這個春天開始，硅谷的辦公室里，敲打鍵盤的噠噠聲正在被嘀嘀咕咕的人聲取代。

有風險投資人調(diào)侃，現(xiàn)在去硅谷的 AI 創(chuàng)業(yè)公司拜訪，感覺像走進了一個高端呼叫中心，只不過所有人都在跟 AI 聊天：員工們戴著電競耳機坐在工位上，對著麥克風發(fā)號施令。

這股風潮還有個名字，叫“voicepilled”——語音覺醒。LinkedIn 聯(lián)合創(chuàng)始人 Reid Hoffman 在 2025 年秋天的一篇帖子里首次宣稱自己被“voicepill”了。他寫道：“被voicepill 的那一刻，就是你意識到一旦認真用語音與技術交互，就能解鎖一種全新的能力放大方式。”這個詞借用了《黑客帝國》里紅藍藥丸的隱喻，吞下這顆“語音藥丸”，你就會看到一個不同的生產(chǎn)力世界。

語音輸入本身倒不是什么新鮮事，蘋果的 Siri 聽寫、Windows 語音識別、甚至更早的 Dragon NaturallySpeaking 已經(jīng)存在了很多年。但過去這些工具的體驗非常折磨人：識別率低，標點混亂，一句話說了三遍都不準，最后還不如自己打字。

真正的轉(zhuǎn)折點是大規(guī)模 AI 語音模型的成熟。2022 年 OpenAI 發(fā)布了 Whisper，一個基于 Transformer 架構的開源語音識別模型，用 68 萬小時的多語言音頻數(shù)據(jù)訓練而成。Whisper 的出現(xiàn)把語音轉(zhuǎn)文字的準確率拉到了實用門檻之上。

而在此基礎上，新一代聽寫工具例如 Wispr、Aqua Voice 等邁出了更關鍵的一步：它們不只是把你說的話逐字記錄下來，還會用 LLM 對輸出進行“潤色”，自動刪除“嗯”“啊”之類的填充詞，修正語法，調(diào)整句式，甚至根據(jù)你正在使用的應用場景來適配語氣和格式。整個過程延遲通常在一到兩秒之內(nèi)。部分工具還支持“命令模式”，用戶可以用語音指令來編輯已有文本，比如“把上一段改成更正式的語氣”或者“刪掉最后一句”。

（來源：Wispr ai）

這種工作方式之所以讓人興奮，有一個很直觀的原因：人說話的速度大約是打字速度的三倍。對于英文使用者來說，普通人的打字速度在每分鐘 40 到 80 個英文單詞之間，而正常語速大約是每分鐘 130 到 150 個單詞（中文使用者的打字速度大概在每分鐘 80~100 字左右，而語速大約是 200~250 字之間）。

對于那些工作內(nèi)容主要是“把想法變成文字”的人，比如寫郵件、寫文檔、寫代碼提示詞，這意味著理論上可以把產(chǎn)出速度提升兩到三倍。一些重度用戶聲稱自己的文字產(chǎn)出確實翻了幾番。

更有意思的是，語音聽寫正在和另一個熱門趨勢合流：vibe coding（氛圍編程）。這個由 Andrej Karpathy 在 2025 年初提出的概念，指的是開發(fā)者不再逐行寫代碼，而是用自然語言描述需求，讓 AI 編程工具（如 Claude Code、Codex）來生成代碼。而當 vibe coding 遇上語音聽寫，開發(fā)者甚至不需要坐在電腦前打字。他們可以一邊踱步一邊口述需求，聽寫工具把語音轉(zhuǎn)成文字 prompt，再由編程 AI 把 prompt 轉(zhuǎn)成代碼。Wispr 的創(chuàng)始人 Tanay Kothari 說，他們的員工現(xiàn)在就是在辦公室里走來走去，對著電腦說話，不用再把思考的過程綁定在桌前。

據(jù)媒體報道，一些最狂熱的用戶甚至購買了可編程腳踏板，一種原本屬于游戲外設的東西，踩一下就能激活語音交互功能；還有人在桌上架起鵝頸麥克風，就是體育解說員和牧師用的那種可彎曲話筒，離嘴更近說話更省力；Wispr 公司內(nèi)部則流行把無線領夾麥別在襯衫上，員工們像是隨時在錄播客。這家公司甚至計劃之后向客戶銷售品牌麥克風。

圖 | 可編程腳踏板 （來源：Amazon）

資本市場顯然對這種新的“vibe working”方式十分歡迎。成立于 2021 年的 Wispr，最初的方向是做腦機接口可穿戴設備，后來轉(zhuǎn)型做語音聽寫工具。據(jù)媒體報道，2025 年 11 月 Wispr 的估值約 7 億美元。而到了 2026 年 5 月，Wispr 的目標估值已經(jīng)飆升至 20 億美元。一個聽寫應用估值 20 億，足以說明了市場對“語音取代鍵盤”這件事的看好程度。

