语音悄声归来

语音助手停滞了。听写起飞了——据它自己说

说一句“Alexa，定个计时器”，你用的是第一种语音输入。把一封邮件口述出来而不是敲出来，用的就是第二种。

语音输入一共有五种，过去两年里它们各走各的路：对语音助手下指令、口述文字（也就是听写）、语音消息、与 AI 模型的语音对话，以及用语音编程、给 AI 智能体布置任务。

第一种的覆盖面已经不再扩大。在美国，2021 年有 33% 的人拥有智能音箱，2025 年是 35%；调查机构自己也说，四年来这个数字几乎没动。¹

英国是例外：同一时期从 25% 升到 45%，主要靠 Alexa。² 每位用户的使用量增长得更久一些：每周在音箱上完成的任务，从 2017 年的 7.5 项增加到 2022 年的 12.4 项。³

但从生意上看，第一波失败了。2017 到 2021 年间，亚马逊设备部门亏损超过 250 亿美元，因为人们用 Echo 定闹钟、查天气，却不用它购物。⁴

第二波几乎只能从公司对自己的说法里看到。听写应用 Wispr Flow 的估值，从 2025 年 11 月的 7 亿美元涨到了 2026 年 8 月的 20 亿美元。⁵

谷歌称，Gemini 应用每月超过 10 亿用户中有 63%“使用语音”，却没说是怎么统计的。⁶ 苹果称，Siri 的请求量从 2024 年的每天约 15 亿次，增长到 2026 年的每天超过 25 亿次。⁷

大型独立调查——Pew、YouGov、Edison、Ofcom——还没有把听写或与 AI 语音聊天单列成一个问题。最接近的一项发现，12 岁及以上的美国人中有 57% 至少用过一次生成式 AI 助手，打字或说话都算。⁸

所以，第二波的增长曲线是由利益相关方画出来的。

第三种——语音消息——是大众习惯，但并没有在增长。WhatsApp 最后一次官方统计是在 2022 年 3 月：每天 70 亿条。¹⁰

YouGov 在 2026 年 2 月调查了 2442 名美国人：约 10% 每周用几次语音消息，41% 说这种形式与自己无关。用得比以前少的（12%）和用得更多的（11%）差不多一样多。⁹

照抄快 3 倍。自己写只快约 1.4 倍

关于语音，被引用最多的数字是：说话比打字快 3 倍。这没错——但只对照抄而言。

这个数字出自一项实验：48 人，每种语言 24 人，在 iPhone 上照抄现成的短句。英语用语音每分钟 153 词，用屏幕键盘 52 词；普通话是 123 对 43。¹¹

作者自己也说，这是在实验室里达到的上限。何况没有人是靠照抄来写东西的。

2020 年，Foley、Casiez 和 Vogel 请 28 人在手机上自己组织一句话，把三幅简单的图画串起来。在真正说出或敲出字词的那段时间里，语音仍然快 3 倍：每分钟 116.5 词对 35.1 词。

但如果把整次尝试都算上——思考、说话、修改——一条消息用语音要 20.8 秒，用键盘要 29.2 秒。约 1.4 倍，而不是 3 倍。¹²

差距被两件事吃掉了。第一个词出口之前，准备说话的人要多想一倍的时间：11.0 秒对 5.3 秒。打字时，人边想边写；说话时，人会先把整句想好。

其次，任何修改都代价高昂：无论哪种方法、哪种任务，需要修改的尝试速度只有每分钟 54.6 词，一次成功的则是 141.1 词。

作为参照：在一个在线打字测试中，16.8 万名志愿者用实体键盘平均每分钟打 52 词，¹³ 3.7 万名志愿者用手机平均打 36 词。¹⁴

至今没有人用如今的语音识别做过对照实验，比较用语音写作和用台式机键盘写作。最近的一次还是 1999 年：初次使用的人用语音写作，算上修改，每分钟 7.8 词，键盘加鼠标是 19 词；照抄文本则是 13.6 对 32.5。¹⁵

