语音输入卷到了新高度：说一句意图，给你一份成稿

编辑｜Panda

2026 年，输入法，这个陪伴了几代人、常被认为「够用就行」的工具，忽然成了 AI 行业最拥挤的赛道之一，语音输入则是这场争夺的焦点。

去年 11 月，豆包输入法上线；12 月，智谱推出桌面端 AI 输入法。今年 5 月，千问上线 AI 语音输入法，微信输入法凭借「隔空传送」一度冲上 App Store 免费总榜前列；6 月，阿里云推出 CosyVoice 语音输入法，搜狗输入法也宣布全面 AI 化。如今各家宣传的识别准确率大多在 97% 到 98% 之间，竞争焦点也随之移到「说完就成文」。

可文字出得越来越快，表达未必跟着变快。讯飞输入法产品总监赵明路在讯飞输入法 16.0 发布会上抛出过一个问题：「如果文字已经出得很快了，为什么回复一条消息，有时仍然要花好几分钟？这几分钟，究竟花在哪儿了？」

把一次真实的表达拆开看，用户要先组织内容，再输入成文本，最后润色、规整、校对。后两步正在成为行业标配，第一步却仍然留给用户自己。被领导问到「发布准备得怎么样了」，真正花时间的是翻遍几个工作群、从截图里摘出进度、想清楚先说哪句。

10 月 22 日，在科大讯飞全球 1024 开发者节上发布的讯飞输入法 16.0，把这一步作为新版本的核心命题，提出「意图成稿」。

所谓「意图成稿」，是指用户只需向输入法表达自己的意图即可得到一份适合用户实际表达场景且直接可用的表达内容。举个例子，用户只需提供相关材料，然后说一句「帮我回一下领导的进度查询」，输入法就会去自行理解材料并组织内容，用户只需阅读确认后发送即可。

讯飞也在发布会上给出了一个显式的语音输入三代划分：忠实记录、表达成稿、意图成稿，分别对应听清、写顺、懂意图。

之所以说「意图成稿」是语音输入的下一个方向，是因为前两代都默认用户已经想好了要说什么，而真实表达中最费工夫的部分其实发生在开口之前。

语音让人能用最自然的方式表达，大模型又第一次让机器有能力理解一段模糊的意图、处理散落各处的材料。两者叠加，输入法才有可能把「组织表达」稳稳地接住。

类似的方向判断，讯飞在 16 年前也做过一次。2010 年，讯飞判断语音会是移动互联网时代输入法的下一个阶段，推出了全球首款中文语音输入法。如今，讯飞把新的判断落进了讯飞输入法 16.0：以意图成稿为核心，并为此打造了全新的个性化 AI 键盘。

意图成稿为什么会是大模型时代语音输入的正确答案？又为什么是讯飞最先把它做出来？为了回答这两个问题，机器之心专访了科大讯飞语音识别研发总监万根顺。

第三代为什么是意图成稿?

万根顺用一个标准来划分三代：「要看用户在开口之前，需要为这次表达做多少准备工作。」忠实记录和表达成稿减少的是输入和编辑的工作，前提是用户已经想好了要说什么；意图成稿则开始分担内容组织的工作。三者长期共存，用户想留原话时就忠实记录，需要组织时再获得帮助。

科大讯飞研究院语音识别研发总监万根顺在科大讯飞全球 1024 开发者节上讲解三代语音输入

讯飞的判断是，在复杂表达里，内容组织能占到九成的工作量。这并非指所有输入，简单的输入一说就能完成；但在跨应用、需要结合上下文的任务里，耗时的往往是找材料、提重点、判断关系、拿捏语气。「输入文字，只是整个表达过程的其中一步。」赵明路在发布会上说，在这些时刻，「用户需要的帮助，已经走到了文字输入之前」。

赵明路把这类痛点归为两类。一类是费时间耗精力：需要的材料散在几个地方，每次找 AI 帮忙，还得重新复制一遍、再交代一遍背景。另一类是没经验不会说：客户看完方案只回了一个微笑表情，怎么回才得体？怎么拒绝同事的临时需求？

万根顺进一步解释，前者的核心是信息的完整和准确，系统要把散落的内容提取出来、合并同类事项、保留关键事实；后者「缺的不是资料，是沟通策略」，系统要理解对象、场景和风险，给出合适的语气和多个候选。信息不足时，系统应当主动澄清，而不是替用户编造事实或立场。