于是，競爭也開始變得激烈。同類公司 Aqua Voice 和 Willon 都拿到了 Y Combinator 的投資，初創(chuàng)公司 TalkTastic、Typeless、Superwhisper 各有擁躉。科技巨頭也沒閑著：在 2026 年 5 月的 Android Show 上，谷歌發(fā)布了 Rambler，一個內(nèi)置于 Gboard 輸入法、由 Gemini 驅(qū)動的聽寫功能，能把用戶雜亂的口述自動整理成通順文本。當平臺級玩家入場，獨立應用的生存空間會被如何擠壓，仍有待觀察。

此外，這股新的技術趨勢面前，還存在一些現(xiàn)實的門檻。

首先是硬件層面的局限。目前主流的 AI 聽寫工具大多是 Mac 優(yōu)先甚至 Mac 獨占的。Wispr Flow 和 Superwhisper 支持 Mac，Aqua Voice 長期以來僅限 Mac 平臺（近期才開始支持 Windows），TalkTastic 則是 iOS 和 Mac。而在企業(yè)環(huán)境中，Windows 仍然是絕對主流操作系統(tǒng)。醫(yī)療、法律、政府、金融行業(yè)尤其如此。

更棘手的是遠程桌面環(huán)境：很多企業(yè)員工通過 Citrix、VMware Horizon 或 RDP（遠程桌面協(xié)議）來訪問工作系統(tǒng)，而大多數(shù)聽寫工具依賴剪貼板粘貼來輸入文字，這在被組策略鎖定的遠程會話中根本行不通。

其次是成本問題。以 Wispr 為例，它的的訂閱價格是每月 18 美元。對于一個基礎生產(chǎn)力工具來說，這個價格讓不少個人用戶猶豫。傳統(tǒng)的 Dragon NaturallySpeaking 則需要數(shù)百美元的一次性買斷費用。雖然也有更便宜的選擇（比如一些工具提供 7 美元／月的方案，或者基于本地模型的免費層級），但整體來看，語音聽寫還沒有變成一個人人輕松消費的默認選項。

還有一系列的噪音和隱私問題。

在國外，開放式辦公室本來就因為噪音問題飽受詬病。多項研究表明，開放式辦公環(huán)境中不相關的語音噪音是影響員工注意力和心理健康的首要因素。而現(xiàn)在，語音聽寫正在往這個里注入更多噪音。想象一下：一個二十人的開放工位區(qū)，有七八個人同時在低聲嘟囔，有人在口述郵件，有人在對 AI 編程助手描述一個 bug，有人在用語音命令修改文檔格式。即便每個人都刻意壓低音量，匯聚在一起，也足夠讓人頭疼。

一名接受采訪的使用者承認這“確實有點尷尬”。他說在家里用語音辦公感覺像鋼鐵俠對 Jarvis 下指令，挺酷的；但在辦公室里，當著同事的面自言自語，總歸有些不自在。而且當你在口述內(nèi)容時，周圍的人能聽到你在說什么。不管是郵件內(nèi)容、代碼邏輯，還是商業(yè)想法，這些原本只存在于屏幕上的私密信息，現(xiàn)在變成了公開的聲波，總歸不太自在。而對于涉及敏感信息的工作場景，還存在合規(guī)風險。

（來源：Youtube）

從更宏觀的視角看，語音辦公的興起或許折射了一種技術趨勢：人機交互正在從“適應機器的方式”向“適應人的方式”遷移。鍵盤是一種為機器設計的輸入界面，人類花了一百多年去適應它。而語音是人類最原始、最自然的表達方式。AI 的進步讓機器終于能夠理解人類自然語態(tài)下的表達，于是“讓人回歸說話”就成了一個順理成章的方向。

但人類發(fā)明書寫，本身就是因為語音表達有其局限，它是線性的，信息密度低，也缺乏復雜結構的承載能力，而且易受環(huán)境影響。對于這些問題，語音聽寫工具可能還需要交出更好的答案。

而且如果語音交互真的成為主流工作方式，現(xiàn)有的辦公室結構也將面臨重新設計。過去幾十年里，辦公空間默認服務于安靜打字的人類，而未來，它也許要開始服務一群持續(xù)低聲說話的人。聲學隔離、半封閉語音工位、針對不同噪音等級的空間分區(qū)，甚至專門用于人機對話的“語音會議室”……這些聽起來有些遙遠的設計，或許會成為標配。

1.https://www.theguardian.com/technology/2026/may/12/end-of-typing-workers-ditching-keyboards-voicepilling-ai-dictation

2.https://techcrunch.com/2026/05/10/get-ready-for-the-whisper-filled-office-of-the-future

3.https://www.wsj.com/tech/typing-is-being-replaced-by-whisperingand-its-way-more-annoying-a804fee7

注：封面/首圖由 AI 輔助生成