![]()
星彡P丨文
先问一个问题:大家平时手机打字,用的是九宫格还是全键盘?
是这样的……
前两天我刷到一些帖子,不少人吐槽:输入法成了AI时代的香饽饽,「语音转文字」的按钮在各种App的前端交互里疯狂繁殖,过于泛滥了。
![]()
(搜了一下,这张截图出自“差评君”的视频)
比如上面这张苹果手机打开微信的截图里,就能数出6个语音输入按钮位置:
有的是系统自带的,比如 ① 右下角iOS的那一个;
有的是出自输入法:② 状态栏里一个,③ 长按空格还能再跳出一个;
有的是聊天软件的:④ 微信里输入框会提示“可按住 转文字”,说完话可以编辑文字,⑤ 右侧的麦克风按钮是一个,⑥ 左边还有个语音转文本。
![]()
![]()
(完蛋,我被语音按钮包围了)
挺感慨的。几年前BB姬写过一篇文章,讲网上的派系之争,从打字搓出火星子的日本樱花妹,一路聊到国内“老人才用九宫格”的刻板印象。
文章最后,我提了一嘴:“最新最IN的输入法,在我看来还得是1键输入法 ↓”
……没想到一语成谶。「语音输入」成了近两年的输入法新趋势,很多人手机电脑直接语音转文字,嫌打字累了。
![]()
![]()
这背后跟 ASR(语音识别)模型能力变强、算力门槛降低有一定关系:不仅识别准确率比以前高,有的厂商已经直接部署到端侧,离线没网也能用。
现在免费好用的软件一大把。
你别看“包姐”这么唐,整天跟奶龙组CP,但是豆包输入法在语音输入这方面已经秒天秒地了;当然,腾讯的微信输入法也是一样。
![]()
![]()
互联网大厂纷纷入场,一个个卷起输入法的方言正确率,AI帮写、语音转写、总结内容、自动润色、补全句子等功能……
![]()
![]()
甚至手机厂商也在主推自家的AI输入法,把它当成大模型的入口。
比如今年8月,随着小米澎湃OS 4一起推出的「超级小爱输入法」,中间还出过一个让人哭笑不得的事情。
当时有酷安网友发现,自己说一些粗话或敏感词时,会被系统提示“已屏蔽敏感内容”;即使把相关AI模型关掉,屏蔽也解除不了。
(↓当然,现在应该问题不大了)
![]()
如今,上到刷抖音给主播留言的七旬老头,下到对着小天才手表嘎嘎聊天的小学生,仿佛一夜间身边人都使上了“用嘴打字”的高科技。
而我这样的90后00后中登,竟然成了坚持用手打的“手打匠人”,有点不适应。
![]()
当然,BB姬用嘴打字的历史可能比不少人都长……只不过不是在输入法里,是在游戏里。
可能很多朋友跟我一样,最早被智障的“语音识别”气到,还是在《王者荣耀》——2017年,小王给局内语音消息加了转文字显示的功能……
这玩意好处是完全不挡视野,角色可以一边肉身对线敌人,一边精神对线队友;缺点是识别率捉急,经常说一句“女娲”能给你听成“尼玛”,然后把你屏蔽了。
![]()
——对,前面小爱输入法那个“已屏蔽敏感内容”不算新鲜事了,八年前农药里就演过一遍。
再加上好些游戏主播的普通话水平,你懂的,普遍比较抽象……咱小王的语音识别也不挑食,照样硬听,隔三差五就给你出一个节目效果素材。
![]()
![]()
![]()
回头看,2018年前后算是一个节点吧,国内国外开始落地各种AI智能相关的项目。YouTube也是在2018年,正式上线了直播的低延迟自动英语识别字幕。
而国内更是有位重量级选手。
2018年锤子科技还在的时候,在鸟巢举办了一场发布会,发布过一款叫「坚果TNT工作站」的产品(TNT,Touch and Talk,触控加语音)。
机器本体是一块27英寸触控屏,接上锤子手机可以跑TNT系统,承担一些轻办公操作,比如按住屏幕说话,配合手势触控,用语音改PPT、改文档,甚至可以玩王者荣耀。
![]()
![]()
整套TNT售价高达14999元,再加上语音加触屏的办公场景放在当年实在过于超前,被大家笑话死了,只留下一个「安静!吵到我用___了」的梗。
现在回头看,锤子的一些概念还是挺有意思的。TNT跟华为的PC模式、三星DeX(手机算力 + 大屏桌面)差不多的思路。
只不过,TNT留下的问题比答案多。最典型的就是:以锤子当年的技术储备和供应链话语权,根本撑不起这一整套东西。
![]()
