過半天。所以，一開始我並沒有抱很大期待。

結果卻是，這是自ChatGPT以來，最讓我眼前一亮的AI產品。我用了不到一周的時間，就改變了已經形成20多年的習慣：主要的輸入方式從打字變成了語音。

甚至連這篇文章的初稿，也是用語音輸入完成的。我專門申請了另一個Typeless帳號，記錄完成這篇文稿的資料：用時53分鐘，輸入5500字，每分鐘155字，節省2.5小時。

更快更準更多AI語音輸入的降維打擊

對我來說，放棄打字轉向語音堪比“違背祖宗的決定”。

因為我自詡是個打字愛好者。為了更好的打字型驗，專門學習擊鍵次數更少的自然碼雙拼輸入方案，配置了高度可定製化的輸入法Rime，買過好幾把不同軸體的機械鍵盤。你或許看不懂這句話裡的部分詞彙，沒關係，你只需要知道，這是鍵盤和輸入法愛好者群體中常見的專有名詞。

即使如此，我的打字速度，最高也就每分鐘八九十個字，普通人裡已經算快了，大多數人的打字速度，也就每分鐘四五十字。

我曾經潛伏在某個輸入法愛好者群組，裡面匯聚了眾多大神級人物，他們每天討論的話題，是如何自制各種類型的輸入方案，提高打字效率。其中有位在某二線城市當大學老師的成員，跟我有著類似的經歷，他從2025年末開始，正式“皈依”語音輸入。

“我之前電腦用五筆，手機用小鶴雙拼，巔峰時五筆打字每分鐘130多字。”他如是說，“但跟現在的AI語音輸入比起來，打字還是差太遠了，我語音每分鐘甚至可以達到250字。”

這個速度，即使是頂尖的打字專業選手，也望塵莫及。2013年全國漢字輸入大賽的冠軍，平均每分鐘也才打175個字。即使是口條並不利索的我，語音輸入也能穩定在每分鐘150字左右，稍微努力下，就能超越打字冠軍。

速度是快，精準率呢？答案是，很準。即使是在前ChatGPT時代，也是如此。

2018年史丹佛大學、華盛頓大學和百度的一項聯合論文顯示，語音輸入不論是速度還是精準率，都顯著優於鍵盤。

速度上，英語母語者語音輸入每分鐘153字，鍵盤輸入僅52字；中文拼音使用者每分鐘鍵盤輸入43字，而語音達123字。不論中英文，語音輸入都比打字快了約3倍。在輸入過程的錯誤率上，語音的表現也更優。中文語音輸入的糾錯率為6.67%，而鍵盤輸入高達17.73%。

在經歷了幾年大模型狂飆突進之後，AI語音的識別速度和精準率則更上一層樓。

Typeless、智譜AI輸入法、閃電說都稱自己的速度比打字快4倍，一款叫LazyTyper的語音輸入法，更是聲稱比打字快7倍。精準率上，搜狗說自己精準率98%，智譜也在官網標註了97.8%。從網上的評測和個人體驗來看，這些廣告語並不算誇張。

與大廠輸入法在鍵盤上做加法不同，初創企業和個人開發者的語音輸入產品邁的步子更大，或許必須更激進的姿態才能在紅海裡分一杯羹，他們直接取消了打字鍵盤，只保留了少數常用按鈕，語音鍵被提拔到了C位。

傳統的語音輸入只是轉錄聽寫，但大模型加持下，語音輸入是一種更高維的產品，是“語音意圖輸入法”。它不只可以將語音一字不漏地轉錄，也能識別輸入者的意圖，刪除多餘的語氣詞，修改語法錯誤，捋順不連貫的地方，同時根據輸入環境調整語氣、翻譯潤色等等，都不在話下。

那怕輸出錯了，也支援用語音修改。比如用Typeless輸出一句話：“我想去延津縣”，但其實你想輸入的是“鹽”津縣，你也只需要對著這句話說“把yán改成油鹽醬醋的鹽”即可。

當然，你肯定會反駁，語音輸入就算又快又準，但不是什麼場景都適用。嘈雜的人群中能聽清嗎？在辦公室對著手機說話不尷尬嗎？

曾經我也有類似的想法，但使用之後我打消了顧慮，即使是輕輕低語，也能基本精準無誤的輸入。

我在辦公室偷偷用了5天語音輸入後，問我的左右鄰桌同事能不能聽到我輸入語音的聲音，他們的反應是：

“你啥時候出聲了？”

