文 | 影子備忘錄

不知道大家有沒有注意到，近年來身邊越來越多的年輕人，聊天時不再低着頭噼裏啪啦地敲螢幕，而是對着手機麥克風，按住說話，於是一段文字便快速生成。

地鐵上、咖啡館裏、甚至辦公室工位上，隨處可見這樣的場景：一個人舉着手機，嘴脣微動，螢幕上自動跳出一行行文字。「按住說話」這個曾經被視為「老年人不會打字才用的功能」，如今正在成為年輕人的新寵。

更誇張的是，在一些AI編程社區，開發者們已經不再敲代碼了，而是對着麥克風說出需求，AI直接生成代碼。

一款名叫Typeless的語音編程工具，公測3個月就收穫了120萬開發者用戶，2026年3月完成1.2億美元A輪孖展，估值漲到8.5億美元。

這不禁讓人想問一個問題：在AI的加持下，未來的年輕人，還會打字嗎？

從九宮格到「按住說話」

先看幾組數據。

三年前，語音輸入的日常使用率只有32%。三年後，這個比例已經要達到65%-70%。翻了一倍多。

騰訊搜狗輸入法在2026年初宣佈全面AI化，其AI用戶規模已經破億，日均語音使用次數接近20億次，平均每秒超過2萬人對着螢幕說話。

《2025年中國第三方輸入法行業洞察報告》顯示，AI語音輸入功能的使用率在所有AI功能中排名第一，達到40.9%。

用戶選擇「動口不動手」的首要原因，是「避免手動輸入繁瑣」，佔比高達48.60%。

全球範圍內，約有84億台活躍的語音助手，超過一半的智能手機用戶每天都會進行一次語音搜索，約32%的消費者如今每天用語音而非打字來搜索。

更值得關注的是趨勢。招商證券國際的研報指出，語音輸入速度比打字快近3倍。

倫敦政治經濟學院與Jabra聯合研究預測，到2028年，語音AI將成為主要工作方式。

Jabra全球品牌傳播負責人保羅·塞普頓甚至直言：「等到Alpha世代進入職場，AI將全面融入，他們的工作會在打字之前就通過口述完成。」

這些數字背後，是一場正在發生的交互革命。

打字，這個我們習以為常了半個多世紀的人機交互方式，正在被一種更原始、更本能的方式悄悄替代，而這種方式就是說話。

要理解這場變革的深度，有必要先回顧一下輸入法走過的路。

中文輸入法的歷史，本質上是一部「降低輸入門檻」的歷史。

上世紀80年代，五筆字型橫空出世。為了在26個英文字母的鍵盤上打出成千上萬個漢字，王永民發明了一套形碼方案，即把漢字拆成字根，再映射到鍵盤上。

這套方案效率極高，但學習成本也極高。一個普通人要記住上百個字根的鍵位，沒有幾個月的刻意練習根本做不到。

90年代，智能ABC和拼音輸入法登場。相比五筆，拼音的門檻低得多，只要會拼音，就能打字。但代價是重碼率極高，選字頻繁，輸入效率大打折扣。

進入智能手機時代，輸入法迎來了第一次真正意義上的「大衆化」，即九宮格和全鍵盤之爭。

九宮格適合單手操作，全鍵盤更適合雙手盲打。兩種流派各有所愛，但本質上都是在「用手指在螢幕上點按」。

2010年前後，訊飛輸入法率先將語音識別技術引入手機輸入法。但那時的語音輸入，充其量只是一個「輔助功能」，因為識別準確率堪憂，稍微有點口音就翻車，更別說方言和中英混輸了。

大多數用戶嘗試幾次之後，還是會回到鍵盤。

真正改變遊戲規則的，是大語言模型的崛起。

過去的語音識別，是「聽字」，只要機器努力聽清你發的每一個音，然後機械地轉寫成字。

而AI加持下的語音識別，是「聽話」，機器能夠快速理解你在說什麼，然後主動幫你組織成通順的句子。

AI如何讓語音輸入「脫胎換骨」

2022年，OpenAI開源了Whisper語音識別模型，把通用語音識別的準確率拉到了98%以上。Whisper-1的平均準確率達到92.8%，最高可達98.3%。

這僅僅是個開始。

2025年，硅谷一家公司推出了Scribe v2 Realtime模型，實現了150毫秒的超低延遲和93.5%的高準確率，覆蓋90多種語言。換句話說，你說完話的瞬間，文字就已經出來了，幾乎感覺不到等待。

