我用AI编程,给自己造了个语音转录软件

以前跟AI聊天，打字打到手软

以前跟AI对话，我都是纯打字。有时候为了把问题描述清楚、把上下文交代明白，指令一打就是好几百字。经常是我这边洋洋洒洒说了500字，AI那边迅速领会意图，200字就给我说明白了。这既显示出AI的聪明，也说明我把提示词写得够详细——但代价是，这500字要是纯靠手打，那真是费老劲了。

当初刚一上大学，学的全是理论，什么都不会。我赶紧报了个电脑班，在班里学会了DOS、Windows、打字、Word、PPT，还有些什么已经忘了。但最后悔的就是五笔字型。当初我是学会了的，而且学得还不错。有时候遇到五笔高手，打字特别快的那种，他拆不了的字根，我都能帮他拆出来。

可那时候学什么就练什么，学DOS练DOS，学Windows练Windows，学五笔练五笔，学Word练Word。五笔后来没学就没练，导致一直没真正掌握。工作以后，遇到会五笔的同事就特别羡慕，心想改天一定把五笔捡起来。这一晃二十多年过去了，五笔也没捡起来。

不过还好，我拼音打得也挺快。用的是电脑班老师教的国际标准指法，盲打没问题。但拼音输入法有个硬伤——同音不同字，得选字，速度一下子就慢下来了。所以这些年心里一直有个疙瘩：五笔没学会，拼音得选字，打字这件事总是不够痛快。

现在好了，有语音输入软件了，不用再研究五笔的事了。

有一种理论说，科技这东西，说到底是懒人推动的。有人懒得抄书，发明了印刷术；有人懒得走路，发明了汽车；有人懒得打字，于是就有了语音输入。工具就是为了让人省劲儿，语音转文字就是打字懒人的福音。

后来看直播，有高手推荐了 Typeless 这个软件。它是一个AI语音转录软件，说话自动变文字，还能智能纠错，把我说反悔的话、啰嗦的话理顺，分段也层次分明，用着真是舒服。

但是，免费版每周只能转8000字，这就不够用了。问题在于额度分配不均——有时一周根本用不完，有时需求大，周五就达到8000字了。这时候只能退回到打字聊天的界面，哎呀，那感觉太难受了。输入法还得现选字，有时候打错了还得删，费时费力。还是说话轻松啊，人家还能智能地给我修改不通顺的话。由俭入奢易，由奢返俭难呐。

开会员？一个月12美元，倒不是掏不起，是觉得有点用不上。

我的神奇体质

以前天天去一家面包店，他家生意特别好。后来办了张会员卡，结果办完就不怎么去了，可能之前想吃的都吃过了吧。过了好几周再去看，店黄了。

还有一次跟同事吃饭，办了一家湘菜馆的会员卡。那家店有个特点，点一份米饭就直接上一个小电饭锅，不是大锅盛好端过来的那种。我们一开始还想，这一电饭锅饭吃得了吗？结果他家的辣椒炒肉特别好吃，其实那天点了三四道菜，别的菜是什么我全忘了，就记着辣椒炒肉了。就着菜，大米饭一粒也没剩。其实我不能吃辣，稍微辣一点就得不停喝凉水，但那家的辣椒炒肉是真好吃，辣也值了。当场就办了张卡。过了一个月想再去吃，发现店也黄了。

所以不办卡的时候店开得好好的，一办卡，店就黄了。当然这是玩笑话，纯粹是巧合。不过我这个体质吧，确实让我对办卡这事儿有点阴影。为了 Typeless 的健康发展，我还是不办会员了。其实就是怕那个墨菲定律——一办卡就不怎么用了。

于是找平替，用上了通义千问。千问也能转文字，虽然转出来总是一大堆字堆在一起，有时有段落有时没段落，跟 Typeless 那种条理分明的感觉没法比，但千问能修改错别字，这点不错，值得肯定。总之，作为替补，它算是称职的。

科班出身的编程小白

我是成人教育计算机专业本科毕业，上学时学过C语言和Pascal语言，考试都及格了，但毕业后从未从事过软件开发，算是个门外汉。

其实去年12月29号的时候，我也尝试过编程。当时用手机上的蚂蚁灵光想开发一个天气预报软件，折腾了一两个小时也没整明白，不是这块不行就是那块不行，实时更新怎么也搞不定，一下子积极性就被打没了，再也不敢碰编程的事了。当然，可能那时候灵光也没有那么完善，说不定现在好用了，我不知道。反正后来就一直没用过，也没再研究过编程的事了。