你的说话速度是嘴的速度，而不是听写的速度：这里什么都不识别，也没有什么需要修改。你两个数字之间的比值，就是语音最多能给你的。

在 Foley 的实验里，单看说话本身比打字快 3.3 倍，整次尝试算下来是 1.4 倍：扣除思考和修改之后，速度比只剩下约 40%。

机器听到什么，取决于谁在说

在安静的房间里，用播音员的口音说“把会议挪到周四十点”，好的识别器会一字不差。换成拉各斯口音，背景是咖啡馆的嘈杂，它可能打出“把回忆挪到粥食四点”。

识别质量用词错误率来衡量：识别错、漏掉或多加的词所占的比例。2025 年 10 月，一个标准公开排行榜上的最佳模型，在各测试集上的平均值是 5.63%。

Whisper large-v3——许多听写应用背后的开源模型——平均是 7.44%。¹⁶ 作为对比，2017 年测得，细致的专业人工转写在录音电话对话上的错误率是 5.1%。¹⁷

这些平均值掩盖了说话的人是谁。在一个收录世界各地口音的英语对话语料库上，Whisper 听错了 19.7% 的词，而在干净朗读的美式英语上只有 2.7%。

尼日利亚英语和牙买加英语上，连较强的模型错误率也超过 20%，一个学术模型超过 45%。¹⁸

2020 年，五个商用系统对黑人说话者的词错误率是 35%，对白人说话者是 19%：同一个系统，错误几乎翻倍。¹⁹

生成式识别带来了一种新的失误：无中生有。Whisper 在约 1% 的转写中编出了整句话，其中 38% 含有有害内容，比如暴力或不实说法。²⁰

长停顿——在失语症患者中很常见——让编造更容易出现。编出来的一句话比听错的一个词更糟，因为它读起来很通顺。

瓶颈已经从识别转移到了修改。用语音改文字有两个没解决的难题：分清哪句是命令、哪句是要写下来的内容，以及指出要改的位置。

在一项 16 人参加的测试中，点一下错误附近、同时说出正确内容，再让语言模型判断该改哪里——与此前最好的方法相比，任务时间缩短 16.4%，键盘点击减少 47.5%。²¹

口述出来的文字还啰嗦、松散，所以新一代应用在粘贴之前，会先用语言模型把它改写一遍。在一项为期 7 到 10 天、使用这类工具的日记研究中，12 位写作者里有 9 位适应了它，舒适度中位数为 5 分（满分 7 分）。

仍有疑虑的人，说出的还是那些老难题：一边说话一边想下一句，以及把光标放到该放的地方。²²

语音加快的是嘴，不是构思

如果说话快 3 倍，为什么写作没有快 3 倍？因为写作的大部分并不是打字。1983 年一项关于写信的研究发现，写作时间约三分之二花在构思上——在测试的各种条件下介于 58% 到 78% 之间。

无论手写、口述给人记录还是直接说出来，信的质量都一样好。²³ 更快的输出通道，只能加快剩下的那三分之一。

本·施耐德曼（Ben Shneiderman）在 2000 年提出了其中的机制：说话和短时记忆争用同一种资源，而动手可以与思考同时进行。

在他实验室的一项实验中，口头命令比鼠标快 12–30%，但把命令说出口，会让人更难记住之后要重新输入的符号。²⁴

后来的研究排成了一条线，一端是照抄，另一端是解决问题。任务是照抄时，语音更快，感觉也更轻松。任务是写作时，语音稍快一点，感觉差不多。

任务是解决问题时，语音让大脑负担更重。 50 人使用医疗聊天助手，无论任务难易，说话都让测得的脑力负荷上升。²⁵ 35 名急诊医生用语音写病历，慢了 18.1%，出错 138 处，对照条件下是 32 处。²⁶

