AI 重做语音输入，人机交互重回“嘴边” ？

出品 | 《态度》栏目

作者 | 袁宁

编辑 | 丁广胜

最近，如果你足够 AI native，应该已经能看到一些新的办公习惯正在出现。

有人开始用 AI 语音输入写周报、整理会议纪要、起草邮件；自媒体博主为了生成更有“活人感”的口播文案，会先对着电脑讲一遍想法，再让工具整理成可以直接念的文本；一些程序员甚至给 Codex 配了一个麦克风，用语音来描述需求、改代码、调试问题。

语音输入不是新东西。真正变化的是，自然语言正在成为人控制 AI 的主要交互方式。

这个变化正在形成新的产品机会。Grand View Research 预测，全球 AI 语音 Agent 市场规模预计将从2025年的25.4亿美元增长至2033年的352.4亿美元，年复合增长率约39.0%。海外的 Typeless、Wispr Flow 先证明了需求：一批程序员、写作者、研究员和内容创作者，已经习惯对着电脑说出工作指令，再让 AI 整理成邮件、文档、代码需求或待办。

网易有道过去在语音识别、翻译和教育场景里积累的能力，也在这个时间点被进一步产品化。基于自研模型子曰，语音能力进入了 AI 同传、叭哥说、Hi Echo 等一系列产品里。

AI 同传进入跨语言交流场景；叭哥说试图把办公场景里的“边想边说”，变成一段可交付文本；Hi Echo 则把口语学习里的实时对话，变成一套可以评估、反馈和规划的学习系统。

它们看起来一个是输入工具，一个是教育产品，一个是翻译能力，但本质上都在回答同一个问题：当 AI 可以理解自然语言以后，语音会不会成为进入真实场景的更短路径？

网易有道给出的答案，是把模型能力继续往场景里放。

语音为什么突然变重要？

过去几年，AI 最主流的交互方式是聊天框。

用户把问题打进去，模型返回答案。这个方式足够简单，也完成了第一轮用户教育。但它有一个前提：人要先把需求整理成文字。

在真实工作里，这一步并不简单。

一名销售想让 AI 整理客户拜访后的跟进计划，脑子里可能同时装着价格分歧、交付周期、法务条款和内部责任人；一个研究员想把一个新 idea 交给 Cursor 或 Claude Code，但执行要求可能十分复杂；一个老师想给家长反馈学生在校表现，也需要先回忆，再整理和总结。

这些内容用嘴说很自然，用键盘打出来却很费时间，而且容易变形。人会删删改改，会把一些临时想到的补充漏掉，也会为了写得像一段完整文字，提前过滤掉很多上下文。最后，AI 还没开始工作，人已经先把自己的意图重新编码了一遍。

网易有道智能应用事业部负责人张艺把这件事称为“信息失真”。

在他看来，语音更接近人真实思考的状态。尤其是当模型能力已经足够强时，用户不一定需要先把需求整理成标准 prompt。一个好的语音产品，应该能接住那些碎片化、跳跃的、临时补充的，甚至带着停顿和改口的表达，再把它变成可用内容。

这也是语音输入在 AI 时代的新价值。

它不只是把声音变成文字，而是把一段自然表达变成后续任务的起点。写邮件、列待办、改方案、给 AI 编程工具下指令、做会议纪要、练口语，背后都是同一个变化：用户希望少学习一点机器的语言，让机器多理解一点人的语言。

叭哥说最容易被简单理解成一款加入 AI 功能的语音输入法。

但如果只是语音输入法，这件事并不新。传统输入法早就可以语音转文字，手机系统也能做。叭哥说真正往前走的一步，是把“语音转文字”推进到“语音转意图”。

目前不少自称 AI 输入法的产品，追求的是把字识别准，一边说，一边上屏。叭哥说则默认采取了另一种设计：用户先说完整段内容，系统再整理和润色，最后给出一段可用文本。

