别再只打字编程了，语音才是 AI 时代的输入方式

什么是 Voice Coding

这段时间我越来越常用语音跟 🦞OpenClaw 或 Coding Agent 沟通。甚至很多时候会刻意少打字，多说话。

以前我常常会卡在“怎么把 prompt 写清楚”——我明明脑子里已经有完整的上下文，已经想清楚了背景、风险、约束：为什么要这么改、哪些东西不能动、风险点在哪里……

但一旦开始打字，这些信息会被我自己压缩成几句话。写出来的内容越短，AI 越容易漏掉关键前提。

然后就会出现那种很常见的情况：AI 给的方案看起来很合理，但跟我实际的约束不对齐；我得不断补充前提、纠偏、重来；最后“省下来的打字”，变成了“多出来的返工”

后来我发现问题不在 AI，也不在我“不会写 prompt”，而是输入带宽太低：打字天然会让你惜字如金（打错字了也会下意识去删除更正，打断注意力）而语音更容易把脑子里的隐含信息完整倒出来。对 Coding Agent 来说，这些隐含信息，往往比你写得多不多、有没有错别字更重要。

语音能给出更多“有效信息量”（不是更长，是更完整）

AI 跑偏很多时候不是能力问题，是信息差问题。

打字时我经常会省略掉这些内容：

• “这个模块历史包袱很重，别大改，先做最小改动”
• “这个接口外部在用，不能破坏兼容性”
• “先别追求优雅，先跑通并补测试”
• “这个东西线上出过事故，风险点在这里”

这些其实才是“让 AI 做对事”的关键条件。语音输入时，我反而更容易顺嘴把这些都讲出来。这些不是“额外的碎碎念”。对 Agent 来说，它们决定了解题方向。

语音更贴近思考速度，表达更连续

另一个很现实的点：思考速度比手打快。

打字会把注意力拉到措辞和排版上，让我频繁进入“编辑模式”：删字、改句、纠结措辞；语音则更像把思路直接倾倒出来，把脑子里的内容直接说出来。它不一定更正式，但往往更接近完整版本。

我在 Coding 的过程中通常会先做计划。

如果你走过 Spec Coding 的流程，就会很熟悉：先把需求拆解成一系列可落地的子需求点；然后针对每一个子需求点，分别做 Plan / Spec。

扩展阅读： 开箱即用的 Spec Coding 👨‍💻 工作流

而 Voice Coding 在这里最有价值的地方，是：你可以像跟新同事交接一样，一股脑把信息都讲出来。你越愿意讲清楚，Agent 产出的 Plan 就越清晰、越像一个靠谱的工程计划。

我一般会覆盖这些信息（不要求一次说得很漂亮，先把关键信息讲到位）：

• 背景与目标：为什么要做、要做到什么程度
• 约束与验收：哪些不能动、哪些必须兼容、怎么验证算完成
• 边界与隐含信息：错误路径、空值、极端输入、已知历史坑
• 架构与技能：希望沿用的设计方式、模块边界、涉及技术点
• 可参考代码：仓库里类似实现的位置，或者你希望它对齐的写法

你也可以直接把参考路径念出来，比如“目录在…/…，类似实现是…/…”。这类信息对 Plan 的质量影响很大。

这其实非常像跟刚入职的同事交接或者给实习生分配任务，当面做一次 One-on-One 把需求讲透：先把信息喂饱，Agent 产出的 Plan / Spec 才容易一次对齐。

软件怎么选：从“纯转写”到“意图理解” 差别非常大

语音识别软件这块我试用过不少。

识别准确率本身，各家差距没那么大。真正影响体验的，是后处理：它到底能不能把口语变成一段适合交给 Agent 执行的输入。

微信输入法 / 豆包输入法：能用，但属于“上一代转写”