搜狗在宣傳稿裡稱，自家輸入法20分貝以下的語音依然有97%的正確率。20分貝，就相當於樹葉的沙沙聲，或者五米開外的低語。

目前最大的不良體驗，反而來自意想不到的地方。比如戴上耳機後，語音輸入的正確率反而不如不戴耳機。

比如單獨字詞的輸入，遠不如句子段落。越長的語音，精準率越高，顯然得益於大語音模型的理解和推理能力，越長的語音，其意義就越明確，可供參考的情境也就更多。

而漢語中充滿了同音字詞，你只說一個沒有上下文的“yì”，誰知道你說的是藝、抑、易、邑、屹、億、役、臆、逸、肄、疫、亦、裔、意、毅、憶、義、益、溢、詣、議、誼、譯、異、翼、翌、繹、刈、劓、仡、佚、佾、埸、懿、薏、弈、奕、挹、弋、囈、嗌、嶧、懌、悒、驛、縊、殪、軼、熠、鎰、鐿、瘞、癔、翊、蜴、羿還是翳呢？

不用數了，這裡有57個yì，漢語中同音字最多的讀音。

但我相信，這些瑕疵日後都能得到一步步解決。就像不久前，AI圖片還無法攻克中文亂碼的問題，現在你已經可以用Nano Banana穩定地輸出帶中文的圖片了。

而瑕疵掩蓋不住AI語音輸入更大的野心。

我正在用的Typeless，光從名字上就可以看出，它遠遠不止想做一個輸入法，而是讓全世界進入無需打字（Typeless）的時代。

這樣的野心並不出格。輸入法一直是網際網路最被忽視、卻又是最基礎的入口。大模型的摧枯拉朽，或許會給這片早已被瓜分完畢的戰場，帶來新的血腥。

突破輸入框再造超級入口

在中國，網際網路從PC時代的開放，走向了移動時代的封閉。App之間築起一道道高牆，形成一個個孤島。時至今日，你甚至連在微信裡點選觀看抖音的視訊都沒法做到，更不要說打通他們之間的生態。

在一個個App孤島裡，只有為數不多的應用，能夠雨露均霑地穿梭在它們之間，輸入法就是其一。所有你需要表達訴求的地方，都需要它。以前，這個入口的重要性並沒有顯現出來，傳統輸入法能做的東西並不多，無非是收集使用者的巨量資料，插入一些廣告。

但這個入口，抹上了AI的濃妝後，別有一番風韻。大模型讓輸入法這一古老的產品，重新變得性感，隱約得以瞥見看到“超級入口”的綽約風姿：如果這個入口的產品，不僅僅只是打字，而是能實現跨App甚至更高級的呼叫呢？

其實目前的大模型，已具備了這樣的能力。前一陣子豆包手機就因為能夠實現系統級的呼叫而成為關注焦點，但遭到了眾多App的抵制。

可以這麼想，未來AI語音輸入不再只是傳統打字輸入法的補充，而是一次突破輸入框的升維。不妨大膽一點，如果這個入口乾脆就是系統級的AI助手呢？在更廣闊的未來，語音輸入不只是移動裝置，而是貫穿虛擬和現實世界的交流介面？

或許，未來的輸入壓根不需要專門的輸入法，也不需要這佔據了小半個螢幕的一畝三分地，它只是系統級AI助手順帶手就能完成的小事一樁。具像一點，AI語音輸入的未來應該是理想中的Siri。

蘋果也可能意識到了這一點。據報導，蘋果將在2026年6月推出全新版AI助手，具備對話式互動能力，並有望整合到郵件、音樂、程式設計軟體等核心應用中。使用者只需要對著iPhone輕聲低語，就可以呼叫各種應用。

為什麼偏偏是語音輸入呢？因為語音輸入才是人類交流的初始設定。語音輸入重歸C位，只不過是技術對人類行為的一次撥亂反正，人類的交流範式重新回到最自然、最合理的狀態。

打字輸入才是人類走的彎路

很多人把打字當作網際網路交流的初始設定，在我潛伏的輸入法愛好者群組裡，就有一位帶點原教旨主義色彩的打字擁躉。他至今仍抗拒使用語音輸入，他認為，對著手機電腦自言自語，簡直愚蠢到家。至於原因，他回覆了略有循環論證嫌疑的十一個字：