明显的赢家，是那些瓶颈在手或拼写上的人。有学习障碍的学生用语音识别写出的作文比手写更好；对其他学生则没有差别。²⁷

与 AI 对话也在这条线上。在我找到的规模最大的研究中，一门编程入门课的 919 名学生可以自己选择如何向 AI 工具输入提示词。近九成只选了文字（88.5%），4.8% 只用语音，6.7% 两者都用。

未经编辑的语音提示词一次成功的比例更低：第一题 35% 对 52%，第二题 38% 对 58%。学生编辑过转写稿之后，差距就不再显著。²⁹

在创意任务中，语音让第一条提示词来得更快，后续追问也更多、更长，但人们感到的费力程度和对结果的评价都没有变化。²⁸

流行的说法是“边想边说有帮助”，这只对了一半。综合 94 项研究，单纯把想法说出来并不改变准确率，只会让做事变慢；当人们必须解释自己的推理时，准确率才会提高。³⁰

用语音向 AI 模型解释一个问题，很可能也有帮助。只是还没有人检验过。

嗓子累不累看剂量。听写的剂量没人量过

整天打字，累的是手。整天说话，累的是别的地方，而科学上并没有一个每天说多少才算安全的上限。能测得很清楚的，是职业用嗓者到底用了多少嗓子。

教师是嗓音疾病高发的职业。2007 年一项针对 31 名教师的研究发现，他们工作时有 23% 的时间声带在振动，下班后是 13%，周末是 12%。³¹ 较新的一组 26 名教师，数据是 16.2%、8.4% 和 8.0%。³²

这段发声的时间叫作发声时长（phonation）：只计算声带真正振动的时刻，不算词与词之间的停顿。

身体很快就会察觉。一项 10 人的研究发现，大声朗读时，一项客观的嗓音用力指标在最初 15 分钟内就会上升，人在 30 分钟后才感觉到。³³

以教室音量朗读两小时后，86 名教师自评嗓子大多在 4–8 小时内恢复，少量残余疲劳会持续一天或更久。论文对确切数字前后不一：摘要写的是 4–6 小时恢复 90%，12–18 小时完全恢复。³⁴

现有职业里，最接近整天对着电脑说话的，是呼叫中心。综合 15 项研究，33–68% 的接线员在职业生涯的某个阶段有过嗓音问题，接受检查时正有问题的占 27%。³⁵

一项调查统计，每位接线员平均有 6.8 种嗓音症状，普通人群则是 1.7 种。³⁶

关于听写用户的直接证据只来自 1990 和 2000 年代，那时的听写意味着每说一个词都要停一下。在一组病例中，5 个人因手痛改用语音识别，结果嗓子劳损；经过嗓音治疗、缩短每次使用时间后，5 人中有 3 人好转。³⁷

对 10 人的肌电记录显示，负担是转移了，而不是消失了：前臂和颈部、某种程度上还有肩部的持续紧张减少了，而喉部的一块肌肉——环甲肌——的负担有增加的趋势。³⁸

现代听写去掉了被怀疑的病因——平板、机器式、每个词后都停顿的说话方式——还把麦克风放到嘴边，让人可以轻声说话。这是一个合理的期望，而不是研究结论。

还没有任何研究测量过，使用如今的听写应用或 AI 模型语音模式的人，嗓音负荷有多大。

关键不在地点。在于谁在听

想象一下：在家里让手机导航，然后在公交车上，再然后在办公桌前、同事就在周围。对大多数人来说，答案会变三次。

这方面最好的数据来自英国一项小型实验。20 名 23–32 岁的人观看短视频，视频里一名男子在素色背景前用语音或文字搜索，然后勾选自己在哪些地方、当着哪些人也会这样做。语音只在开车时胜过文字，因为那时手腾不出来。³⁹