这个差异很小，却在一定程度上体现了产品定位。

张艺解释，流式上屏会让用户盯着屏幕上的字，不断被已经出现的文字干扰。叭哥说更希望用户先沉浸表达，“想到什么就说什么”。因为最终生成的内容本来就不是原始转写，而是经过语义理解和整理后的结果。

也就是说，叭哥说不想只是让用户打字更快，而是让用户更容易表达任务。

在改稿场景里，这个变化尤其明显。过去用户要让 AI 改一份材料，需要复制文本，再逐条打字说明修改要求。现在用户可以直接口述：这一页核心是什么，这个例子要不要保留，标题想要什么方向。十几秒说出两三百字，AI 再继续生成。

这不是一个“省几分钟”的事，而是工作流的前置环节发生了变化。

用户不用再把想法整理成 prompt，而是让语音把自然语言直接送进 AI 工作流。越是复杂、碎片化、需要临场判断的任务，这个优势越明显。

这也是叭哥说和 Typeless 这类海外产品能够被放在一起讨论的原因。用户真正被 Typeless 惊艳的，并不是“它能听懂我说了什么”，而是它能把一段没整理好的口述，变成像认真写过的文字。

海外产品已经证明体验成立，但订阅和额度天然会拦住一部分重度用户。国内产品的变量在于，基础能力能不能先足够低门槛地铺开。

有道承诺叭哥说在语音输入场景终身免费。张艺认为，语音输入未来会超过键盘，它应该是一个普惠场景，甚至接近用户的基础权利。既然是高频能力，就不适合一开始设置太高门槛。

免费解决使用门槛，安全则是持续使用的关键。

语音比文字更敏感。它不仅包含内容，也包含语气、场景和身份信息。叭哥说强调本地存储和数据安全，张艺也特别解释，使用云端算力和把用户数据拿去训练模型是两件事。用户的语音和文本不会用于模型训练，相关历史可以保存在本地设备。

“更聪明，不是要牺牲用户隐私为代价。”他说。

这句话放在 AI 输入法上尤其重要。一个产品如果想成为工作流入口，就不能只证明自己好用，还要证明自己可以被托付。

如果说叭哥说对应的是办公场景，Hi Echo 对应的就是学习场景。

口语学习天然离不开声音。用户不能只靠看文字学会说英语，也不能只靠背句子理解真实对话。用户需要听、说、纠错、模仿、反馈，也需要在接近真实对话的节奏里练习。

但 AI 口语产品很容易做成陪聊。

一开始，用户会觉得新鲜：AI 能接话，能纠错，能模拟场景，甚至能夸你说得不错。但时间长了，真正的问题会冒出来：我有没有进步？发音问题在哪里？表达是不是地道？下一步应该练什么？

张艺强调，教育场景不是闲聊。

通用模型可以顺手练口语，但口语学习需要更细的产品设计。什么时候纠音，什么时候打断，什么时候给学习计划，什么时候承认不确定，这些都不能靠一个通用聊天模型自然解决。

这次 Hi Echo 的升级重点，是个性化学习系统。

传统口语练习往往是线性的，用户和系统一问一答。但真实学习不是这样。有人只是想知道一个词在某种口音下怎么说，有人要备考雅思，有人基础薄弱，需要先补发音，有人已经能流利表达，只是想让说法更地道。

Hi Echo 要做的是根据用户能力调整路径。

如果系统发现用户基础较弱，就不会急着把用户推到更高 level，而是先给出阶段性学习建议。它不是让用户一直聊下去，而是试图把对话变成一套训练系统。

这也是有道的模型和通用模型的区别。

有道做词典、翻译、课程和学习硬件多年，积累了大量英语学习用户行为。它知道不同水平的用户怎么练口语，也知道教育产品不能只追求“像真人”。教育和医疗有相似之处，都要对用户负责。模型不能乱说，也不能在不确定时假装确定。

Hi Echo 的壁垒不只是语音对话是否自然，而是产品、模型、交互和教育方法论能否长期结合。

更值得一提的是，它正在从 App 走向更多终端。

有道已经和启元机器人展开合作，把 Hi Echo 的口语能力放进机器人场景。对具身智能厂商来说，陪伴和教育是机器人进入家庭的一个现实入口；对有道来说，Hi Echo 也有机会从手机和平板里的 AI 私教，变成一个能出现在实体硬件里的学习模块。