很多关键的东西,锤子自己也搞不定。举个例子,TNT工作站当年用的是科大讯飞的语音输入技术——这是它最核心的交互卖点之一,却不是自己的东西。
科大讯飞做语音输入也很早:早些年的百度(约40%)、搜狗(约40%)、讯飞(约10%)这三家基本占了第三方手机输入法96%的市场份额。
![]()
想以前,长音频转写基本是少数大厂的封闭API,要按时长计费。而讯飞的招牌就是语音输入,很多人拿它当备用的第二输入法。
而语音识别什么时候开始个人自由的呢:2022年9月,OpenAI开源了一个语音识别模型,叫Whisper。推出后应用极广,在GitHub上已揽获11万标星。
简单说,你丢给它一段录音或一个视频,它就能在本地离线把语音转成文字,还能顺手导出带时间戳的SRT格式字幕文件。好不好用另说,关键是免费。
![]()
![]()
我印象很深:当时我在一个做声优节目字幕的汉化组QQ群,群主有段时间天天捣鼓Whisper听写日语。只不过早期的日语识别率相当感人,只能当参考。
据说OpenAI开发Whisper的动机之一,就是他们当时需要大量文本数据训练大语言模型,于是想办法转录YouTube视频和英文播客等音频来补充数据。
再后来大家都知道了:ChatGPT引爆生成式AI之后,大模型这波巨浪打过来,很多以前不成熟的想法有了「值得重做一遍」的机会——其中自然也包括输入法。
![]()
↑ 像这种个人开发者做的、基于Whisper的本地AI输入法,时隔多年让TNT的概念借着大模型之势还了魂。
另一边,机器翻译也不再是“区”了。
![]()
比如今年10月初,B站开源过一个为国际版研发的qwen3.5后训练模型:Index系列模型,并提供2B、9B和35B-A3B(预览版)参数规模。
这玩意支持文字转文字,语音输出翻译字幕,语音转外语配音,而且配置要求不高,基本是个N卡的游戏笔记本都能运行。
![]()
类似的项目不少,导致现在野生字幕组的操作也自动化了。搭配AI Agent,比如腾讯的WorkBuddy(每天有免费额度白嫖)或者其他的。
动动嘴就可以让AI自己本地调用whisper听写,自己用Gemini翻译视频。全自动做切片、做翻译、配字幕、压制字幕。
质量跟人工精翻精校肯定没法比,但效率实在太高了,一个人一天时间,能搞完字幕组几个月的量。
![]()
![]()
(Gemimi虽然叫美国豆包,但是翻译方面还不错)
你会发现,最近B站跟油管一样,也开始有AI生成的英文/日文字幕选项了。
举个例子,我有个常看的斗鱼主播叫「玩机器 Machine」,算是CS比赛中文解说一哥。他在B站有好几个切片员UP主,比如「这里是小天啊」和「栾华H1R0M1」等。
平时你去搜UP主「栾华H1R0M1」一两天前发布的玩机器解说录播,底部的状态栏里会有「翻译和字幕」选项,可以直接输出翻译过的英语、日语字幕。
![]()
双语字幕效果:
![]()
![]()
如果是更早的、四五天前的录像,通常还会多一个beta版的「AI原声翻译」功能,可以直接让主播一开口就是英语或者日语,特别难绷。
——这个功能能实现有两个前提:① 玩机器是单人解说,直播基本只有他一个人在说话;② 他本身口条比较好,普通话清楚,方便语音识别。
![]()
像前几天,BB姬不是还聊过吗?
起因是有位B站UP主花几个小时给自己的DeepSeek Harness写了个插件:每天替自己刷一轮B站,读字幕挑出有价值的,遇到好的还会在评论区@自己一下。
AI读的就是经过语音识别的B站字幕——顺带一提,那些开了字幕的视频,往往会有更多的大肥鱼账号互动。
![]()
从TNT遥遥领先的超前概念,到这两年AI输入法的各种内卷,再到B站进度条底下方便的“AI原声翻译和字幕”……说起来也挺奇妙。
前几年我们还在为“9键还是26键”吵的不可开交;现在,这两拨人一起坐在屏幕前,发现自己成“古人”了。
——嗨呀,先合影留念吧。至于未来会变成什么样,说实话我也不知道。也许过几年连嘴都不用动,眼睛瞟一下,像三体人一样直接接收别人的思维也说不定。
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.