記者 鄭晨燁

淘寶上最近流行起了一種鍵盤產(chǎn)品，但它只有4個按鍵、1個撥桿和1個麥克風接口，沒有字母鍵，不能打字，售價269元起，搭配大疆麥克風的版本售價400多元。這個產(chǎn)品叫AhaKey-X1，由南京錦心灣科技有限責任公司（下稱AhaKey）開發(fā)，今年春節(jié)前后才上線。

它的用途很簡單：方便用戶對AI說話。

用戶只需按下語音鍵，對著麥克風口述工作指令，AI將語音轉(zhuǎn)成文字后發(fā)送給Claude、ChatGPT、DeepSeek、Cursor等AI工具執(zhí)行。不管是寫代碼、改方案還是整理會議紀要，用戶都不需要打字，說出來就行，AI會自動把口語化的表達整理成結(jié)構(gòu)化的文本。

AhaKey聯(lián)合創(chuàng)始人兼CTO張心陽告訴經(jīng)濟觀察報記者，自產(chǎn)品上線以來，每月銷量翻倍增長，“6?18”期間公司備貨量已近1000臺，目前正和多家產(chǎn)業(yè)資本及投資機構(gòu)接洽融資。

一個沒有字母鍵的鍵盤能賣得好，是因為越來越多的人開始用語音代替打字對AI下達工作指令。這種辦公方式最早在程序員中流行，他們用語音向AI描述需求，AI生成代碼。但現(xiàn)在，產(chǎn)品經(jīng)理、律師、內(nèi)容創(chuàng)作者也開始這樣做。

張心陽告訴經(jīng)濟觀察報記者，有一個令他印象很深的用戶，是一個40多歲的律師，“他連Windows電腦用得都不是特別順”，但買了AhaKey之后，不需要打字就能和AI對話完成工作。張心陽說，這讓他和團隊意識到，AI時代的語音辦公需求可能遠比他們預(yù)想的要大。

實際上，語音輸入并不是什么很新鮮的玩意兒。早在1997年，IBM就推出了商用中文語音識別系統(tǒng)ViaVoice，標稱最高識別率95%，預(yù)裝在當時的主流PC上。此后近三十年，科大訊飛、搜狗、百度等公司在語音輸入領(lǐng)域持續(xù)投入，產(chǎn)品從PC端延伸到手機端，但語音始終沒有成為主流的輸入交互方式。

張心陽認為，變化發(fā)生在AI大模型成熟之后。“過去語音輸入解決的是轉(zhuǎn)文字的問題，沒有解決理解語言的問題。”他說，過去的語音輸入法是把你說的話逐字記錄下來，錯一個字就得手動改，輸出的文字是口語態(tài)的，人讀起來費勁，但AI大模型改變了接收端，哪怕你說得斷斷續(xù)續(xù)，夾著口誤，AI依然能理解你的意思，再輸出一段通順的文字。

或者說，當語音輸入的接收方從人變成AI，對識別準確率的要求大幅降低，語音辦公才真正可以實現(xiàn)。

根據(jù)經(jīng)濟觀察報記者的不完全統(tǒng)計，截至2026年第一季度末，全球語音AI方向的初創(chuàng)公司融資總額已超過70億美元。

目前，海外語音聽寫應(yīng)用Wispr正在進行新一輪融資，目標估值接近20億美元，而在半年前這個數(shù)字還是7億美元；5月12日，Google把AI聽寫功能Rambler內(nèi)置進默認鍵盤Gboard，覆蓋數(shù)億臺Android手機，免費使用；國內(nèi)，5月7日，阿里千問在PC端上線AI語音輸入功能；5月28日，科大訊飛（002230.SZ）發(fā)布AI眼鏡，其搭載的智能體可以將口語化表達自動整理成結(jié)構(gòu)化文本。

過去二十年來，語音輸入一直是輸入法中一個不太好用的附屬功能，現(xiàn)在，AI大模型正在把它變成一種新潮的辦公方式。

“AI感受不到痛苦”

即便如今各類語音輸入工具的識別準確率已經(jīng)很高，同聲傳譯、多語種翻譯等功能也陸續(xù)上線，但語音輸入始終沒有成為一種主流的交互方式。大多數(shù)人在線上交流、辦公或日常交互時仍然選擇打字，問題顯然不在識別準確率上。

科大訊飛穿戴設(shè)備業(yè)務(wù)部總經(jīng)理林會杰在接受經(jīng)濟觀察報記者采訪時提到，傳統(tǒng)語音輸入有一個明顯的問題——語音轉(zhuǎn)寫完成后，“你是沒有辦法直接發(fā)過去的，因為別人一看就知道，你這就是語音打字出來的，觀感不好，雖然說方便了你自己，但是痛苦了別人”。