所以冒出”自己开发一个语音转录软件”这念头的时候，心里特别矛盾。一方面想：既然别的软件用着不顺手，不如自己搞一个，既好玩又有成就感。另一方面又想：上次蚂蚁灵光都没整明白，这回能行吗？

要不是有 DeepSeek 和 Kimi 给我撑腰，我根本不可能再碰开发这件事。现在我遇到什么事，都会同时问这两个AI，防止一家之言有偏差，两个AI互相参考，心里更有底。有他俩作为左膀右臂，编程这事儿我也不怕搞不定。

两个AI，态度完全不同

我先问了 Kimi。

Kimi 给我的建议更务实。它先推荐了一个现成的开源软件 Buzz，基于 OpenAI 的 Whisper 模型，完全免费，本地离线运行，中文识别准确率很高，有图形界面，下载就能用。它说如果我只是想解决”8000字不够用”的问题，下载 Buzz 是最省事的方案，不用写一行代码。

如果铁了心想自己编程，Kimi 建议用一个免费的 AI 编程工具，搭配 Python 和一个本地模型来做。但它也给我打了预防针：做出一个命令行版本可能要一两天，做出带图形界面的版本要一两周，要做到实时转写、自动分段、智能纠错，可能要一两个月甚至更久。它说语音软件涉及音频硬件、模型加载、多线程，坑很多，别低估工作量。

总的来说，Kimi 态度偏谨慎，帮我算清了账，让我知道这事没那么容易。

然后我找到了 DeepSeek。

这里我得特别感谢它一下。它没给我分析利弊，也没给我打预防针，直接给了我一段完整的 HTML 代码，让我复制下来存成文件就能用。我一看，代码复制进去，打开界面还挺好看的，能用。这一下子就把我往前推了一步。说实话，如果DeepSeek也像Kimi那样只是给我分析分析，没有直接给我一个能跑的东西，我很有可能在这个时候就放弃掉了。但它直接甩代码过来，我一看到有东西了，那就接着往下走吧。这是我应该感谢它的地方。

拿到了代码，Kimi 那边我就先放一边了，后续所有调试、解决问题的过程，都是跟 DeepSeek 一起完成的。

出师不利，两度心凉

代码拿到了，我兴冲冲保存，双击打开，用360浏览器运行。

点”开始说话”——没反应。我心想，出师未捷身先死，这第一个程序怎么就出师不利？到底是程序有问题，还是DeepSeek写的代码不行？当时心里拔凉拔凉的。

换Chrome试试。还是不行。这次连红色录音图标都没弹出来，整个页面安安静静的，像什么都没发生过一样。心想，完了，360不行，谷歌也不行，这上半边身子都凉了。

好在我电脑里浏览器多。死马当活马医，打开Windows自带的Edge浏览器再试一次。

点”开始说话”，麦克风亮了；我随口说了一句”123123″，两个字——出来了！

那一瞬间，上半边身子开始回暖了。就像修了半天不启动的车，突然打着火了，发动机轰的一声响起来。

但我不甘心，Chrome毕竟是著名浏览器，凭什么Edge行它不行？我决定死磕一下。

我回去问DeepSeek，Chrome到底怎么回事。它告诉我，Chrome对本地网页的麦克风权限卡得很严，需要手动去改一个隐藏设置。我按照它说的，在地址栏输入 chrome://flags/，找到那个权限选项，把 file:/// 路径加进白名单，重启浏览器。一通操作下来，Chrome终于弹出了那个红色录音图标——麦克风授权成功了！

我大喜，赶紧说话。结果——图标红彤彤地亮着，页面依然一片空白，一个字都不出。

这下好了，从心凉到上半边身子凉，从上半边身子回暖，到现在全身冰凉。

我马上又问DeepSeek。它告诉我：Edge背后是微软的语音服务，国内直连通常没问题。Chrome背后是Google的语音服务，绝大部分情况下，国内直接访问会被阻断，音频发不出去，或者识别结果回不来。所以麦克风是开了，但数据半路就断了，有录音没回字。

搞明白了这些，心里终于踏实了，全身热血沸腾。三个浏览器，有一个能跑通，就说明代码本身没问题，流程是对的。那两个不通，跟程序本身没关系，纯粹是浏览器的问题，是我控制不了的。只要有一条路通了，就证明这条路可行，以后沿着它走就是了。

