语音输入法，叩响AI世界大门？

作者|雨谷

声明|题图来源于网络。惊蛰研究所原创文章，如需转载请留言申请开白。

谁能想到，在市场格局几乎已经是铁板一块的情况下，输入法这个基本没什么存在感的“小众赛道”，竟然会在AI时代再次掀起新的波澜。

2025年下半年以来，豆包输入法、千问输入法相继上线，并且两款产品都把语音输入作为主打功能。有意思的是，就连2022年上线的微信输入法也在去年12月完成3.0大版本更新，重点升级了语音输入能力。而在海外市场，2023年开启公测的Wispr Flow已经累计获得8100万美元融资，估值突破20亿美金。

大家都在关心大模型和Agent的快速迭代时，输入法为何突然又火了？这幅奇异的景象背后，其实是一场关于AI时代的“未来战争”。

语音输入法，是不是噱头？

关于大厂们突然不约而同布局语音输入法的原因，业界早有共识。随着AI对话框取代搜索框成为新的流量入口，用户在线时长、互联网流量迎来一轮重新分配。而在大模型之外，输入法作为日常使用频率最高，并且能够跨应用、跨场景的基础性功能，同样具备“系统级入口”的潜力。由此，作为AI调用入口的输入法也就成为了大厂的必争之地。

不过，这个原因只解释了为什么大厂们“要做输入法”，并没有解释为什么“要做语音输入法”。而“语音”的一词之差，恰恰是关键。

在大部分普通用户的印象中，语音输入可能就是“我说你写”，其核心原理是识别用户语音然后转录成文字。但是由于早期语音识别多基于统计模型实现，准确率受环境、口音、口语化影响特别明显，语音输入远不如键盘输入准确。因此，语音输入虽然可能会在速度上更具优势，但准确率的短板让语音输入难以真正普及。

但如今，随着大模型能力的迅速提升，准确性的问题早已解决。更重要的是，在AI功能的加持下，输入法已经不只是一个转录声音的工具。

例如豆包输入法就是基于豆包同款语音大模型开发，除了准确率高达98%以上，键盘输入还具备自动纠错功能，可以结合上下文语义分析，实现文字、符号、表情以及日期的智能联想。千问则号称支持口语净化、智能纠错、上下文理解及创作、问答、翻译等指令。

换句话说，基于AI大模型推出的语音输入法产品，相当于一个具备标准化语言能力的自动化文本处理器。更形象地说，语音输入法就相当于一个“笔替”，用户不但可以用它回复日常工作和生活中的消息，还可以用AI语音输入法直接写作。这种产品功能的显著提升，让输入法实现了用户价值的突破，因为有了重新打开市场的机会。但更关键的是，AI自身的发展也需要语音输入法。

从生成式AI的发展到当前AI办公的流行，有一个问题逐渐浮出水面。Chatbot可以只花几分钟就给到一份旅游攻略，但用户可能需要十几分钟把出行需求的文字输入到对话框里。办公Agent可以只用几分钟就完成一份工作报告，但用户下需求之前，必须先花时间交代清楚项目背景、明确报告形式。

明明模型的能力越来越强大，AI的功能越来越丰富，但人类使用AI的效率似乎并没有实现飞跃性的提升。产生这种矛盾的原因，其实就是“打字”的交互方式，成为了限制人类使用AI的效率瓶颈。

如果还原打字和语音两种输入方式的行为过程会发现，打字是一个从思考、组织语言到敲键盘的过程，而语音输入除了省略了敲键盘的环节外，在具备自动纠错、结合上下文语义分析的模型能力加持下，组织语言的环节也几乎可以省去。因此，语音比打字的输入效率更高，语音输入法通过提高“输入效率”，也提升了人类使用AI的生产效率。

值得一提的是，正因为语音输入几乎“砍掉”了敲键盘的环节，从而变得更高效，不少热爱Vibe Coding的用户，还开始流行定制只保留了四个按键的语音输入键盘，这也从侧面反映出语音输入法对于使用AI的独特价值。

重点不是“输入法”，是“语音”

在运用语音输入使用AI的场景下，可以看到一个新的交互流程正在产生，用户通过输入法说话，输入法把语音内容转成文字，AI再理解文字并完成任务。在这个流程中，输入法相当于人类使用AI的“操纵杆”，所以输入法可以看作是AI的调用入口。但是如果把眼光放得更长远一点，AI入口就一定是输入法吗？

7月底，OpenAI给出了一个非常值得关注的答案。OpenAI宣布已对ChatGPT桌面应用进行更新，将ChatGPT Voice的语音能力进一步延伸到桌面端的ChatGPT Work和Codex等工作场景。

*图源：OpenAI社媒账号

这意味着，用户可以直接通过语音指挥智能体干活，还可以随时用语音查看任务进度、继续提问、打断或重新向Agent下达指令。在这种场景功能下，语音不只是输入方式，而是开始成为电脑系统的操作方式——这或许将是AI时代人机交互真正的分水岭。

在“语音输入”这件事情上，国内AI大厂和OpenAI其实已经走出了两条路。国内大厂目前在做的，是把AI装进输入法，用产品的工具属性来满足用户使用AI的具体场景。OpenAI则是在尝试把语音装进AI工作台，让用户用AI直接操作电脑。

两种路线的根本区别在于，前者争夺的是用户在微信、浏览器、聊天软件、办公软件里的“输入权”，后者争夺的则是“操作权”。某种程度上，OpenAI的路线明显更具有AI Native的风格。但这两种路线本身并不存在高低之分，只是在不同市场环境下天然存在路线差异。