中文語速通常是打字速度的三倍左右，速度優(yōu)勢明確，但“快”只解決了發(fā)送端的效率。一段口語化的文字，夾著語氣詞、重復(fù)和跳躍的邏輯，對讀的人來說是負擔。比如，微信里收到60秒語音消息會讓人頭疼，原因也在這里——說的人痛快，聽的人痛苦。

這是傳統(tǒng)語音輸入法面對的一個共同問題：哪怕識別準確率做到了99%，輸出的文字依然是口語態(tài)的，沒有標點，沒有段落，時常也會夾著“嗯”“啊”或半句廢話，人讀起來費勁。

但AI感受不到這種痛苦——對人來說難以忍受的口語化文字，對AI來說沒有任何理解障礙，人說得再亂再碎，它都能從中提取意圖。語音輸入“方便了自己，痛苦了別人”的問題，在接收方變成AI的那一刻起就消失了。

于是，語音辦公在兩類場景中快速鋪開。第一類場景是，用戶對著Claude、DeepSeek或ChatGPT說話下達指令，AI直接理解意圖并執(zhí)行任務(wù)，整個過程不需要產(chǎn)出一段通順的文字給人看。這是語音輸入在過去幾十年都沒有遇到過的局面：當接收方從人變成AI，對語言表達的規(guī)范性要求大幅度下降。

用張心陽的話說就是，“理解意圖比逐字準確更重要”。

程序員是最早大規(guī)模進入這個模式的群體。OpenAI聯(lián)合創(chuàng)始人Andrej Karpathy在2025年2月公開提出“vibe coding”（氛圍編程）的概念——開發(fā)者用自然語言描述需求，AI生成代碼，開發(fā)者審核和修改。Karpathy當時就提到，他使用語音聽寫工具SuperWhisper向AI口述編程指令。到了2025年12月，Karpathy已經(jīng)完全停止打字寫代碼，100%依賴語音輸入。

2026年2月底至3月初，OpenAI旗下的編程智能體Codex和Anthropic旗下的編程智能體Claude Code在相隔不到一周的時間里先后上線原生語音模式，開發(fā)者按住空格鍵說話，AI就能接收編程指令。

AhaKey-X1就是為這個工作流設(shè)計的。張心陽說，用Claude Code等AI編程工具時，AI會頻繁要求用戶批準操作，撥桿推上去是自動批準，撥下來是逐一確認，“像自動擋一樣，所有需要批準的就自動批準掉了”。4個按鍵中的3個按鍵分別對應(yīng)說話、確認、拒絕，第4個鍵留給用戶自定義。

據(jù)張心陽介紹，團隊最初自己在用AI辦公時發(fā)現(xiàn)一個問題：正襟危坐在電腦前打字，有時候反而限制想法，“很多點子是靈光一現(xiàn)出來的，可能是在你躺在書房沙發(fā)上的時候”。那么，既然和AI交流已經(jīng)變成說話了，為什么一定要坐在電腦前？

于是，他們先做了一個開源項目放在開源社區(qū)GitHub上，有人看到后就來買元器件和套件，再后來就有人希望直接收到組裝好的成品。“是用戶推著我們往前走的。”張心陽說。在小紅書上，也已經(jīng)有不少用戶自己花69元錢買三鍵小鍵盤、配一個麥克風，手搓出類似的設(shè)備。

語音辦公快速鋪開的第二類場景是，即便最終還是需要產(chǎn)出文字給人看，AI也在語音轉(zhuǎn)寫之后增加了一層語義處理：自動刪除語氣詞，修正語法，理順邏輯，調(diào)整句式，輸出一段可以直接使用的通順文字。這個過程造成的延遲通常只有一兩秒鐘。

“哪怕你前面說的內(nèi)容有錯誤，后面又糾正過來了，AI都可以幫你完整梳理出來，形成一個有效的文案內(nèi)容。”林會杰這樣告訴記者。這也意味著，過去的語音輸入需要極高的識別準確率才勉強可用，現(xiàn)在的語音輸入即便準確率一般，大模型憑借理解能力也能輸出比逐字轉(zhuǎn)寫更好的結(jié)果。

事實上，過去兩年，一批圍繞AI語音聽寫的創(chuàng)業(yè)公司在快速成長，其中估值最高的是位于美國舊金山的Wispr公司。這家公司2021年成立，最初做腦機接口腕帶（用于無聲語音輸入），2024年年中轉(zhuǎn)型做語音聽寫軟件。