这个需求并不新，现在不同的是技术终于能接住它。讯飞输入法很早就上线了「飞飞助手」，让用户用说话来修改文字。

但早期方案基于规则，同一个需求，不同用户说法不同，规则越加越多，覆盖不到的说法也越来越多。万根顺说，表达任务本身无法穷尽地写成规则或模板，不同场景、不同对象，组织方式和重点信息都不一样。

大模型补上的正是对自然表达和复杂上下文的理解。用户说「这一段太生硬了，帮我客气一点，但是别答应他的时间」，系统要同时理解修改目标、语气要求和不能改动的内容。技术的变化也改变了用户的预期：过去用户习惯先把话想完整，再交给输入法；当他们发现 AI 能根据材料起草回复，就会自然地把「组织表达」也交出来。

用户一直存在的表达痛点和大模型刚刚成熟的能力，在这里形成了最有价值的交集。这也是讯飞把意图成稿定义为第三代语音输入的原因：它不是在「说完就成文」之后多加一个润色按钮，而是把输入法的工作，从记录一句话推进到完成一次表达。

须知一次完整的表达往往横跨多个 App、牵涉多项任务：信息散在聊天记录、文档和截图里，系统要先提取、合并，再判断是否需要检索资料、读取记忆、调用哪项表达技能，最后才能交出一段可用的文字。这意味着意图成稿要解决的，本质上是一连串工具与能力之间的协作。

讯飞输入法 16.0

如何把一句意图变成一份成稿?

回到领导问进度的例子。在讯飞输入法 16.0 里，用户可以先把相关的聊天截图、复制的消息和文档交给输入法，形成任务信息；需要回复时，直接说出要求，比如「帮我整理一段给领导的进度回复」。据赵明路介绍，系统会先根据职场汇报的场景确定需要交代哪些重点，再把已有的进度、数据和时间放到对应位置，接着按用户的表达习惯调整称呼和措辞，最后把成稿放回输入框，由用户确认后发送。

视频链接：https://mp.weixin.qq.com/s/p_19k8pys2642l_VhtuipA

万根顺特别提到事实边界：材料写的是「视频初版已出、待审核」，就不能被总结成「视频已经完成」。用户仍要做最终判断：补充系统无法确认的事实，决定风险怎么表达、要不要做承诺。生成之后，还可以继续要求「压缩成三句话」「把风险放在前面」。飞飞助手也仍保留在产品中，负责局部、明确的快速编辑，意图成稿则负责整体的组织表达。

支撑这一过程的是一条多段链路：多模态上下文编译器把截图、语音和文档转换成结构化上下文；意图理解判断用户想完成什么任务，场景理解确定适合沟通对象的表达策略；任务规划器决定是否需要检索资料、读取记忆；最后由生成器组织候选文稿，交给用户审阅确认。用户的修改结果，也会在主动授权的前提下被记录下来，用于后续的记忆巩固和个性化迭代。

万根顺认为，难点在整条链路的协同，其中最关键的两环是意图理解和记忆模块：前者决定「这次要做什么」，后者决定「怎么做才更像用户」，避免「让别人一眼就看出来是 AI 生成的」。他也提醒：「模型生成一段文字，只是表达的一个起点。」资料怎么带进来、结果怎么修改、等待时间能否接受，都要一并解决。

所以讯飞输入法 16.0 把这些能力放进了键盘。「用户回复一个消息，全程常常只有几秒钟，」赵明路说，入口好不好找、成稿方不方便改，都影响用户是否愿意用 AI。个性化 AI 键盘把任务信息的提供、表达技能的调用和成稿后的修改，整合进同一个键盘体验。

其中，任务级信息卡会从用户主动输入的文本、复制的内容和上传的截图中提炼时间、地点、人物和约束，下次成稿时自动带入背景；长程习惯记忆则在用户提出「工作回复尽量简短，别太客套」这类要求时先询问是否记住，授权后才形成记忆，内容可查看、删除或关闭。赵明路说：「我们希望，AI 帮你写出来的话，越来越接近你自己愿意说的话。」

技术维度

先听准，再写顺，才能懂意图

意图成稿站在前两代的肩膀上。赵明路在发布会上举过一个例子：「一条任务里的人名、时间或者金额听错了，后面即使写得很流畅，也可能把事情说错。」语音识别是整条链路的入口，入口一旦出错，后面的环节从一开始就走偏了。

先是听准。今年 9 月，讯飞发布语音识别大模型 Spark-ASR-2.0，并上线讯飞输入法。它建立在全国产算力训练的星火语音基座大模型 SparkAudio 之上，语音编码端经过了千万小时级的预训练。