有自己的东西，什么都不怕

在编程之前，我的思路很简单：Typeless 是主力，每周8000字的额度紧着它用，能用多少用多少。某一周聊多了，额度打满了，就切换到通义千问。千问虽然文字整理能力差一些，但识别得还行，还能改错别字，凑合着用没问题。

现在呢，情况有点变化了。

Typeless 可能还是主力，千问也还在备用名单上。但我多了一个选项——我自己做的那个语音转录程序。

用自己这个程序，跟用 Typeless、用千问的感觉完全不一样。心情好的时候，我会打开它，用着开心，这是锦上添花。心情不好的时候，我也会打开它，这是我自己的劳动成果，看着它跑起来，听着自己说的话变成屏幕上的字，那种感觉能让我从不开心变成开心，很奇妙。就算心情不好不坏、没什么兴致的时候，我也有可能把它调出来玩一下。它很小，很稚嫩，功能什么都没有，错别字不会改，标点符号有时候也不会加，但它是我的。

它就像我自己的孩子。别人的孩子再优秀，那是别人家的。自己家的孩子，哪怕还不会走路，只会在地上爬，你看着他也满心欢喜。而且，正是因为你天天用他、天天看他，你才最清楚他跟别人家孩子的差距在哪里。今天发现他不会自动加标点，明天发现他还不会分段——这些差距不会让我沮丧，反而会让我产生一种冲动：我想迭代他，我想完善他，我想让他变得更好。

我觉得这种冲动，就是开发者才会有的思维。你不是在用一个软件，你是在养一个软件。你看着他一点点长大，从啥也不会到能帮上忙，那种成就感不是用别人的成品能替代的。

所以现在我不怕任何软件收费、涨价。Typeless 涨价我不怕，千问收费我也不怕。我有自己的东西。哪怕它现在只能做最低级的功能，但它是我的。即使我不懂编程，但只要我想做，我就能靠AI一点一点把它做出来。

工具再厉害，人才是主语

这次经历让我想明白一件事。

之前听过一个 AI 高手的分享，他曾经是英语老师。他说，在英语里，主语最重要；但在 AI 这件事上，人才是主语。AI 只是工具，是被使用的对象，它永远不是主语。

蒸汽机厉不厉害？内燃机厉不厉害？计算机厉不厉害？量子计算机厉不厉害？生物计算机厉不厉害？人造太阳可控核聚变厉不厉害？当然厉害。但它们都是人发明的，也是人在使用的。它们从来没有自己当过一次主语。

我今天正好看到一条新闻，是关于脑机接口的。最新的技术已经能让失明的人重见光明了。这种技术够厉害了吧？但你再想想，它再厉害，也是为人服务的。它存在的意义，是让一个人重新看到这个世界。主语还是那个人。

所以说，不管工具先进到什么程度，使用工具的人的思想，才是最关键的。一个人如果没有思想，给他一艘航天飞船，他也只能趴在地球上当铁皮房子住，最多收个门票当旅游景区。但人如果有思想，就不一样了。你看中国空间站，航天员都能在天上吃烤鸡翅了——这不是科幻电影，是实实在在的技术做到了。有思想的人，能把最不可能的地方变成家的模样。

AI 也一样。它就是一个工具，跟锤子、汽车、轮船、飞机没什么本质区别。DeepSeek 也好，Kimi 也好，都是我手里的工具。它们能写代码，但它们不知道我想做什么。方向是我定的，需求是我提的，遇到岔路口是我拍板的。代码是它们写的，但软件是我的。

现在到处都在说”一人公司”，但没人说”纯AI公司”。为什么？因为AI再厉害，它也只是一个干活的，得听人安排。它不是老板，它是在你手底下打工的。它就是你的姜子牙、诸葛亮、刘伯温，负责出谋划策，但最后拍板的永远是你。你如果同时掌握几个趁手的AI工具，就等于有一群顶级谋士天天围着你转，你想干什么事都能找到思路。

所以，AI不是用来怕的，也不是用来崇拜的。它就是一个需要人来掌舵的船。设计船的是人，开船的是人，决定往哪儿开的还是人。未来不管技术怎么变，主语永远是你自己。

别人有金饭碗，不如自己会种地。我的这个语音转录程序，就是我的第一块田。虽然现在只是一小片荒地，但它是我自己的。而且我知道，只要我愿意，明年它能长庄稼，后年它能盖粮仓。

这个底气，是AI给的，更是我自己挣来的。

从打字打到手软，到自己造工具——这条路，走通了。