未来，用户可能不是“打开一个应用练口语”，而是在一个更自然的陪伴场景里，被顺手带入练习。

这同样是语音的价值。它让学习从一次次主动打开工具，变成一种更容易嵌入日常的交互。

再把这些产品与网易有道的战略结合起来看。

网易有道CEO周枫表示，有道做模型要看三个条件：需求是否旺盛，价值空间是否足够大，以及有道是否具备优势。

而语音，则恰好落在这三个条件的交汇处。

需求端，AI 让自然语言成为主流交互方式，语音输入从聊天扩展到办公、学习和创作；价值端，语音不是一次性功能，而是一种越来越高频的交互方式；优势端，有道过去在翻译、口语、教育和生产力工具上的积累，正在被重新组合。

首先是模型。

9月21日，网易有道开源的子曰 Live 系列两款实时交互模型 Confucius4-R2T2和 Confucius4-T3PO，先后登顶 Hugging Face 各自细分领域 Trending 榜。其中，R2T2登上 ASR 榜首，T3PO 登上 Translation 榜首。

图注：R2T2登顶Hugging Face ASR Trending榜第一

图片来源：Hugging Face截图

这两个模型分别对应实时语音交互里的两个关键问题：一个是“听得快、听得稳”，一个是“译得快、译得准”。R2T2通过 Longest Stable Prefix 机制，让稳定文本可以先被提交给下游系统；T3PO 则解决实时翻译里的速度和质量平衡。两者组合后，语音交互就不必停在“说完、识别、翻译”，而可以向“边说、边听、边理解、边翻译”靠近。

这也解释了为什么有道要把子曰做成模型矩阵。网易有道首席科学家段亦涛的判断是，场景是千姿百态的，“并不是完全由一个模型就能够全部搞定”。尤其是实时交互场景，对响应速度要求很高，需要不同模型分工合作。模型矩阵的价值，就在于把不同能力放到各自更适合的位置上。

模型之上，是 Agent。

段亦涛回顾子曰发展时提到，有道一开始就没有把模型直接当成完整产品，而是把它看作一个“语言处理器”，再通过外部信息和组件，让模型真正给出正确和有价值的结果。换句话说，有道很早就在做后来被称为 Harness 或 Agent 的事情：不是把模型孤立出来展示能力，而是把模型接进业务逻辑。

模型决定产品聪不聪明，Agent 体验决定模型能不能变成生产力，工作流则决定产品能不能在真实业务里交付价值。

叭哥说、Hi Echo 和 AI 同传，正好处在这套结构的中间层。

再往上，是有道瞄向的关键场景。

在周枫看来，模型体现AI的“聪明”，决定能力上限；Agent让AI变得“能干”，将模型能力转化为实际行动。

这也是有道多年能力的延伸。周枫提到，有道现在看好的方向主要是学习、办公和营销，这几个方向都“特别费人力”，而这正是模型擅长创造价值的地方。

所以，叭哥说不只是一个语音工具，Hi Echo 也不只是一个口语陪练。一个从办公里的表达和执行切入，一个从学习里的练习和反馈切入，背后对应的是同一套逻辑：先有能处理实时语音和翻译的模型，再通过 Agent 把模型接进工作流，最后在办公和学习这样的高频场景里交付结果。

这件事当然还要继续被验证。用户会不会真的在办公室开口？语音整理出的文本能不能持续进入改稿、写作、编程和会议流程？免费能否换来足够规模？安全和本地策略能否形成信任？这些问题都还没有最终答案。

但趋势已经足够清楚。AI 应用的下一轮竞争，不只看谁的模型更强，也看谁能把模型、Agent 和工作流更早嵌进真实场景。有道把语音放进办公和学习场景，对应的正是这个变化。

“叭哥说”PC 端已全面上线，可访问官网 bug.youdao.com体验。