架构上，Spark-ASR-2.0 让非自回归和自回归两种范式协同：非自回归模块先快速输出一份完整的「草稿」，遇到复杂环境、长尾表达或需要上下文理解的地方，再由 LLM 增强的自回归模块介入修正。

那么，如何判断要不要介入、从哪里介入呢？讯飞使用了投机解码机制。

万根顺举例，用户说「今天天气很好，我们去 city walk 一下」，草稿把「walk」误识别成了「work」。LLM 并行验证时，前面的内容都与草稿一致，到「walk」处出现分歧，系统便从这里引入自回归解码。「我们怕错误会形成一种涟漪效应，」万根顺说，「所以在发现第一个错误的时候，就开始进行自回归解码。」由于大部分内容只走非自回归通路，在识别效果提升的同时，Spark-ASR-2.0 的整体推理成本相对 1.0 仅增加 10%。

这些能力要落在移动端的真实场景里：在地铁、公交上，或者电影院这类不便大声说话、也不希望被周围人听见的地方，用户常常压低声音输入，环境噪声又一直都在。

据讯飞公布的数据，对比去年 1024 发布的上一代版本，Spark-ASR-2.0 的方言识别准确率从 85% 提升到 91%，小音量从 86% 提升到 90%，中英混合领域词的槽准率从 33% 提升到 80%。

像「Meta 发布了一个开源模型 Muse Glimmer」这样的句子，新词过去常被漏识别，现在能被完整保留。

视频链接：https://mp.weixin.qq.com/s/p_19k8pys2642l_VhtuipA

然后是写顺。用户拿到识别结果，发送前还是会删口语词、改大小写、调数字格式。「语音输入节省下来的时间，用户又花在了后续的编辑上。」万根顺说。2024 年前后，讯飞开始探索表达成稿。他强调，处理语气词不能「一刀切」，比如「我再考虑一下吧」里的「吧」删掉，语气就变了；表达成稿的目的是「在保留用户想表达的事实、态度和语气的前提下，减少用户整体的编辑代价」。

比如一句话的原始识别结果是「今天天气真好。要不我们下午，呃，三点出去露营吧」，表达成稿后输出「今天天气真好，要不我们下午 15:00 出去露营吧？」，一次完成纠错、语气词处理、时间规范和标点调整。据讯飞公布的数据，表达成稿让用户的平均编辑距离减少了 34%，30 字以上长句的直接采纳率提升了 40%，文本规范性相对提升了 48%。

视频链接：https://mp.weixin.qq.com/s/p_19k8pys2642l_VhtuipA

讯飞输入法 16.0 还能根据沟通对象和场景调整表达方式，并支持边说边改：用户说「周六下午 3 点在万象城见面。不行，太早了，改成 4 点。地点换成银泰，记得都带上雨伞啊，给爷爷带件外套。」，系统会识别出其中哪些是修改口令，输出「周六下午 4:00 在银泰见面，记得都带上雨伞啊，给爷爷带件外套 」。这一判断在同一次语音解码中完成，不额外调用大模型，拿不准时宁可保留原文。

视频链接：https://mp.weixin.qq.com/s/p_19k8pys2642l_VhtuipA

听准和写顺，恰恰是讯飞在大模型时代最难被复制的部分。

「对于简单的通用场景，大家基础的语音识别能力确实差别不是特别大，」万根顺承认，「但在方言、高噪、中英混合这些场景里，还是有一定差距的。」这些能力来自多年逐城攻关积累的方言数据、真实环境中沉淀的声学经验和持续迭代的建模方法。蒸馏能让一个模型学会老师模型已经会的东西，却教不出老师模型没见过的方言和噪声场景。

产品维度

知道用户在什么时候需要什么

如果说技术决定了意图成稿能不能做出来，产品决定的就是它能不能被用起来。

第一是对「AI 该在什么时候介入、介入多少」的判断。万根顺说，输入法里很多问题看起来很小，发生频率却极高：生成结果多等一会儿，就会打乱聊天节奏；用户改过的内容不能被系统轻易覆盖；AI 推荐太频繁，就会打扰正常输入。不同用户的偏好也不一样，有人要准确，有人要保留口语感，还有人明确不喜欢千篇一律的 AI 腔。

这些判断来自十六年服务用户的产品经验，如今讯飞输入法服务着超过 1.5 亿月活用户。

第二是用户共创的表达技能。赵明路在发布会上提到，在此前的 AI 助手和智能体平台上，用户和创作者就可以定义 AI 帮自己沟通、表达和创作的方式，把具体要求做成能够反复使用的技能。

