淘宝上最近盛行起了一种键盘产品，但它只要4个按键、1个拨杆和1个麦克风接口，没有字母键，不能打字，售价269元起，搭配大疆麦克风的版本售价400多元。这个产品叫AhaKey-X1，由南京锦心湾科技有限义务公司（下称AhaKey）开发，今年春节前后才上线。
它的用处很简单：便当用户对AI说话。
用户只需按下语音键，对着麦克风口述工作指令，AI将语音转成文字后发送给Claude、ChatGPT、DeepSeek、Cursor等AI工具执行。不论是写代码、改计划还是整理睬议纪要，用户都不需求打字，说出来就行，AI会自动把口语化的表达整理成构造化的文本。
AhaKey结合开创人兼CTO张心阳通知经济察看报记者，自产品上线以来，每月销量翻倍增长，“6・18”期间公司备货量已近1000台，目前正和多家产业资本及投资机构接洽融资。
一个没有字母键的键盘能卖得好，是由于越来越多的人开端用语音替代打字对AI下达工作指令。这种办公方式最早在程序员中盛行，他们用语音向AI描绘需求，AI生成代码。但如今，产品经理、律师、内容创作者也开端这样做。
张心阳通知经济察看报记者，有一个令他印象很深的用户，是一个40多岁的律师，“他连Windows电脑用得都不是特别顺”，但买了AhaKey之后，不需求打字就能和AI对话完成工作。张心阳说，这让他和团队认识到，AI时期的语音办公需求可能远比他们料想的要大。
实践上，语音输入并不是什么很新颖的玩意儿。早在1997年，IBM就推出了商用中文语音辨认系统ViaVoice，标称最高辨认率95%，预装在当时的主流PC上。尔后近三十年，科大讯飞、搜狗、百度等公司在语音输入范畴持续投入，产品从PC端延伸到手机端，但语音一直没有成为主流的输入交互方式。
张心阳以为，变化发作在AI大模型成熟之后。“过去语音输入处理的是转文字的问题，没有处理了解言语的问题。”他说，过去的语音输入法是把你说的话逐字记载下来，错一个字就得手动改，输出的文字是口语态的，人读起来费力，但AI大模型改动了接纳端，哪怕你说得断断续续，夹着口误，AI仍然能了解你的意义，再输出一段通畅的文字。
或者说，当语音输入的接纳方从人变成AI，对辨认精确率的请求大幅降低，语音办公才真正能够完成。
依据经济察看报记者的不完整统计，截至2026年第一季度末，全球语音AI方向的初创公司融资总额已超越70亿美圆。
目前，海外语音听写应用Wispr正在停止新一轮融资，目的估值接近20亿美圆，而在半年前这个数字还是7亿美圆；5月12日，Google把AI听写功用Rambler内置进默许键盘Gboard，掩盖数亿台Android手机，免费运用；国内，5月7日，阿里千问在PC端上线AI语音输入功用；5月28日，科大讯飞（002230.SZ）发布AI眼镜，其搭载的智能体能够将口语化表达自动整理成构造化文本。
过去二十年来，语音输入不断是输入法中一个不太好用的隶属功用，如今，AI大模型正在把它变成一种新潮的办公方式。
“AI感受不到痛苦”
即使往常各类语音输入工具的辨认精确率曾经很高，同声传译、多语种翻译等功用也陆续上线，但语音输入一直没有成为一种主流的交互方式。大多数人在线上交流、办公或日常交互时依然选择打字，问题显然不在辨认精确率上。
科大讯飞穿戴设备业务部总经理林会杰在承受经济察看报记者采访时提到，传统语音输入有一个明显的问题——语音转写完成后，“你是没有方法直接发过去的，由于他人一看就晓得，你这就是语音打字出来的，观感不好，固然说便当了你本人，但是痛苦了他人”。
中文语速通常是打字速度的三倍左右，速度优势明白，但“快”只处理了发送端的效率。一段口语化的文字，夹着语气词、反复和腾跃的逻辑，对读的人来说是担负。比方，微信里收到60秒语音音讯会让人头疼，缘由也在这里——说的人痛快，听的人痛苦。
这是传统语音输入法面对的一个共同问题：哪怕辨认精确率做到了99%，输出的文字仍然是口语态的，没有标点，没有段落，经常也会夹着“嗯”“啊”或半句废话，人读起来费力。
但AI感受不到这种痛苦——对人来说难以忍耐的口语化文字，对AI来说没有任何了解障碍，人说得再乱再碎，它都能从中提取企图。语音输入“便当了本人，痛苦了他人”的问题，在接纳方变成AI的那一刻起就消逝了。
于是，语音办公在两类场景中快速铺开。第一类场景是，用户对着Claude、DeepSeek或ChatGPT说话下达指令，AI直接了解企图并执行任务，整个过程不需求产出一段通畅的文字给人看。这是语音输入在过去几十年都没有遇到过的场面：当接纳方从人变成AI，对言语表达的标准性请求大幅度降落。
用张心阳的话说就是，“了解企图比逐字精确更重要”。