公開信息顯示，截至2026年初，Wispr累計完成約8100萬美元融資。根據(jù)Wispr披露的數(shù)據(jù)，持續(xù)使用產(chǎn)品超過6個月的用戶，日常輸入中72%的字符通過語音而非鍵盤完成；產(chǎn)品上線至今，用戶規(guī)模同比增長超過100倍，使用滿12個月的用戶中有70%仍在活躍使用。

2025年9月，LinkedIn聯(lián)合創(chuàng)始人Reid Hoffman在社交媒體上宣稱自己被“voicepilled”（語音覺醒），稱這是“一種全新的能力放大方式”。

截至2026年5月，Wispr的目標估值已接近20億美元，半年內(nèi)上漲了近三倍。一個聽寫應(yīng)用估值20億美元，資本市場顯然在押注語音替代一部分鍵盤輸入的場景。

訊飛輸入法也在跟進這個方向。2025年底，訊飛輸入法在鍵盤界面新增了一個AI鍵，用戶長按該鍵即可用語音直接向AI下達指令，不需要切換到其他應(yīng)用。科大訊飛2025年年報披露，訊飛輸入法大模型服務(wù)用戶滲透率提升900%，輸入效率提升77%。

這或許可以說明，語音辦公的需求正在從極客圈向更廣泛的職場人群滲透。

“悄悄說話！”

語音辦公的速度優(yōu)勢很明確，但辦公不只是追求速度。寫一封措辭謹慎的郵件、改一段邏輯復(fù)雜的代碼、打磨一份給客戶的方案，這些場景需要的是精確控制，而不是快速表達。能不能覆蓋這些場景，是語音辦公能走多遠的關(guān)鍵問題之一。

經(jīng)濟觀察報記者在采訪中問張心陽：有人認為用鍵盤打出來的提示詞更有條理，打字過程本身會幫你整理思路，語音輸入能取代這個過程嗎？對此，張心陽的回答是，“打字的價值永遠存在”。

他把兩者分得很清楚：語音在表達那一側(cè)，鍵盤在整理那一側(cè)，“你要修改某個東西的時候，思考過程本身對你是有價值的”。語音解決的是把想法快速“倒”出來，編輯和深度思考仍然需要鍵盤。

張心陽還提到一個變化：兩年前，“提示詞工程師”是熱門招聘崗位，用戶需要精心設(shè)計輸入格式才能讓AI給出滿意的結(jié)果。但現(xiàn)在，這個崗位基本消失了，AI自己就能把零散的口語化輸入進行結(jié)構(gòu)化、拆解、調(diào)度，“純從效果方面看，已經(jīng)不需要人再去編輯打字了”。

AI對輸入格式的容忍度越來越高，用什么方式給AI下指令變得越來越不重要。在這個前提下，速度最快、認知負擔最低的輸入方式自然會勝出，而且說話時不需要把想法先翻譯成書面語。或者說，AI對自然語言的理解能力到了今天這個水平，以語音為核心交互方式的辦公產(chǎn)品第一次具備了成立的條件。

但實際上，用語音操作電腦的想法比AI大模型出現(xiàn)得更早。

2018年5月15日，錘子科技在北京鳥巢舉辦發(fā)布會，創(chuàng)始人羅永浩彼時在臺上演示了堅果TNT工作站。TNT全稱Touch and Talk，主打語音加觸控操作桌面電腦，用戶對著屏幕說話就能完成搜索、編輯文檔、發(fā)送郵件等操作。這樣一個被錘子科技定義為跨時代的產(chǎn)品，卻在發(fā)布會后被大范圍嘲諷，網(wǎng)友調(diào)侃的“安靜！你吵到我用TNT了！”一度成為彼時互聯(lián)網(wǎng)流傳甚廣的“名梗”。

網(wǎng)友們嘲諷TNT的核心原因是羅永浩在現(xiàn)場演示的語音交互體驗不好。2018年的語音識別技術(shù)雖然已經(jīng)能做到較高的準確率，但沒有大模型理解意圖，每一個識別錯誤都是一個需要用戶手動糾正的摩擦點——用戶必須說得字正腔圓、邏輯清晰，機器才能給出正確響應(yīng)，稍有含糊，體驗就會崩掉。

或者說，2018年語音交互的接收方是一套傳統(tǒng)軟件系統(tǒng)，它需要精確的輸入才能運行，對口語化表達缺乏容忍度。哪怕語音識別本身的準確率已經(jīng)達到95%以上，剩下那5%的錯誤在沒有大模型兜底的情況下，每一個都會變成用戶體驗的斷裂點。