可能很多人会问，为什么国内大厂不直接让用户用语音来操作AI？这其实不是技术问题，而是生态问题。

在国内的AI市场上，几乎每家科技大厂都有自家的“大模型+AI办公”组合。腾讯有混元模型、微信、企业微信、WorkBuddy；阿里有千问、钉钉、千问办公；字节有豆包、飞书以及庞大的内容和办公产品体系。

对于这些公司来说，重新开发一个语音输入法几乎没有什么难度。它们也完全有能力像OpenAI一样，在AI工作台里加一个语音交互功能，让用户在日常场景中随时调用自家的AI。

但是如果要做一个可以控制电脑的AI，首先要考验的就是用户对产品的信任。而在此之前，OpenClaw曾因为突然失控，爆发泄露用户敏感数据、绝密文件的安全事故，引发用户对Agent的信任危机。

此外，控制电脑还需要操作系统权限、应用权限、文件权限和浏览器权限，并且还要面对不同软件之间的兼容问题。这些问题，无疑会在用户教育层面带来大量沟通成本和工作量。在AI产品尚未看到“Token经济”之外的成熟商业化路径之前，国内大厂没有理由也没有必要把步子迈得这么大。

而输入法作为人们习以为常的工具类产品，显然更容易被用户接受。因此，国内大厂们选择只做输入法的策略，明显更符合产品生态的整体布局，商业逻辑也更加清晰。但是这也不代表选择先做输入法的国内大厂，没有看到AI操作系统的方向。相反，输入法可能只是它们后续切换到这一方向的一块跳板。

AI竞争，从输入法走向“无形”

如果回溯国内大厂AI产品变化会发现，过去一年各家主打的产品方向已经从“有问必答”的AI助手加速转向Agent平台。包括今年以来，AI办公成为大厂布局AI的新舞台。而在另一边，语音输入法产品也是从去年底开始密集发布与更新。

单纯从时间线来看，AI办公和语音输入法这两类看似独立的产品，意外给人一种渐渐交汇的趋势。而在现实层面，AI办公也为桌面语音输入提供了一个可用切口。

在过去，AI办公产品本质上还是一个聊天框，用户输入需求，然后等待提交结果。但现在Agent化的AI办公产品不再只是回答问题，而是能够写文档、做表格、搜索资料、分析数据、生成代码。而“一体多面”的AI办公工作台，实际上已经越来越像一个桌面Agent。

这种感觉就像AI办公工作台集成了电脑上所有软件功能和文件资料，用户只需要输入具体需求，就可以让AI干活。而一旦用户开始习惯“让AI干活”，语音输入就变得越来越重要。

试想一下，不久的将来或许会有这样的办公场景：你打开电脑，不用登录任何软件，只需要按下键盘上的语音输入按键，告诉AI“先整理昨天的会议纪要，列出今天的待办事项，然后把本周要提交的项目报表更新到最佳状态，下班前再提醒我跟进一下”，随后AI就开始自动执行任务。在整个过程中，你都不需要操作软件，甚至都不必知道会议纪要的文档在哪里、项目报表在哪里。

“让用户只需要负责说话，活儿都留给AI来干”，这才是AI工作台真正成熟的样子，也是AI时代使用AI的理想方式。而语音输入法，也有了AI系统级入口的潜力。

在移动互联网时代，谈到系统级入口，可能更多的人会想到APP、浏览器、搜索引擎、输入法，因为用户需要借助这些工具才能接入数字世界，从网络上获取信息、完成工作、执行任务。但在AI时代，AI的核心能力不是帮用户找到一个工具，而是直接把任务完成。在这种操作系统下，输入法作为一种被AI直接调用的工具，也会像其他工具一样“退居幕后”。

更具想象空间的是，当语音输入成为日常、变成全局可调用的无感交互方式，AI能够捕捉到的就不只是办公场景下的任务指令，而是用户的想法、计划和意图。用户午饭想吃什么？周末有什么计划？工作遇到了哪些问题？这些需求都会在日常表达中透露出来，AI不用像如今的某些APP一样，要通过监听用户的输入法才能获得“搜索关键词”，因为AI本身就已经承担起了输入法的功能。

所以大厂们布局语音输入法的目的，不是为了重新造一个跑得更快的“新轮子”，而是在人与AI对话的全新操作方式到来之前，先抢到一张入场券。围绕语音输入法展开的讨论，也不该是“它能不能替代键盘？”，而是“当语音成为系统级操作方式，我们还需不需要输入这件事？”“当输入走向无形，我们需要怎样的AI产品？”。

因为当AI已经能够理解自然语言、上下文和用户意图，人类要做的就只剩下表达目的。就像魔法世界里用咒语施法一样，或许未来有一天，AI也能够让用户只动动嘴就能完成所有工作，真正做到“言出法随”。

在过去，技术的进步往往也伴随着一代人的落后。就像下载APP、在互联网搜索信息这些基础操作，几乎是00后年轻一代用户的“出厂设置”，但对于很多高龄用户而言，要想使用智能手机，还得重新学习、适应系统操作。而在语音成为系统级入口的AI时代，技术的使用门槛被逐渐弱化，用户只需要表达目的，剩下的事情交给AI完成，这也是AI真正有机会改变普通人生活的方向。

语音输入法并不是AI的终点，而是一扇通往AI时代的大门。谁能够成为人类与数字世界沟通的“自然语言”，谁就能打开这扇门，真正掌握AI时代的“系统级入口”。