程序员是最早大范围进入这个形式的群体。OpenAI结合开创人Andrej Karpathy在2025年2月公开提出“vibe coding”（气氛编程）的概念——开发者用自然言语描绘需求，AI生成代码，开发者审核和修正。Karpathy当时就提到，他运用语音听写工具SuperWhisper向AI口述编程指令。到了2025年12月，Karpathy曾经完整中止打字写代码，100%依赖语音输入。
2026年2月底至3月初，OpenAI旗下的编程智能体Codex和Anthropic旗下的编程智能体Claude Code在相隔不到一周的时间里先后上线原生语音形式，开发者按住空格键说话，AI就能接纳编程指令。
AhaKey-X1就是为这个工作流设计的。张心阳说，用Claude Code等AI编程工具时，AI会频繁请求用户批准操作，拨杆推上去是自动批准，拨下来是逐一确认，“像自动挡一样，一切需求批准的就自动批准掉了”。4个按键中的3个按键分别对应说话、确认、回绝，第4个键留给用户自定义。
据张心阳引见，团队最初本人在用AI办公时发现一个问题：正襟危坐在电脑前打字，有时分反而限制想法，“很多点子是灵光一现出来的，可能是在你躺在书房沙发上的时分”。那么，既然和AI交流曾经变成说话了，为什么一定要坐在电脑前？
于是，他们先做了一个开源项目放在开源社区GitHub上，有人看到后就来买元器件和套件，再后来就有人希望直接纳到组装好的废品。“是用户推着我们往前走的。”张心阳说。在小红书上，也曾经有不少用户本人花69元钱买三键小键盘、配一个麦克风，手搓出相似的设备。
语音办公快速铺开的第二类场景是，即使最终还是需求产出文字给人看，AI也在语音转写之后增加了一层语义处置：自动删除语气词，修正语法，理顺逻辑，调整句式，输出一段能够直接运用的通畅文字。这个过程形成的延迟通常只要一两秒钟。
“哪怕你前面说的内容有错误，后面又纠正过来了，AI都能够帮你完好梳理出来，构成一个有效的文案内容。”林会杰这样通知记者。这也意味着，过去的语音输入需求极高的辨认精确率才勉强可用，如今的语音输入即使精确率普通，大模型凭仗了解才能也能输出比逐字转写更好的结果。
事实上，过去两年，一批盘绕AI语音听写的创业公司在快速生长，其中估值最高的是位于美国旧金山的Wispr公司。这家公司2021年成立，最初做脑机接口腕带（用于无声语音输入），2024年年中转型做语音听写软件。
公开信息显现，截至2026年初，Wispr累计完成约8100万美圆融资。依据Wispr披露的数据，持续运用产品超越6个月的用户，日常输入中72%的字符经过语音而非键盘完成；产品上线至今，用户范围同比增长超越100倍，运用满12个月的用户中有70%仍在活泼运用。
2025年9月，linkedIn结合开创人Reid Hoffman在社交媒体上声称本人被“voicepilled”（语音觉悟），称这是“一种全新的才能放大方式”。
截至2026年5月，Wispr的目的估值已接近20亿美圆，半年内上涨了近三倍。一个听写应用估值20亿美圆，资本市场显然在押注语音替代一局部键盘输入的场景。
讯飞输入法也在跟进这个方向。2025年底，讯飞输入法在键盘界面新增了一个AI键，用户长按该键即可用语音直接向AI下达指令，不需求切换到其他应用。科大讯飞2025年年报披露，讯飞输入法大模型效劳用户浸透率提升900%，输入效率提升77%。
这或答应以阐明，语音办公的需求正在从极客圈向更普遍的职场人群浸透。
“悄然说话！”
语音办公的速度优势很明白，但办公不只是追求速度。写一封措辞慎重的邮件、改一段逻辑复杂的代码、打磨一份给客户的计划，这些场景需求的是准确控制，而不是快速表达。能不能掩盖这些场景，是语音办公能走多远的关键问题之一。
经济察看报记者在采访中问张心阳：有人以为用键盘打出来的提示词更有条理，打字过程自身会帮你整理思绪，语音输入能取代这个过程吗？对此，张心阳的答复是，“打字的价值永远存在”。
他把两者分得很分明：语音在表达那一侧，键盘在整理那一侧，“你要修正某个东西的时分，考虑过程自身对你是有价值的”。语音处理的是把想法快速“倒”出来，编辑和深度考虑依然需求键盘。
张心阳还提到一个变化：两年前，“提示词工程师”是抢手招䀻岗位，用户需求精心设计输入格式才干让AI给出称心的结果。但如今，这个岗位根本消逝了，AI本人就能把零散的口语化输入停止构造化、拆解、调度，“纯从效果方面看，曾经不需求人再去编辑打字了”。