谁在听，比在哪儿更重要。独自一人时，96% 的回答认为可以用语音；和朋友在一起 83%，和伴侣 78%，和家人 71%。当着同事，26%。当着陌生人，16%。

在听众方面，只有同事和陌生人让语音显著不如文字可接受；在地点方面，则是家里、副驾驶座和工作场所。先自己试试，再看他们的答案。

在一项针对 860 名语音助手用户的调查中，羞耻感降低了继续使用的意愿，但只在公共场合；而自豪感在任何场合都会提高这种意愿。⁴⁰

规范还是变了。在美国的调查中，和朋友在餐厅里使用语音的比例，从 2017 年的约 25% 升到 2019 年的 40% 以上。男性使用语音命令的可能性是女性的 1.54 倍，46% 的人说别人这样做会让他们心烦。⁴¹

新鲜感先消退。羞怯也会消退

买过智能音箱的人都知道第一周是什么样：定计时器、讲笑话、放音乐，为了好玩问各种问题。然后新鲜感消退，剩下的是习惯。

人们开始使用之后怎样变化，几乎只在家用智能音箱上测过。在一项为期三周的研究中，7 位老年人拿到了 Echo Dot。每周指令数下降了三分之一：59.6、50.1、39.7。

音乐从指令的 23.9% 降到 2.9%，天气和购物清单则增加了。一位参与者说，起初她“对着这台机器说话觉得自己很傻”；到最后，7 人都说自己更有信心了，并会继续用下去。⁴²

更长的记录看起来就不一样了。18 个家庭的 Google Home 使用历史平均长达 58 周，使用量相当稳定。有 3 个家庭买回音箱后不久就停用了几周，原因是隐私、没用，或者习惯没养成，后来又用了回来。

彻底放弃的家庭没有被研究。随着家里的智能设备越来越多，用音箱控制家居的情况也在增加。⁴³

人们暂时放下音箱，是因为有没有用、可不可靠或隐私，而不是在家里说话觉得别扭。

一篇综述回顾了 69 篇关于社会接受度的论文，指出接受度会随着人们习惯一种交互而变化，但其中只有 3 篇跟踪了人们在日常生活中试用界面；大多数是让人想象，或者在实验室里试一次。⁴⁴

这正是本文最核心的空白。我没有找到任何一项研究，跟踪在工作中改用听写的人，逐周测量他们的尴尬感如何变化。

文化决定语音可以多大声

回消息时发语音还是打字，很大程度上取决于你住在哪里。

在 YouGov 2023 年覆盖 17 个市场的调查中，66% 的人更喜欢用文字发消息，7% 更喜欢语音。偏好文字最强的是英国（83%）、丹麦（80%）和瑞典（78%），最弱的是阿联酋（38%）；在西班牙，54% 偏好文字，13% 偏好语音。⁴⁵

20 年前，手机也经历过同样的事。2007 年，一项研究比较了夏威夷同一所大学里来自五种文化的学生：在公交车上打电话这一项，日本学生打分 2.53（满分 5 分），瑞典学生 3.50，美国本土学生 3.44。⁴⁶

日本定下了一条清楚的规矩——电车里不出声，发邮件没问题——一有无声的替代方式，就远离了公共场合的语音。

在美国，2006 年有 82% 的人至少偶尔被公共场合大声打电话惹恼过；到 2012 年，经常遇到这种情况的人从 50% 降到了 39%。⁴⁷

到 2014 年，77% 的美国人认为在街上用手机没问题，在公共交通上是 75%，在餐厅是 38%——在会议中只有 5%。⁴⁸ 变化来自两边：旁观者更宽容了，打电话的人更小声了。而它止步于会议室门口。

办公室正在学着悄声说话

2026 年，AI 听写进入了办公室，最早的报道讲的是故事，不是数字。彭博社描述了它如何从一张办公桌传到下一张：鹅颈麦克风出现了，窃窃私语开始了。⁴⁹

Computerworld 引用的一位分析师称，尴尬和怕打扰同事是一大行为障碍。完全远程办公的公司 Thumbtack 给 200 多名员工配了 Wispr Flow，其技术负责人承认，习惯出声说话——哪怕是独自在房间里——也花了些时间。⁵⁰

