本文來自微信公眾號：APPSO，作者：發(fā)現(xiàn)明日產(chǎn)品的，原文標題：《辦公室里對著AI說話的人，可能會比用鍵盤打字的人更早下班》

今年，語音交互正逐漸成為解放雙手的新方式。越來越多職場人選擇對著屏幕口述內(nèi)容，無論是寫代碼、擬方案還是與AI交流，語音輸入都變得愈發(fā)便捷。

從「對話」到「操作」的跨越

3月3日，Anthropic向約5%的用戶推送了Claude Code的語音模式。操作十分簡單：在終端輸入`/voice`，按住空格鍵說話，松手即可執(zhí)行，轉(zhuǎn)錄token完全免費。

語音轉(zhuǎn)文字技術(shù)早已存在，但Claude Code并非普通聊天應(yīng)用——它是一款A(yù)I編程工具，今年2月年化收入已突破25億美元，兩個月內(nèi)實現(xiàn)翻倍。

當(dāng)以「寫代碼」為核心場景的產(chǎn)品開始支持語音輸入，這傳遞出一個重要信號：語音不再只是「更方便」的選項，而是被視為重要的生產(chǎn)能力。

Bloomberg觀察到這一現(xiàn)象，并采訪了紐約銷售平臺Clay的教育負責(zé)人Yash Tekriwal。他表示，自己語音輸入速度可達每分鐘205詞，而打字僅110到120詞。更關(guān)鍵的是，口述的prompt質(zhì)量更高。

打字時工程師可能只寫「fix bug」，但說話時會自然提供更長、更具體的上下文描述。轉(zhuǎn)錄創(chuàng)業(yè)公司W(wǎng)ispr的CEO Tanay Kothari總結(jié)道：「打字時，你的prompt質(zhì)量往往不高?！?/p>

200毫秒：技術(shù)突破的關(guān)鍵拐點

語音作為生產(chǎn)工具雖已出現(xiàn)許久，但直到現(xiàn)在才真正實用，背后是一個關(guān)鍵技術(shù)閾值的突破：端到端延遲降至200毫秒以內(nèi)。

完整的語音AI鏈路包含三步——語音轉(zhuǎn)文字（STT）、大語言模型處理（LLM）、文字轉(zhuǎn)語音（TTS）。一年前，這條鏈路總延遲在500到800毫秒，用戶能明顯感到卡頓。今年3月的多項基準測試顯示，該數(shù)字已壓縮至200到250毫秒。典型代表如Deepgram Aura-2（TTS），首字節(jié)延遲90–200ms，支持7種語言。

200毫秒是什么概念？人類面對面交流時，對話輪換間隔的中位數(shù)約為200到300毫秒。這意味著AI語音交互的響應(yīng)速度已達到人類對話的自然節(jié)奏，用戶無需「等待」AI回應(yīng)，交流可像與真人對話般流暢。

語音交互的「輪回」

語音曾是互聯(lián)網(wǎng)的熱門功能。

2011年微信上線，在與米聊、飛信的競爭中脫穎而出，語音消息是常被提及的差異化功能。在智能手機剛普及、多數(shù)用戶不熟悉觸屏打字的年代，按住說話、松手發(fā)送的交互方式幾乎零門檻、易操作。

語音消息幫助微信打開市場，但輝煌并未持續(xù)。隨著用戶習(xí)慣成熟，語音消息逐漸變成「被忍受」多于「被喜愛」的功能：60秒語音條需慢慢收聽、無法快速瀏覽、公共場合播放不便，還得調(diào)整音量。

微信也意識到這一問題，先后推出語音轉(zhuǎn)文字、語音消息進度條拖拽、倍速播放等補救功能，本質(zhì)上承認純語音在信息密度和使用效率上，在很多場景不如文字。

語音的用戶接受度一度跌入低谷，社交中發(fā)語音甚至被視為有壓迫感、觀感不佳的行為。

然而，AI的介入讓語音價值結(jié)構(gòu)發(fā)生根本變化。過去，語音消息的問題是：發(fā)送方省事，接收方卻需花更多時間解碼——信息負擔(dān)從發(fā)送方轉(zhuǎn)移到接收方。現(xiàn)在，AI充當(dāng)中間層：對著AI說話，AI將語音轉(zhuǎn)化為結(jié)構(gòu)化的文字、代碼或指令。語音「輸入快」的優(yōu)勢得以保留，「輸出亂」的劣勢則被AI化解。

這也是Typeless等產(chǎn)品正在驗證的邏輯。它們并非做「語音消息2.0」，而是讓語音回歸為輸入方式——你說話，對方看到的是整理好的文字。語音不再是需「忍受」的溝通格式，而是經(jīng)AI翻譯的高效輸入通道。

從微信語音消息到Wispr、Typeless、Claude Code語音模式，勾勒出完整弧線：語音第一次崛起靠低門檻，衰落因低效率，第二次崛起則是AI解決了效率問題。同一技術(shù)，運作方式已完全不同。

77億美元市場背后的挑戰(zhàn)

Grand View Research估算，今年AI語音生成市場規(guī)模約77億美元，到2030年將達218億美元。但數(shù)字背后隱藏著更有趣的問題：技術(shù)已就緒，人是否準備好？

Clay的Tekriwal坦言，最初在開放辦公區(qū)對著電腦說話時，同事反應(yīng)困惑：「這是在跟人說話，還是自言自語？」盡管團隊后來都轉(zhuǎn)向語音輸入，但「尷尬期」說明，語音作為工作界面的最大阻力并非技術(shù)，而是社會規(guī)范。

多倫多投資管理平臺Boosted.ai的經(jīng)驗更具代表性。該公司去年在平臺中加入語音功能，推出名為Alfa的AI語音助手，可朗讀投資報告并接受語音指令。多數(shù)機構(gòu)客戶試過讓AI朗讀報告，但主動對AI說話的人少得多。

Wispr的Kothari估計，用戶從鍵盤切換到語音約需兩到三周適應(yīng)期。他說：「需要改變的是社會觀念——對著電腦說話不代表你是瘋子。」

語音AI的故事表面是交互方式升級——從打字到說話，從鍵盤到麥克風(fēng)。但更準確地說，這是一次輪回：語音從不缺「自然」的優(yōu)勢，缺的是足夠聰明的中間層，以彌合「說」與「被理解」的鴻溝。2026年，這個中間層首次真正就位。

接下來的問題不再是「語音能不能用」，而是：當(dāng)說話比打字更高效時，我們的工作方式、協(xié)作習(xí)慣乃至思考節(jié)奏，會被如何改寫？