但AI帶來的進步遠不止「快」和「準」。

首先是「理解」。大模型讓輸入法不再只是「轉寫工具」，而變成了「理解工具」。過去你說「wo xiang chi fan」，輸入法只能機械地給出「我想喫飯」。

現在你說「我想恰飯」，AI知道這是網絡用語；你說「我肚子餓了，想搞點喫的」，AI能自動幫你潤色成「我餓了，想喫點東西」。

其次是「糾錯」。模型讓輸入法的實時糾錯功能已能精準識別音近字、形近字錯誤，甚至糾正語法邏輯偏差。

再次是「多語言和方言」。如今的輸入法大多支持30餘種方言識別。豆包輸入法實測中文、英文和粵語識別準確度「高得離譜」，粵語夾英文的句子如「Sorry啊，我地已經盡曬力啦」都能一字不差地識別。

字節跳動的Seed-ASR2.0模型在中英文測試集上的錯誤率比上一代降低了10%-40%。

最後是「場景適配」。豆包輸入法提供了150MB的離線語音模型，無網時也能實現0.8秒低延遲語音轉換。

電梯、地下車庫這類弱網場景，照樣能用語音輸入。

這些技術進步疊加在一起，產生了一個質變：語音輸入從「備胎」變成了「主力」。

年輕人正在「動口不動手」

技術準備好了，用戶習慣的變化比想象中更快。

有用戶分享了自己的經歷：「我用了不到一周的時間，就改變了已經形成20多年的習慣，主要的輸入方式從打字變成了語音。」用時53分鐘輸入5500字，每分鐘155字，節省了2.5小時。

一位AI語音輸入法的使用者寫道：「自從用上它，我已經不想再用鍵盤打字，不想再用已經有腱鞘炎的手指去編寫冗長的Prompt。」

曾經他覺得打字比語音更有邏輯，因為打字迫使他慢下來邊寫邊整理思路。

但現在的AI語音輸入法，能夠在輸入環節把不連貫、缺乏結構的口頭表達優化成清晰的提示詞。

極客公園的一位編輯也經歷了類似的轉變：「如果幾年前有人跟我說，你以後寫稿可能不怎麼需要鍵盤了，我大概會把這句話當成一句玩笑。」

但高頻使用AI App的這兩年，他越來越清晰地感覺到：「在越來越多的場景裏，我不再想‘敲一段字問它’，而是更想‘按住麥克風直接說’。」

這種轉變背後的邏輯其實很簡單——說話比打字快，也比打字省力。

普通專業人士的打字速度約為每分鐘40到60個詞，而說話速度高達130到150詞。

語音AI聽寫將這一速度差距轉化為實實在在的生產力增益。人類的思維速度約每分鐘400字，而打字僅有40字。打字是思維的瓶頸，不是表達的瓶頸。

更關鍵的是，和AI交互時，用戶不用在意錯別字、不用在意格式、不用一上來就組織成一段「體面」的文字，甚至可以中途換一個角度，AI依然能跟得上。

這種「低門檻、高容錯」的交互方式，天然更符合年輕人的使用習慣。

有觀察者發現，很多年輕人（後90後到00後）打字指法都不規範，能盲打的是少數。

Z世代雖然被稱為「數字原住民」，但因成長環境偏重移動端，電腦操作能力普遍薄弱。

對於這些「移動互聯網原住民」來說，語音輸入不是「替代方案」，而是「默認選項」。

大廠押注的「隱形競賽」

資本和巨頭的動向，往往是最敏銳的風向標。

海外市場，Wispr Flow累計孖展金額已達8100萬美元，估值7億美元。如果2026年5月的2.6億美元B輪孖展洽談成功，估值將攀升至20億美元。

Typeless在2026年3月完成1.2億美元A輪孖展，投後估值達8.5億美元。AI語音轉文字工具市場在2025年價值約33億美元，2026年有望突破38.7億美元，預計2035年將達164億美元。