“語音是異端，打字才是正統。”

然而回望人類歷史，打字交流才是人類走過的彎路，語音從古至今都是人類交流的主要方式。即使是今天，世界上現存的約7000種語言裡，絕大部分都沒有文字，只依靠口口相傳。

科學界普遍認為口語誕生自10到20萬年前。而目前已知最早的成型文字是5500年前蘇美爾人的楔形文字。我們打字用的QWERTY鍵盤，直到19世紀中後葉才出現，距今不過150年。

如果把人類語言交流史劃分為24小時，那麼人類在最後一分鐘才開始用鍵盤輸入文字。

套用《思考，快與慢》的作者丹尼爾·卡尼曼的觀點，說話屬於“系統1”，是刻在基因裡的本能，不需要太多思考，依賴直覺和習慣就行。而打字則屬於“系統2”，是你通過無數次敲擊建立起來的後天習慣，是需要費腦費力才能完成的動作。

與英文輸入的簡單直接相比，中文輸入更難更複雜。從打字機時代開始，在很長一段時間裡，用鍵盤輸入漢字是難倒無數英雄漢的技術難題，有人甚至想通過消滅漢字採用拉丁字母的方式“曲線救國”。

1980年，一本叫《語文現代化》的雜誌這樣寫道：“歷史將證明，電子電腦是方塊漢字的掘墓人，也是漢語拼音文字的助產士。”

被很多人視為網際網路交流正統方式的中文打字，其實不過短短半世紀的歷史。1983 年，王永民發明五筆字型，通過“橫、豎、撇、捺、折”五種筆畫給簡體中文編碼，由於其重位元率非常低，熟練者可以實現盲打，很快就成為風靡全國的打字方式。

“王旁青頭戔五一”。很多年輕人不知道，自己父母那一輩，打字是需要背口訣的，甚至需要報班花很長時間培訓才能掌握的技能。再後來，拼音輸入法的出現和網際網路的普及，才讓打字的門檻降下來。

但直到今天，中文輸入法依然難以解決一個矛盾：輸入效率高的五筆，門檻也高；門檻低的拼音，輸入效率也低。你在 2026 年的知乎隨手搜一下“輸入法”這個關鍵詞，就會發現多個吐槽輸入法越來越難用的話題。

五筆、拼音、注音、倉頡，不同的輸入方案捲來捲去，但它們之間並無本質差別，並不能真正解決漢字輸入法的痛點。或許我們應該認識到，打字，只不過是人類在語音和圖像互動技術尚未成熟之前的權宜之計。

如今，大模型技術日漸成熟，語音識別技術有了質的飛躍，規模化的替代效率低下的打字輸入法，幾乎是必然。倫敦政治經濟學院的一項研究發現，預計到 2028 年，生成式 AI 將主要以語音方式互動。

當然，短期內語音輸入並不會完全取代傳統輸入法。語音輸入還有很大的進步空間，飯要一口一口吃，路也要一步一步走。

就我個人而言，重度使用語音輸入後有兩個意外之喜。

一是改變了我的寫作方式。以前寫文章，我需要在電腦前一坐就是幾個小時，即使是用著符合人體工學的鍵盤、滑鼠和椅子，也難以抵擋久坐帶來的生理不適。

你現在看到的這篇文章，大部分文字是我在沙發上躺著、在馬桶上坐著、在地鐵上站著寫出來的，我告別了預留大塊時間的寫作模式，轉而變成“隨地大小寫”。

與其說我面對的是一個語音輸入法，不如說是在對著一個具有整理、思考能力和主觀能動性的秘書，既忠實我的原意，也不至於照搬全收。也許我們可以效仿眼下在程式設計師中流行的Vibe Coding（氛圍程式設計），為碼字的人也創造一個全新的名詞——Vibe Writing（氛圍寫作）。

二是語音讓我與 AI 的交流更高效。打字時受制於速度，我傾向使用更簡短的提示詞，往往需要多輪互動才能得到想要的結果。而語音輸入時，我會一口氣說出一段很長的提示詞，甚至達到四五百字，常常一次性就能得到滿意的答案。

就像現在的 10 後不知道為什麼手機螢幕上電話的標識是聽筒，未來的一代或許也不知道，為什麼曾經人們輸入文字還要專門裝一個輸入法。 (36氪)