市场并不等规范改变，而是在让语音变轻。Wispr Flow 在卖一种耳语模式，并建议在离麦克风约 1 厘米的地方说话。⁵¹

研究早在 2018 年就走得更远：微软的 SilentVoice 能识别吸气时说出的简短命令，漏出的声音低于 39 分贝；训练有素的说话者词错误率为 1.8%，新手为 7%。⁵²

人们愿意用准确率换安静。在 2021 年的一项实验中，12 人对无声语音——只动嘴唇、不出声——的使用意愿，在故意注入 10–15% 错误时和没有错误时一样高，而他们出声说话的意愿却下降了。12 人都把原因归结为隐私和安全。⁵³

进展最快的，不是人变得更敢开口，而是声音变得更轻。

唯一大规模测量过的地方：医生的病历

医学是唯一在数千人身上测量过 AI 模型驱动的语音输入的领域。环境式 AI 记录员（ambient AI scribe）会旁听问诊，并起草病历。

在规模最大的研究中（2026 年 4 月发表于 JAMA），约 1800 名使用者与 6770 名未使用者相比，每 8 小时问诊节省 16 分钟文书时间，约 10%，下班后的工作量没有显著变化。只有 32% 的人在一半以上的问诊中用了记录员。⁵⁴

在一项 238 名医生参加的随机试验中，一款记录员让每份病历的用时缩短了 41 秒，对照组缩短了 18 秒；另一款没有显著差别。⁵⁵ 在一项没有对照组的研究中，职业倦怠在 30 天内从 51.9% 降到 38.8%。⁵⁶

人工核查的病历中，18% 有遗漏，11.5% 有编造的细节；5.3% 含有可能造成严重伤害的错误。⁵⁷ 语音省下的更多是注意力而不是分钟，代价是得核对文字。

还没有人做过的实验

这些不是小漏洞。下面每张卡片，都是本文想用一个数字回答却答不了的问题，因为还没有研究测量过。

• 统计听写的调查

  没有任何随机抽样调查把听写或与 AI 语音聊天当作单独的行为来测量。增长曲线依赖的是公司的说法。

• 听写的用嗓剂量

  没有人测量过用如今的应用一连听写几个小时的人，发声时长或嗓音负担是多少。

• 每天多少才安全

  每天说几个小时话对嗓子是安全的，没有基于证据的上限。

• 改用语音后的手

  没有随机试验表明，改用语音能预防或治疗手部劳损。

• 伏案写作

  没有用现代语音识别比较语音写作和实体键盘写作的对照实验。最好的数据来自 1983 年和 1999 年。

• 说了一整天话

  没有日记研究或长期研究跟踪主要靠语音工作的人，测量他们的脑力疲劳。

• 在工作中克服羞怯

  没有实地研究逐周跟踪办公室里的听写新用户。所有关于习惯的长期研究，对象都是家里的音箱。

怎么核查的，又略去了什么

我在开发 Speak-Y——一款语音输入和会议记录应用，本页底部就有它的横幅。这是带着怀疑读这篇研究的理由。

所以，每一个来自公司关于自己的数字——包括与我竞争的听写公司——都在正文中注明，并在图表里用斜线阴影画出。

研究于 2026 年 9 月完成，围绕四个问题：普及程度，速度与准确率，疲劳与思考，社会接受度。凡是能追溯的数字，都追到了原始来源。

小样本也保留了，因为现有的就是这些，但数字旁边总会给出样本量。

我自己对全局的判断，这是观点：听写会在家里、车里和独处的房间里成为常态，在开放式办公室里仍有争议，在会议里则始终缺席，就像打电话那样。能改变这一点的，不是更大胆的人，而是更轻的声音。