在當時的技術(shù)條件下，一個以語音為主要操作方式的桌面電腦，無法兌現(xiàn)它的承諾，也無法帶來想象中的體驗。如果TNT搭載的是一個能理解自然語言的大模型，并且在今天發(fā)布，它面對的將是另一種情形。

大模型解決了“聽不懂”的問題，但“不方便說”的問題仍然存在。在張心陽看來，語音辦公在實際推廣中面對的第一個問題就是噪聲，“在開放式辦公室里，七八個人同時對著電腦嘟囔，哪怕每個人都在壓低音量，匯在一起也夠讓人頭疼的”。

美國人力資源軟件公司Gusto的聯(lián)合創(chuàng)始人Edward Kim近期在接受媒體采訪時也表示，他在公司內(nèi)部推廣語音辦公工具，自己“現(xiàn)在幾乎一直在對著電腦說話”，但在辦公室里持續(xù)這樣做“確實有點尷尬”。

張心陽介紹，AhaKey搭配大疆麥克風可以做到低聲識別，在20分貝的音量下仍能保持99%的準確率，20分貝大約相當于深夜臥室里的耳語，坐在旁邊的同事幾乎聽不到你在說什么。

當然，在這個問題上也有另外的技術(shù)解決方案。5月28日，科大訊飛研究院語音翻譯條線總監(jiān)孔常青在接受經(jīng)濟觀察報記者采訪時介紹，訊飛最新發(fā)布的AI眼鏡采用了唇動識別結(jié)合麥克風陣列的多模態(tài)降噪方案，在展會、地鐵、餐廳等高噪音場景下，識別準確率可以提升30%到40%。

唇動識別和低聲識別是兩種不同的技術(shù)路徑，但面對的是同一個市場需求：在人多嘈雜的環(huán)境里也能用語音辦公。“尤其是對于一些以前完全不可用的特別吵的場景，（唇動識別）基本上已經(jīng)達到了使用的門檻。”孔常青說。

語音辦公面臨的第二個問題是隱私——口述內(nèi)容變成聲波，郵件內(nèi)容、代碼邏輯、商業(yè)想法，周圍的人都能聽到；另外，云端處理的語音數(shù)據(jù)也讓人有安全顧慮。

2025年11月，有用戶在社區(qū)論壇上發(fā)現(xiàn)，AI語音聽寫軟件Wispr Flow在宣稱“零數(shù)據(jù)留存”的同時，實際上在存儲用戶的屏幕截圖并上傳至服務(wù)器。該事件迅速發(fā)酵，Wispr CEO Tanay Kothari隨后公開道歉并更新了隱私策略。Google在2026年5月發(fā)布AI語音聽寫功能Rambler時也特別強調(diào)，“不存儲語音錄音，音頻僅用于轉(zhuǎn)寫”。

噪音和隱私的問題還沒有完全解決，但這并沒有阻止硬件廠商的快速入場——從錄音卡片、耳機到眼鏡、鍵盤，圍繞語音和AI的辦公硬件正在密集出現(xiàn)，品類和價格帶也在快速拓寬。

比如，2025年8月，釘釘發(fā)布首款A(yù)I硬件DingTalk A1，售價分799元和499元兩個版本，搭載6顆麥克風陣列，支持120多種語言轉(zhuǎn)寫；2026年1月，飛書聯(lián)合安克創(chuàng)新發(fā)布AI錄音豆，重量10克，售價899元；此外，科大訊飛、360公司也推出了類似產(chǎn)品。

對此，林會杰的感受很直接：“對著鍵盤空流淚。我能想到是什么，也能說出來是什么，但打字打出來的時候就很痛苦。”他認為，在想法和文字之間始終隔著一層翻譯，從腦子里的念頭到手指在鍵盤上敲出的字符，中間既有信息損耗，也有時間損耗，但AI大模型正在改變這種狀況。據(jù)其介紹，訊飛的GlassClaw智能體可以把口語化表達自動整理成通順文本，“一句話即可完成從查詢信息到撰寫方案到發(fā)送郵件的全流程”。

張心陽亦稱，其團隊正在探索本地Agent與隱私計算能力。如果這個方向成立，語音加AI的組合將有可能催生一個獨立于PC和手機之外的新辦公硬件品類。當然，鍵盤依然會存在，但它的角色會發(fā)生變化——從主要輸入工具變?yōu)榫庉嫻ぞ摺?/p>