目前平台上已有超过 30 万个表达技能、15 万名技能创作者，覆盖超过 1 万个表达场景。在赵明路看来，「这些积累是我们有信心迈向意图成稿的底气」。用户把任务目标、风格偏好和固定规则沉淀成技能，不必每次重复交代；产品形态可以模仿，这些由用户沉淀下来的场景理解却带不走。

第三是把技能变成键盘的一部分。个性化 AI 键盘的核心不在外观，而在围绕表达场景组织技能：职场汇报配大厂职场技能组，游戏社区配对应的社区技能组，表白场景配恋爱军师技能组；用户还可以在技能坞里安排自己最常用的能力。技能越来越多，选择就要越来越简单。「不能让用户为了回复一句消息，还要先研究该选哪个技能。」赵明路说。讯飞输入法 16.0 会根据用户正在表达的意图和上下文主动匹配技能，比如在输入框里写到「工作汇报」，就推荐相关的职场沟通能力。

据讯飞介绍，已有超过 60% 的 AI 键盘用户动手塑造了自己的专属键盘。

讯飞输入法 16.0 同时推出的「键盘搭子」，则让输入法在便捷表达之外尝试情绪价值：它会跟着打字节奏作出回应，陪伴用户的每一次输入。

先做的底气：十六年前的那次判断

意图成稿为什么由讯飞最先做出来？答案要回到十六年前。

2010 年 10 月 28 日，讯飞语音输入法 Android 版发布，这也是全球首款中文语音输入法。彼时智能手机刚开始普及，普通话识别准确率约为 70%。

万根顺解释，小屏幕上的文字输入对不熟悉拼音或打字慢的人仍有门槛，而说话是人人都具备的能力；同时，很多问题只有进入真实环境才能发现。「说话本来就是人最自然的表达方式之一；输入法能够把这种自然的表达，转化成数字世界中真实可用的文字。」

此后，识别准确率在 2012 年提升至 80%，2014 年达到 95%，2016 年 DFCNN 方案将其推至 97%，2017 年达到 98%。

万根顺 2015 年加入讯飞，入职不久便参与了 DFCNN 的研发落地。2016 年 10 月，罗永浩在锤子 M1 发布会上现场演示了讯飞输入法，次日讯飞输入法登上 App Store 免费榜第一，单日激活量超过 100 万。

在万根顺看来，这说明语音输入跨过了从技术可行到产品可用的门槛：「它从让人觉得是一个新鲜的功能，变成了用户愿意尝试，并且可能真正开始替代键盘输入的一种方式。」据了解，讯飞输入法的语音用户渗透率在 2016 年底约为 40%，2022 年达到 75%。

覆盖面也在一点点扩大。方言从 2012 年的粤语起步，一座城市一座城市地上线，最终 202 种方言被放进统一建模，实现免切换识别；离线、轻声、抗噪，以及面向老人、儿童和视障用户的优化，让更多人在自己真实的条件下用上了语音输入。2020 年，讯飞输入法成为首款通过中国盲人协会认证的输入法。讯飞的方言保护计划自 2017 年发起，2025 年，基于 AI 智能语音的方言保护公共服务平台入选世界互联网大会《文化遗产数字化案例集》。

回头看，2010 年和 2026 年的两次判断遵循的是同一条逻辑：先看清用户卡在哪里，再在技术成熟的时刻，率先把它做成产品。

让人把注意力留在想表达的事上

接下来，讯飞在语音识别上关注三个方向：

• 无关说话人拒识，在多人交谈和嘈杂环境中锁定目标说话人；
• 语音内容编辑，用语音指令对整篇内容做统一修改；
• 情感化结果呈现，让标点和措辞体现用户的语气。

万根顺说，语音内容编辑会最先落地，情感化呈现涉及情绪判断的边界，会更谨慎地推进。

更远的未来，在 AI 眼镜这类设备上，用户可能更多通过语音、视线和手势表达意图。「未来变化的重点，不是输入法还存不存在，而是它会以什么样的形态存在。」万根顺认为，语音输入定会成为更多设备的交互入口。

他描述的理想状态是，用户按照自然的节奏说话，不必先把句子想完整；需要原话时忠实记录，需要成稿时整理清楚。用他的话说，是让用户「不必把注意力放在怎么输入上，而是能够把注意力留在自己真正想要表达和完成的事情本身上」。

从这个意义上说，意图成稿就是走了十六年的语音输入，在大模型时代向更复杂的表达痛点延伸的结果。大模型让这一步成为可能，而让它真正可用的细节，来自对用户和场景的长期理解，以及一个个真实解决问题的表达技能。