夜雨聆风我做了一个 MacOS 语音输入工具，聊聊为什么市面上的方案都不太适合我。
去年 3 月，一个同事戴着 Vision Pro，套着口罩，用语音输入在写代码。当时觉得挺极客的，但没觉得跟我有什么关系。虽然更早就有在手机中用过语音输入法，但内容创作不多，也就没啥感觉。
转折发生在 AI 写代码的比例越来越高之后。
一开始是协同开发，我写一部分，AI 写一部分。后来变成我负责整体逻辑和需求描述，AI 负责实现。听起来轻松了，但我发现每天要打的字反而暴增——给 AI 的指令、上下文描述、需求拆解、Code Review 的反馈，全是大段大段的文字输入。手开始累了。
于是开始找语音输入工具。
试了一圈，各有各的问题
Mac 自带听写——能用，但不好用。专业术语基本得改，中英混输更是灾难。
Typeless——这是我用的第一个第三方工具。免费版每周 4000 字，勉强够用一两天。但我的办公环境特别吵，识别经常不准，加上订阅价格不便宜，一直没买。
闪电说——极客向产品，用的是阿里 SenseVoice Small 模型（800MB）。功能很强，但需要自己配置 API Key、提示词、Agent 调用、文本逆正则化……门槛太高了。而且用它的人本身就有技术能力，对产品的容错极低——你做得不够好，人家自己就能实现一个。
智谱 AutoGLM——积分制后来免费，体验还行。但智谱本质上是模型厂商，这个应用是用来验证自家模型能力的，不会投入太多资源做产品体验，也不可能接入其他厂商更好的 ASR 模型。豆包、通义听悟也是一样的逻辑。
微信输入法——免费，但它以输入法形态存在，我不太习惯。
Cursor / Claude Code 自带语音——只能在自己的应用内使用，不能跨 App。
中间还切着用了好几个，积分不够就换一个继续。但始终没有一个让我满意的。
三类产品，三种局限
研究了一圈之后，我发现市面上的语音输入工具大概分三类：
第一类：纯 C 端产品（代表：Typeless）
选用市面上最好的 ASR 模型，面向所有人提供服务。优势是体验打磨得好，劣势是很难做行业定制——C 端用户和 B 端用户对文本的需求天然不同，很难在一个产品里兼顾。
第二类：极客工具（代表：闪电说）
把所有选项都暴露给用户：选哪个 ASR 引擎、配什么 API Key、设什么提示词。省了平台的成本，但代价是用户门槛极高。选哪个 ASR 好用、哪个便宜、哪个场景用哪个——这些决策全抛给了用户。
第三类：模型厂商的附属产品（代表：智谱、豆包、通义）
大厂做的语音输入应用，本质目的是推广自家模型。它们不会接入竞品的 ASR，哪怕竞品在某个场景下更准。产品只是模型能力的展示窗口，不是独立的体验闭环。
这三类都有各自的天花板。而我想做的事情刚好在它们的缝隙里：帮用户选最好的模型、预置专业热词、不需要任何配置，打开就能用。
为什么自动提取热词是伪命题
很多产品号称能从你的使用习惯中自动学习热词。听起来很智能，但有一个逻辑悖论：
如果你对一个项目名称或人名，语音识别每次都说错，而你从不去纠正它，毕竟有时候影响不大，语音输入就图个快，那"自动提取"学到的就是那个错误的词。
比如你每次说 "Claude Code"，ASR 识别成 "cloud code"，你懒得改就直接发了。自动学习系统会认为你就是要说 "cloud code"——结果热词越学越错。
所以我选了另一条路：根据行业和时间节点，主动预置热词。
比如 Claude Code 最近很火，我就提前把它加进开发者热词库。PLC 和 PLG 在不同上下文中含义完全不同，靠模型单独判断很容易出错，但如果你告诉 ASR "这个用户是程序员"，大概率说的是 PLG。
这些热词不是从用户本地数据里挖出来的，而是我根据行业动态持续更新的。目的很简单：减少用户说完之后还要回头改的次数。 因为每改一次，语音输入的提效就打了一次折扣。
准确优先，不做过度润色
Typeless 有一个功能：当它识别到你在说列表第一点、第二点……会自动把输出格式化成结构化的 Markdown 列表。
这个功能看起来很聪明，但我想了很久，决定不做这么极致。
原因是：语音输入本质上是「快思考」——丹尼尔·卡尼曼在《思考，快与慢》里把人的思维分成快系统和慢系统，键盘输入是慢思考（你会斟酌用词、调整结构），而语音输入天然是快思考（脱口而出，不加修饰）。我们说出来的话本来就是非结构化的，这很正常。而语音输入的下游——无论是什么 AI Agent，往往自带智能。你把一段自然语言丢给 Claude，它自己就能结构化，而且比语音输入工具做得更好。
与其让语音输入工具去猜你想要什么格式，不如让它老老实实地把你说的话准确转成文字。格式化的事情，交给下游更合适。
所以 Xisper 的设计哲学很简单：快和准之间选准，准和润之间选准。 我的使用场景更多是对一个事物做中短描述，而不是下命令。说了三四分钟的话，我愿意多等一两秒来换更高的准确率。
一个小功能：多选合并复制
我的办公环境很吵，经常说一段就得停下来——有人过来问问题，或者旁边突然来了个会议。说完一段按暂停，处理完事情再继续。
问题是中间可能切到了别的应用，用语音输入回了条消息、写了段别的东西。等我想把之前那段话续上的时候，内容已经散落在好几条记录里了。
所以我做了一个多选合并的功能：在历史记录里勾选第 1、3、8、9 条，按时间顺序自动合并成一段完整的文本，一键复制。
这个功能很小，但在被频繁打断的工作环境里，用起来特别舒服。
顺便说一句，这篇文章本身就是我用 Xisper 断断续续说出来的——中间被打断了好几次，切出去干了别的事，最后用多选合并把散落的片段拼回了一篇完整的初稿。
Xisper 是什么
一个专业、精准的跨 App 语音输入工具。
Swift 原生开发，安装包不到 3MB，比一个网页还小。按 Fn 说话，松开就出文字，在任何 Mac 应用里都能用。
它不追求最快的响应速度，不追求花哨的 AI 润色，不追求覆盖所有场景。它只做一件事：让你说出来的专业内容，被准确地变成文字。
不需要配置 API Key，不需要知道市面上哪个 ASR 引擎最好，不需要操心什么时候出了新模型该不该换。这些事情我来做，你只需要说话。
我是一个独立开发者，Xisper 是我解决自己问题的过程中做出来的产品。如果你也被语音输入的准确性困扰过，欢迎试试，也欢迎告诉我你在什么行业、什么场景下使用——这会帮助我决定下一步优先做哪些行业的热词库。
