口授（一） Dictation 1

AI 语音输入法

在过去，一个人拥有自己的笔录员（或速记员）是地位和身份的象征，在历史文化悠长的地区都能见到这样的职位：比如听着丘吉尔的口述，快速打字记录的速记员；和拿破仑一同上学、随军、记录他口授指令的秘书布里安；还有帮助古代中国皇帝起草诏书的翰林学士。

口授的英文叫Dictate，这个英文单词也很有趣，同时有“口授”动作和“统治/命令/权威”的意思。1. verb.动词：口述或朗读，供人或机器记录。 2. noun. 名词：规则，统治原则，权威人士的命令。

这种奢侈过去被贵族拥有，而现在所有人都能通过技术获得。

今天当人们用嘴对着手机、电脑和话筒讲话，就能让AI转写成文字，生成正式的文本和驱动机器的指令。

说话是人的天性，对着AI口授会是未来软件的重要入口之一。

当我们对着手机、电脑或话筒说话时，声带的振动推动空气形成声波。设备中麦克风的振膜随着声波起伏，把它变成连续变化的电信号，也就是模拟信号。芯片每秒几万次测量这个信号的高低，把它记成一串数字，就变成了数字信号。

软件先给这串数字降噪、切掉静音，再交给语音识别模型 (Speech-to-Text, STT)。模型把声音转成一张频谱图，从中认出一个个字，最后得到逐字稿。

但人说的不是书面语，里面有很多“嗯” “啊” “吧” “那个”……有时说错又改口，还有颠三倒四的逻辑问题。所以再把逐字稿交给大语言模型，让它分析整理一遍，删掉口头禅，采用改口后的说法，同时修订逻辑不通的地方，补上标点和格式。最后，整理好的文字被放在输入框，就像我们亲手打出来并用脑子整理过一样。

把声波转化为电信号，用语音大模型转换成逐字稿，接着用文本大模型整理输出最终文本，就是AI语音输入法的大致流程。

想到过去只有权威人士拥有速记员或笔录员，就能隐约猜到口授的效率和价值有多高：口授让人能用接近说话的速度记录和思考，这是整个互动带来的核心价值。

在这次AI浪潮前，传统机器学习的模型成本和最终稿质量，让“口授”很难被大规模普及。传统的语音输入只能转写，现在有大模型帮人整理，这是秘书平民化的重要价值，每个人都有自己的翰林学士作辅佐。（注释 1）

AI语音输入正在解放双手，但对输入效率的提升只是一方面，快速的口授交互下对原汁原味的情绪、思维路径、用词风格、潜意识等一系列个人细节的记录，最后都作为非常具有个人风格的信息输入，提供给了AI，这让AI的输出精准而深入。

产品

AI语音转写是未来用户输入的入口。作为普通用户的一员，看大厂竞争如同隔山观虎斗。

几个月前，阿里把千问输入法捆绑在千问App上，作为阿里生态的一部分，我用完第二天就卸载了。不好意思，你不可以强迫我把输入法绑定在某个大厂产品上。但阿里很快也出了独立版“千问输入法”。

而微信输入法很早就独立出来，不卖皮肤，不强制绑定，反而开始关心让用户易用和AI优化的质量，不容易。

但微信输入法，还有豆包、千问，在传统用手打字的输入上还不如搜狗准确，传统打字是搜狗的长期优势。不过这几个大厂输入法都在变好，能感到大家想做个好产品。

几周前我把Typeless和各种付费的AI语音输入法都卸载了。和所有价格敏感的用户一样，我支持但没有继续支持，这是钱包问题。

下面几条特点近似是“云端产品（左） vs 本地产品（右）”的优势对比：

• 质量 vs 速度
• 准确 vs 隐私
• 精美改写 vs 维持原意

但具体产品会吸收彼此的优势，优劣分别也会更细微。

除了免费的大厂产品和付费的国外产品，还有不少开源的AI语音输入软件和语音大模型，都可以一试，但使用开源软件的门槛较高，开源产品和模型的质量也可能不如大厂和付费产品。但能脱离网络运行这一点就已经有足够吸引力，用开源的AI语音产品能保持免费、软件断网也可用、个人数据都存在本地设备。这部分放在第2篇《口授》文章中。

Resources 资料

注释 1：整理文字的过程正是锻炼思维、发现未知的过程，但展开分析会让本文主题过于笨重，相关思路可以参考《为什么有些手稿比电脑图更生动》。

1. 大厂免费AI语音输入法：

• 豆包输入法：

• 微信输入法：

• 千问输入法：

1. 国外AI语音输入应用​（有免费额，超过付费）：

• Wispr Flow: https://wisprflow.ai

• Typeless:

• Willow:

• SuperWhisper:

订阅 K的简报
Sign up for K's Newsletter

思考，故事，灵感。
Thoughts, stories, ideas.

订阅可随时取消。Unsubscribe anytime.