AI对输入格式的容忍度越来越高，用什么方式给AI下指令变得越来越不重要。在这个前提下，速度最快、认知担负最低的输入方式自然会胜出，而且说话时不需求把想法先翻译成口语。或者说，AI对自然言语的了解才能到了今天这个程度，以语音为中心交互方式的办公产品第一次具备了成立的条件。
但实践上，用语音操作电脑的想法比AI大模型呈现得更早。
2018年5月15日，锤子科技在北京鸟巢举行发布会，开创人罗永浩彼时在台演出示了坚果TNT工作站。TNT全称Touch and Talk，主打语音加触控操作桌面电脑，用户对着屏幕说话就能完成搜索、编辑文档、发送邮件等操作。这样一个被锤子科技定义为跨时期的产品，却在发布会后被大范围嘲讽，网友调侃的“安静！你吵到我用TNT了！”一度成为彼时互联网传播甚广的“名梗”。
网友们嘲讽TNT的中心缘由是罗永浩在现场演示的语音交互体验不好。2018年的语音辨认技术固然曾经能做到较高的精确率，但没有大模型了解企图，每一个辨认错误都是一个需求用户手动纠正的摩擦点——用户必需说得字正腔圆、逻辑明晰，机器才干给出正确响应，稍有模糊，体验就会崩掉。
或者说，2018年语音交互的接纳方是一套传统软件系统，它需求准确的输入才干运转，对口语化表达缺乏容忍度。哪怕语音辨认自身的精确率曾经到达95%以上，剩下那5%的错误在没有大模型兜底的状况下，每一个都会变成用户体验的断裂点。
在当时的技术条件下，一个以语音为主要操作方式的桌面电脑，无法兑现它的承诺，也无法带来想象中的体验。假如TNT搭载的是一个能了解自然言语的大模型，并且在今天发布，它面对的将是另一种情形。
大模型处理了“听不懂”的问题，但“不便当说”的问题依然存在。在张心阳看来，语音办公在实践推行中面对的第一个问题就是噪声，“在开放式办公室里，七八个人同时对着电脑嘟囔，哪怕每个人都在压低音量，汇在一同也够让人头疼的”。
美国人力资源软件公司Gusto的结合开创人Edward Kim近期在承受媒体采访时也表示，他在公司内部推行语音办公工具，本人“如今简直不断在对着电脑说话”，但在办公室里持续这样做“的确有点为难”。
张心阳引见，AhaKey搭配大疆麦克风能够做到低声辨认，在20分贝的音量下仍能坚持99%的精确率，20分贝大约相当于深夜卧室里的耳语，坐在旁边的同事简直听不到你在说什么。
当然，在这个问题上也有另外的技术处理计划。5月28日，科大讯飞研讨院语音翻译条线总监孔常青在承受经济察看报记者采访时引见，讯飞最新发布的AI眼镜采用了唇动辨认分离麦克风阵列的多模态降噪计划，在展会、地铁、餐厅等高噪音场景下，辨认精确率能够提升30%到40%。
唇动辨认和低声辨认是两种不同的技术途径，但面对的是同一个市场需求：在人多喧闹的环境里也能用语音办公。“特别是关于一些以前完整不可用的特别吵的场景，（唇动辨认）根本上曾经到达了运用的门槛。”孔常青说。
语音办公面临的第二个问题是隐私——口述内容变成声波，邮件内容、代码逻辑、商业想法，四周的人都能听到；另外，云端处置的语音数据也让人有平安顾忌。
2025年11月，有用户在社区论坛上发现，AI语音听写软件Wispr Flow在声称“零数据留存”的同时，实践上在存储用户的屏幕截图并上传至效劳器。该事情疾速发酵，Wispr CEO Tanay Kothari随后公开抱歉并更新了隐私战略。Google在2026年5月发布AI语音听写功用Rambler时也特别强调，“不存储语音录音，音频仅用于转写”。
噪音和隐私的问题还没有完整处理，但这并没有阻止硬件厂商的快速入场——从录音卡片、耳机到眼镜、键盘，盘绕语音和AI的办公硬件正在密集呈现，品类和价钱带也在快速拓宽。
比方，2025年8月，钉钉发布首款AI硬件DingTalk A1，售价分799元和499元两个版本，搭载6颗麦克风阵列，支持120多种言语转写；2026年1月，飞书结合安克创新发布AI录音豆，重量10克，售价899元；此外，科大讯飞、360公司也推出了相似产品。
对此，林会杰的感受很直接：“对着键盘空流泪。我能想到是什么，也能说出来是什么，但打字打出来的时分就很痛苦。”他以为，在想法和文字之间一直隔着一层翻译，从脑子里的念头到手指在键盘上敲出的字符，中间既有信息损耗，也有时间损耗，但AI大模型正在改动这种情况。据其引见，讯飞的GlassClaw智能体能够把口语化表达自动整理成通畅文本，“一句话即可完成从查询信息到撰写计划到发送邮件的全流程”。
张心阳亦称，其团队正在探究本地Agent与隐私计算才能。假如这个方向成立，语音加AI的组合将有可能催生一个独立于PC和手机之外的新办公硬件品类。当然，键盘仍然会存在，但它的角色会发作变化——从主要输入工具变为编辑工具。