微信输入法最近的新版本（内测）已经支持 FN 键语音输入。（微信 Mac 客户端也自带了一样的语音输入功能）从“可用性”来说它没问题——你说话，它出字，足够快。

豆包输入法 Mac 版目前在内部测试中（最新版本还是 25 年 11 月的），语音输入体验主观上感觉不如 iOS 版。

这类工具的特点是：你说什么，它就写什么。语气词、停顿、反复修正都会保留。

聊天场景这反而是优点，文本看起来更像真实口语。

但在 Coding 场景下就不太理想。即便大模型足够聪明，面对一堆口水话也能大概理解意图，但这种纯转写仍然会带来两个典型问题：

1. 信息干扰

比如你先说了方案 A，讲到一半意识到不对，立刻改口说应该用方案 B。

在纯转写里，A 的错误信息已经进来了；你再讲 B，等于把“正确 + 错误”一起喂给 Agent。它当然可能判断出 B 更合理，但也更可能在某些细节上被 A 干扰。

1. 注意力机制陷阱（越强调不要什么，越容易被误导）

有个经典的心理学测试：“别去想那只粉色大象”，当你告诉自己“不要想起”什么的时候，你已经开始想了。

大模型的注意力机制在某些场景下也会类似：你越反复强调“不要 A”，A 这个 token/概念反而更容易被模型关注到，最终在生成时以某种形式“冒出来”。

所以在我自己的使用习惯里：配合 Coding Agent 做严肃的 Plan / 实现时，我不会使用微信/豆包输入法这种纯转写链路。不是说不能用——而是它更适合聊天、临时记两句；对 Coding 来说它的噪声和干扰成本偏高。

Typeless：开箱即用，而且是真的“会整理”

接下来我最推荐的是 Typeless。

省心是一方面，更关键的是输出质量稳定。它的内置润色 Prompt 明显是精心打磨过的：同一段口述在不同语境下，输出都比较符合预期。

我最常遇到的两个场景：

• 想口语化表达时，它不会突然变得过度严谨、过度结构化
• 想写得正式一些（例如喂给 Coding Agent 出 Plan / 改代码）时，它又能把表达收得更专业

1. 开箱即用

Typeless 几乎没有什么需要你设置的地方。打开就能用。

对我来说这点非常重要：Coding 最怕“工具链摩擦”。你如果每次用之前都要调参数、选模型、想格式，最后一定会变成偶尔用一下。

1. 智能化理解（能把你自己口述时的纠错吸收掉）

它最厉害的地方在于：不是把你说的话逐字记录下来，而是会用大模型去理解你的意图。

比如你在口述时：

• 先说了第一点、第二点、第三点
• 讲着讲着突然意识到第二点说错了
• 于是补一句：“第二点我刚才说错了，应该是……（纠正版本）”

Typeless 最终给你的文本，往往已经把错误的部分订正掉了，输出结果更像“你真正想表达的那版”。

1. 恰到好处的润色

它的排版、断句、段落化做得很刚好：更有条理，但又不会像“AI 写作”那样刻意。没有被传染经典的 GPT 5.2 味道

你把它的输出丢给 Coding Agent，体感上会更稳、更像一段可以直接执行的任务说明。

1. 持续学习能力

随着你使用时间增加，它会越来越理解你。

比如可能因为口音问题，它会把 “Claude /klɔːd/ Code” 识别成 “Cloud /klaʊd/ Code” 。这时你可以选中那段词，再按下 Fn + Space 快捷键说这样一句话：

我这里说的 Claude Code 是指 Anthropic 的那个 Coding Agent ，不是云朵那个 Cloud。

它改对之后，后面在类似语境里就更容易自动纠正。

其他免费的语音输入法

另外一类比较火的，是 闪电说 / AutoGLM 智谱输入法 / LazyTyper 等可配置程度较高的免费输入法。

智谱输入法

智谱输入法的优点是开箱即用：它内置了自家的语音模型服务，免费使用，同时也能配置润色 Prompt。

https://autoglm.zhipuai.cn/autotyper/

限制也很明确：模型只能用它内置的（免费，但你不能换成别的）。

闪电说

闪电说的可自定义空间更大。语音识别服务可以用豆包语音大模型或其他在线语音服务（需要你自己申请 API Key），也可以使用本地离线模型。

https://shandianshuo.cn/

同时，润色后处理服务也可以自己选择 LLM 提供商，自己提供 API Key

润色自定义方面可以无脑简单勾选上“自动结构化”、“口语过滤”，也就是 App 内置的润色 Prompt，你也可以完全自定义你自己的后处理润色提示词。

LazyTyper

也是类似闪电说的路线，但更框架化。它可以分别接入语音识别模型和后处理大模型。

https://lazytyper.com/

优势是你可以按场景 （当前使用的 App）定制输出风格（例如 Coding 场景输出格式化 Markdown、工作场景更正式、聊天更口语）可玩性很高。当然对应的缺点就是不像 Typeless 那么开箱即用，想调到顺手需要持续折腾。