國內戰場同樣火熱。

搜狗輸入法在2026年1月宣佈全面AI化，AI語音、AI翻譯、AI打字三大模型同步升級。騰訊將輸入法和AI搜索結合起來，發現用戶使用頻次明顯上升。

字節跳動推出豆包輸入法，把語音輸入作為最大賣點。其「按住說話，鬆手結束」的極簡交互，實測中文、英文和粵語識別準確度「高得離譜」。

微信輸入法iOS版3.0開啓內測，支持方言語音輸入。

科大訊飛發布訊飛輸入法15.0，在傳統鍵盤裏硬加一顆AI鍵，一鍵接入星火大模型。智譜也推出了智譜AI輸入法。

為什麼大廠如此積極？因為輸入法是幾乎所有互聯網行為的入口。通過高頻的用戶互動掌握大量用戶意圖數據，輸入法被認為是AI Agent的雛形。

誰掌握了輸入法，誰就掌握了用戶與AI交互的第一道關口。

這是一場輸不起的入口爭奪戰。

寫在最後

回到最初的問題：未來的年輕人，真的不會打字了嗎？

答案或許比「會」或「不會」更復雜。

首先，打字不會完全消失，但角色會改變。正如網友熱議的那樣：「鍵盤不會立刻消失，但在越來越多的場景裏，它已經悄悄退成語音之後的‘編輯器’。」

未來的工作流可能是：口述生成初稿，打字進行修訂。打字從「創造」變成了「編輯」，從「思考」變成了「潤色」。

其次，不同場景的分化會加劇。日常聊天、搜索查詢、AI對話等這些場景語音輸入的優勢明顯，正在快速佔領。

但需要精確表達、嚴謹措辭的場景，比如法律文書、學術論文、代碼調試等打字仍然是更可靠的選擇。ESSEC商學院管理學副教授法布里斯·卡瓦雷塔指出：「閱讀文本比聽語音更快，搜索關鍵詞也更高效。」

第三，代際差異會加速這一進程。倫敦政治經濟學院的研究預測，等到Alpha世代（2010年後出生）進入職場，他們將「在打字之前就通過口述完成工作」。

對於這一代人來說，語音交互是天生的、本能的，打字反而是需要後天學習的「技能」。

第四，硬件形態的演變會進一步降低打字的需求。當AI小鍵盤、靜音面罩這類硬件普及後，公共場合使用語音輸入的障礙將被大幅削弱。

當AR/VR設備普及後，虛擬鍵盤可能永遠都不會成為主流交互方式，因為用手比劃遠不如動嘴方便。

騰訊搜狗輸入法大模型產品面對負責人曾表示：「語音無疑是一種重要的輸入方式，它一定會繼續增長，但是不能因此忽略了打字的重要性。至少在硬件完全顛覆之前，打字仍然是非常重要的能力。用戶的目的是得到一個最好的輸入結果，方式可以是多變的，語音也不一定是唯一選項。」

他還補充道：「現在很多Vibe coding沒有鍵盤，但並不意味着Vibe coding就不需要鍵盤，可能是因為短時間內還沒有好的鍵盤。所以，輸入法的演變形態，我們才啱啱看到令人興奮的開始，還遠遠沒有到只拿一個麥克風就可以搞定一切的終極形態。」

拋開技術和數據，這場變革背後有一個更深層的問題值得思考：

當「說話」成為人機交互的主要方式，我們對「文字」的理解會發生怎樣的變化？

過去幾十年，打字塑造了我們的思維方式，它要求我們先把想法組織成線性的、有結構的句子，再一個一個字符地敲出來。

這個過程雖然慢，但也強迫我們思考、整理、精煉。

而語音輸入讓我們可以「想到什麼說什麼」，思維的自然流速遠快於打字，AI還能幫我們潤色和整理。輸入的門檻降低了，但思考的門檻呢？

當AI可以幫我們把零散的口頭表達自動整理成邏輯嚴密的文字時，我們是否還會花時間去打磨自己的表達能力？

當「說話」就能搞定一切時，書面語的嚴謹性和精確性會不會被稀釋？

這些問題沒有標準答案。但有一點是確定的：

我們正在見證人機交互史上最重要的一次範式轉移。從鍵盤到觸屏，從觸屏到語音，每一次轉移都讓技術的使用門檻更低，讓更多人能夠參與數字世界。

打字不會消失，就像毛筆沒有消失、鋼筆沒有消失一樣。但它會從一個「必備技能」變成一個「專業技能」，從「全民標配」變成「部分人的工具」。

未來的年輕人，或許真的不需要「學會打字」了。他們只需要學會「好好說話」，而AI會幫他們把話說成字。