当 Agent 已经能自动写代码、跑测试、修 Bug 的时候，我发现了一个尴尬的事实：我打字的速度，跟不上 AI 干活的速度了。
用 Claude Code 写项目，最大的瓶颈早就不是"AI 能不能写对"，而是"我能不能快速把需求说清楚"。一个复杂的功能描述，键盘敲完要两三分钟，AI 执行可能只要三十秒。
于是我花了一周时间，把市面上能找到的语音输入方案全部试了一遍。
结论先放这里：最好的方案不是什么高级工具，就是输入法自带的语音输入。
为什么 Agent 自带的语音方案都不好用
先说说我踩过的坑。
Claude Code 在今年 3 月上线了 /voice 命令，按住空格说话就能输入。听起来很美好，但有一个致命问题：不支持中文。对于中文开发者来说，你的需求描述、注释、commit message 里大量中文，这个功能直接废了一半。
Cursor 也有语音编辑功能，GitHub Copilot 也跟进了。但这些工具内置的语音输入有几个共同的毛病：
- 跟工具绑定，换个终端就没了
- 不够稳定，经常识别中断或者延迟很高
- 中英混合能力差，说一句"帮我写一个 API 接口处理 webhook 回调"，识别出来的东西惨不忍睹
还有一些开源方案，比如 VoiceMode MCP，原理是通过 MCP 协议给 Claude Code 加语音。我试了，配置复杂，依赖多，日常用太折腾。
然后我突然想通了一件事：为什么非要在 Agent 里面解决语音输入的问题？
输入法本身就是干这个的。语音识别成文字，文字输入到任何输入框——包括终端。这不就是最自然的方案吗？
四大输入法语音输入实测
我测了四个主流输入法的语音输入能力，用同一句话："帮我写一个 Docker Compose 配置，部署 Redis 和 PostgreSQL，加上健康检查和自动重启。"
macOS 原生听写
快捷键：双击 Fn 键
优点：零配置，M1 以上支持离线识别，延迟极低。
问题：技术术语基本全军覆没。Docker 变成"多克"，PostgreSQL 不用想了，Kubernetes 每次说出来的都不一样。而且中英混合很差，需要手动切语言，不能在一句话里自然混用中英文。还有个烦人的地方——30 秒没声音就自动断了。
评价：写微信聊天够用，AI 编程场景不行。
搜狗输入法
之前我以为搜狗 Mac 版不支持语音输入，其实是支持的——双击 Option 键就能唤起。
但实际体验一般。 纯中文识别还行，官方说 98% 准确率，体感差不多。问题是技术术语和中英混输没有针对性优化，API 偶尔能对，Docker 经常变成"多克"。
更关键的是，搜狗这两年的更新基本是修 Bug，没有 AI 能力的迭代。在语音输入这个赛道上，搜狗已经掉队了。
讯飞输入法
老牌语音识别玩家，接入了星火大模型。
优点很明显：25 种方言支持，离线可用，1 分钟 400 字的转写速度。Mac 端和 Windows 端都有。
但对开发者场景没有专门优化。 技术术语识别率大概 91%，比原生听写好很多，但跟后面要说的豆包比还是有差距。Mac 版功能比手机端少一截。
讯飞的 AI 功能（智能纠错、润色）更适合写文章，不是为编程场景设计的。
豆包输入法（重点推荐）
字节跳动去年底发布的新输入法，基于自研的 Seed-ASR 2.0 模型。
一句话评价：中英混输目前最强，而且免费。
同样那句测试语句，豆包是唯一一个能完整识别出 Docker Compose、Redis、PostgreSQL 的输入法。中文语句里夹杂英文技术术语，它能自然地把英文词保留为英文，不会强行翻译或音译。
其他亮点：
- 支持轻声说话识别（不用吼）
- 支持离线模型
- 纯净无广告
- 完全免费
最大的遗憾：PC 端还没正式发布。 目前手机端已经很成熟了，Mac 版在内测中，Windows 版还在开发。我现在在手机上用豆包，Mac 上暂时用讯飞过渡。
据说豆包 PC 版的语音识别已经是业内最强水平了，等正式发布后我会第一时间更新测评。
如果你愿意折腾：Whisper 本地方案
对于隐私敏感或者想要极致体验的人，还有一条路：用 OpenAI 开源的 Whisper 模型在本地跑语音识别。
2025 年底发布的 Whisper v4，技术术语识别准确率达到了 99.2%，已经接近人类转写员水平。而且完全本地运行，音频不出设备。
几个值得关注的工具：
CapsWriter-Offline（免费，强烈推荐）
- 基于阿里 FunASR 模型，中文识别非常好
- 按住 CapsLock 说话，松开就上屏
- 免安装便携版，延迟 200ms 以内
- 支持热词自定义——你可以把项目里的变量名、API 名都加进去
Superwhisper（$249 买断）
- 100% 本地处理，有个 Super Mode 能感知当前屏幕上下文
- 在 IDE 里会自动把口语转成代码风格的表述
- 但中英混合有已知 Bug，而且价格不便宜
Wispr Flow（$15/月）
- 全平台覆盖，上下文感知
- 编程术语识别率 97.2%
- OpenAI 的 Codex 集成了它的引擎
- 是目前海外开发者圈最火的语音输入工具
我的最佳实践
用了一周语音输入写代码之后，我总结出一个原则：
语音说意图，键盘打精确值。
什么意思？需求描述、功能解释、Bug 复现步骤——这些用语音说，又快又自然。但文件路径、URL、变量名——这些还是键盘敲，语音识别再准也不如手打靠谱。
具体到工具选择：
| 场景 | 推荐方案 | 理由 |
|---|---|---|
| 中文开发者日常 | 豆包输入法 | 中英混输最强，免费 |
| 豆包 PC 版没出来之前 | 讯飞输入法过渡 | Mac/Win 都有，够用 |
| 纯英文指令 | Claude Code /voice | 零成本，编程术语优化好 |
| 隐私敏感 | CapsWriter-Offline | 完全本地，免费，中文优秀 |
| 预算充足追求极致 | Wispr Flow | 全平台，上下文感知 |
一个更大的趋势
语音输入只是一个切口。背后的趋势是：AI 编程的瓶颈正在从"AI 能力"转向"人机交互效率"。
2025 年，我们还在讨论 AI 能不能写对代码。2026 年，AI 写代码的能力已经足够好了，反而是"怎么更快地告诉 AI 你要什么"变成了新的效率瓶颈。
GitHub Copilot、Claude Code、Cursor 在过去半年密集上线语音功能，不是巧合。专门为开发者做语音输入的创业公司（Willow Voice、Wispr Flow、Aqua Voice）也在这一年集中冒出来。行业已经达成共识：键盘不是唯一的输入方式了。
下一步可能是什么？我猜是多模态输入——你对着屏幕说"把这个按钮移到左边"，AI 能同时理解你的语音和你指的是哪个按钮。这个能力，一些工具已经在做了。
但现在，先把语音输入用起来。它不需要什么高级工具，一个好的输入法就够了。
试试双击 Fn 键说一句话，感受一下语音输入的速度。然后你会明白，为什么键盘在 AI 时代可能不是最优解。