如果你非常在意“完全按自己的习惯输出”，LazyTyper 这类工具值得折腾。

PK 测试

一段特意加了一大堆语气词和口误的口播，看看各个软件的转写输出如何

红色高亮的是识别错误的，蓝色高亮的是故意说错纠正的

可以发现 Typeless 不仅识别成功率 100%，还结构化重新组织语言了

闪电说、LazyTyper 等软件理论上也能通过自定义润色 Prompt 调成这个效果，但是需要自己长期不断地调整

小结：差异主要在后处理

总的来说，我用过这么多款语音输入软件，最后还是用回了 Typeless。它确实比较省心，而且输出内容的质量很高。

我自己的感觉是：Typeless 的润色提示词（Prompt）应该是经过精心打磨的，它在各种场景下都能比较符合预期，不太会给你“惊吓”。比如：

• 当你想口语化表达时：它不会输出那种 AI 味很浓、过度严谨或过度结构化的东西

• 当你需要更正式的输出时（尤其是喂给 Coding Agent 出 Plan / 改代码）：它的表达又会变得很专业

当然，如果你有非常强烈的个人偏好（比如你希望固定输出某种 Markdown 模板、或者你希望某些场景必须用你自己的术语体系），Typeless 可能无法 100% 满足你；这时更适合用 LazyTyper 这类高度自定义的工具，慢慢调出专属于你自己的润色提示词。

我也曾经尝试过自己调优，调了挺久，但最后还是不太满意，所以最终还是更倾向“省心优先”。

如果只看“识别对不对”，很多时候大家都能达到可用水平。（不过微信还是差点意思）。

尤其是像闪电说、LazyTyper 这种能接入豆包大模型的方案，豆包在中英文夹杂识别这块做得很准。

这些软件真正拉开差距的点，更多在“后处理”上（也就是把口语变成可用输入的那层工程）：提示词工程和上下文工程

很多工具别看它们表面只是语音输入，其实背后做了不少 harness engineering，用长期/短期记忆、个人词典、知识库，用来让输出更贴近你

甚至于像 Typeless 最近新出的 1.0 版本，已经不满足于只做语音输入了，他想做你的电脑上的 AI 入口。

硬件怎么选：按“离嘴距离”和“延迟”排序

硬件这块我踩的坑，最后都能归结到两件事：

• 离嘴距离：麦离嘴越近，你就越能小声说，识别越稳（开放工位尤其重要）
• 延迟：不跟手会打断思维，还会吞掉你开头几个字

所以我更喜欢用一个很工程化的排序方式：优先选择“低延迟 + 近场”的输入源。

下面按“能用程度”从低到高聊聊（都能用，只是体验差异很明显）。

MacBook 内置麦：最简单，零成本开始

优点：

• 立刻开始，没有任何额外成本

缺点：

• 远场收音，你往往需要更大声
• 环境噪声/键盘声更容易混进来

适合：先验证自己是否喜欢“用说的跟 Agent 沟通”。

蓝牙耳机（例如 AirPods）：比内置麦好，但别指望它能“悄悄话级别”

很多人第一反应是“我有 AirPods，直接用它的麦不就行了？”——它确实比电脑内置麦更近、更稳定一些，但我个人不太建议把它当主力收音设备。

主要是两个硬伤：

• 延迟问题：蓝牙耳机在 Mac 上启用麦克风的瞬间，经常会有 0.5～1 秒的启动延迟。你如果按下按键立刻开口，前面几个字很容易被吞。
• 距离问题：耳机麦在耳朵附近，离嘴还是有距离。你想小声说（尤其开放工位“压低音量”那种），识别准确率就会明显下降。这种“数据源不准”的问题，后面哪怕用 Typeless 这类整理软件，也很难完全救回来。

另外还有一个很具体的系统坑（至少我这边没找到解法）：

• AirPods Pro + Mac：即使开了通透模式、也关掉了对话感知等功能，一旦 AirPods Pro 在 Mac 上开启麦克风，系统仍会出现一种“下意识压低环境音”的行为（很像自适应/降噪逻辑被强行触发），体感上非常难受，而且我没找到可靠的关闭方法。

或者带独立麦克风的头戴式耳机，收音效果好于 AirPods，但仍然存在延迟问题。

总结：蓝牙耳机“能用”，但很难做到稳定、低延迟、可小声的体验。

iPhone 连续互通

如果你不想在工位大声讲，iPhone 的「连续互通相机/麦克风」是个不错的方案：让 iPhone 做 Mac 的麦克风。

将 iPhone 通过数据线连接到 Mac，然后在系统设置 - 声音 里面就能找到这个输入设备。

这里我强烈建议配一个桌面手机支架（磁吸/夹持都行）：把手机架到更靠近嘴的位置，体验会比“手机躺桌上/离人远”好很多。（当然你把手机放在水瓶上支起来也不是不行）

但它仍然有两个现实问题：

• 小声说时准确率一般（悄悄话式音量会更明显掉准确率）
• 有延迟：按下录音到真正开始收音，可能要等 0.5～1 秒。Coding 这种高频短句交互里，这个延迟会让人有点烦。

总结：比蓝牙耳机更“可控”，但仍然不算特别跟手。

有线耳机（例如 EarPods）

它的优势是距离可控：你可以把麦克风拉到嘴边很近，小声说也更稳。

缺点是线缆束缚。

领夹麦克风

如果你准备把 Voice Coding 当成日常输入方式，我最推荐直接上 Type‑C 接收器的领夹麦（150～200 元档的入门级别就很够用了）比如 DJI Mic Mini、猛玛 LARK A1

为什么领夹麦体验最好：Type‑C 接收器插 Mac 上就是实时输入设备，延迟几乎可以忽略；声音更稳定，受环境影响更小。

提醒：下单要买一拖一（发射器+接收器），单发射器不能单独使用 🤣

这也是我目前一直使用的方案。

领夹麦的两种用法：

• 夹在领口：体验其实和“蓝牙耳机麦”在距离上有点像。你如果想特别小声说，准确率不一定稳。
• 桌面支架：用支架把领夹麦固定起来，离嘴只有一两厘米。这个体验会非常明显地变好：你基本可以“悄悄话”音量说话，识别仍然很准。

• 更新：摸索出了个新方案 🤓

  • 支架还是太碍事了
  • 用磁铁把麦克风吸附在蓝牙小键盘上
  • 三个按键自定义为转写键、回车键和换行 (Shift+Enter)

桌面麦克风

桌面麦克风的收音效果非常好，还有定向收音效果。

只需要将麦克风的正面对准嘴巴，就能实现精准收音。

同时因为是有线连接，不用像领夹麦一样每天充电。

缺点就是非常贵，在 Voice Coding 场景下属于杀鸡用牛刀，如果你不是恰好家里有一个桌面麦的话🥸，不建议为了 Coding 而购买（入门级别的领夹麦已经非常够用了）

我常用的 Voice Coding 口播模板

我最常用的其实就是这种“够短，但信息不缺”的版本：

我在做【模块/功能】。目标是【要实现什么】。

约束是【不能动的点/必须兼容的点】。

你先复述你的理解和计划，我们对齐后再开始调研。

如果你有哪里不太明白的，向我采访和提问。

我很喜欢让 Agent 先复述，Agent 会把“理解偏差”尽早暴露出来，而不是等到代码已经改了一堆再返工。

另外一个技巧是让 Agent 采访你，一是能澄清细节，二是 Agent 能问出很多你没考虑过的边界情况。

结尾

对我来说，Voice Coding 的价值不是“少打字”，更重要的是：

• 我更愿意把关键约束讲完整
• Agent 更容易形成正确的任务模型
• 我少了很多“啊这个我刚才没说清”的返工

如果你已经在用 Claude Code 这类 Coding Agent，找一个你这周本来就要做的小任务，换成语音输入试一次就明白了。

不需要换一整套工作流，也不需要追求全程语音。你只要体验一下“把上下文一次讲清楚”的感觉，立马就能爽到😋，同时也能明白它为什么有用。