人类和计算机的交道，正在被人工智能悄悄改写。下一个可能迎来翻天覆地变化的日常动作，就是那个每天我们得重复几百次的——打字。

语音输入这事儿，早就不是什么新鲜玩意儿了。从当年红极一时的 Siri、Google Assistant，到如今在海外掀起热潮的 Whisper、Otter.ai 这类工具，语音转文字这个赛道已经被反复验证过，用户确实有实实在在的需求。

可用户的吐槽，也从来没断过。识别出来的内容里，全是口语化的碎碎念——“嗯、啊、那个、这个……”这些语气词、停顿和嘴瓢全给你原封不动地保留下来。说完话还得手动改一遍，折腾一圈下来，效率不但没提升，反而更麻烦了。

再往深处看，好多工具跟实际办公场景完全是两张皮。核心工作都在电脑上干，语音工具却只困在手机里，根本不搭界。

最近，千问电脑版来了个大动作，推出了一款全新的语音输入法。只要你对屏幕张开嘴，系统就能自动识别当前打开了什么应用、屏幕上有什么内容，还能理解你想表达什么意图。它会自动过滤掉那些语气词和嘴瓢，直接给出一段结构清晰、能直接用的文字。

这套语音能力，还和千问电脑版自己的生产力工具深度绑在了一起。你只要开口下指令，就能直接调用AI，帮你回邮件、改文案、做PPT、整理表格——统统不在话下。

交互逻辑也特别简单，你只需要记住两个操作就行。在任何界面上，长按右 Alt（Mac用户长按右 Command），松开手，语音就能自动转成文字，完全不需要再装什么插件或者切换应用。

要是你想直接下指令让AI帮干活儿，双击同一个快捷键就行。查资料、回消息、生成文档、做PPT，选中内容后再双击，千问就能根据屏幕上当前的内容，直接帮你搞定。

可以毫不犹豫地讲，在这个场景里，语音输入早已不是键盘的简单替代品，它更像是点燃整条工作流程链条的那把引信。

眼下，这项新功能已经全面对外开放。无论是下载千问电脑版客户端，还是直接登录网页，任何人都能直接上手体验。更关键的是，这全程免费，无需任何申请门槛，想用就用。

接下来，我们将从第一视角开展一次实地测评。通过这次深度试用，看看究竟能挖掘出哪些让效率飙升的隐藏玩法。

• 千问网页版入口：https://www.qianwen.com/
• 千问客户端下载链接：https://www.qianwen.com/download?ch=tongyi_redirect

智能语音输入——打工人最硬核的“嘴替”，来了。

先来体验智能语音输入。

把鼠标光标定位到钉钉聊天窗口里，右手按住键盘上的右 Alt 键（如果你用的是 Mac，就按住右 Command 键）。然后，像跟朋友闲聊一样，对着麦克风直接说话，别犹豫、别停顿，也不用管语法对不对。比如你可以这样随口来一句：

“哎，这个项目嘛，我觉得时间线得好好排一下，还有那个……呃，对，周四之前得跟客户把方案敲定，内容那边也得赶紧催催，不然怕是赶不上。”

千问会帮你把“嗯、那个、然后”这些口头禅全部去掉，把原本乱糟糟的三件事重新整理成逻辑清楚的三句话。意思一个字都不会少，但出来的文字已经可以直接复制发送，干净利落。

过去写一段提示词往往要反复推敲，费时费力；如今，你完全可以想到什么就说什么，随意输入即可。

举个例子，你直接用口语扔出一段复杂的需求：

“我想做一份千问电脑版语音输入法的上线营销方案。先说说产品功能和价值，重点讲它怎么靠千问 AI 提升办公效率和内容整理能力。接着分析目标用户和市场定位，比如职场白领、内容创作者、学生——他们有哪些痛点，又有什么需求，和竞品比优势在哪里。再帮我设计营销策略，包括线上线下推广、社交媒体、短视频、KOL 合作这些。然后做预算和KPI规划，每个渠道和活动的预算要写清楚，还要讲下载量、转化率、曝光量。再分析风险和应对，比如用户认知不足、教育成本高、竞品影响。最后来个深度分析和观点拔高，聊AI语音输入对办公效率、知识管理、内容创作的趋势，国内外输入法的发展和推广动向，以及对数字办公生态和用户习惯的长期影响。”

千问就能自动把这些需求理得清清楚楚，按框架分点输出，整个结构一目了然，毫不含糊。

中文语音识别在正常语速条件下，几乎不会出现错别字。它甚至能流畅应付中英文混合的对话场景。

举个例子，假设我们通过语音输入这样一段话：“王姐，有个事想问一下，明天的会议具体几点开始？我下午有截稿任务，能不能稍微推迟一下？对了，楼下新开了家羊汤馆，味道不错，中午要不要一起去吃个饭？”

识别系统对这类带有口语化表达和术语转换的文本，依然能保持极高的准确性。

对话历史过于冗长，直接引发了“上下文窗口”（Context Window）溢出问题。

我计划将原本采用的 ConversationBufferMemory 机制，替换为 ConversationSummaryMemory。

能否提供一个借助大语言模型（LLM）自动摘要历史消息的代码范例？

千问的解析能力依旧精准无误。

即便中英文混杂表述，也未见丝毫偏差。

开口说话代替键盘敲击，办公方式迎来全新变革。

只需双击右侧的 Alt 键（Mac 电脑用户则双击右侧的 Command 键），就能瞬间激活一种名为“AI 语音指令”的功能。在这一模式下，千问完全听从你的语音指令——无论你身处哪个软件界面，或是在桌面的任意位置，它都能被唤起。

举个例子，当你打开邮件页面，双击快捷键，然后直接说出：“帮我写一封邮件，告诉客户方案延期两天，周五能交付，态度诚恳一些。”

千问接收到指令后，会立即理解你的意图。它能够感知当前的操作上下文，精准识别收件对象，并自动生成一封格式完整的邮件。这封邮件不仅包含标准的开头与结尾，整体语气也礼貌得体、毫不拖沓。

觉得语气太正式了？只需一句“把邮件语气改得轻松点”，通义千问立马重写，用词精准到位，完全不用你动手改。

另外，这家伙还懂得分析场景。举个例子，你让它“帮我回一句：我可以”，同样是这句话，在钉钉对话窗口里，它直接回了一句：“好嘞！我到时候准点去会议室～不见不散哟！” 这句话带着即时聊天那种活泼味儿，句末还顺手带上了个表情符号，显得特别自然。

进入邮箱页面时，同样的信息会转换为另一种形式。诸如“收到，我会准时参加”这类措辞，随即被采用，表达的腔调也瞬间切换为正式的商务书面语气。

完全一样的命令，换到不同情况下，它展现出的语气、措辞，甚至是风格，都会出现天壤之别。

比如，千问智能语音系统里有个很实用的功能——做便签。你只要在任何时候双击一下，就能开始用语音记录。举个例子，你可以这样说：

“我想到一个好玩的选题，想吐槽下现在大学生写论文的现状：很多人先把任务丢给 AI 生成初稿，接着让 AI 帮忙扩写和润色，最后又用 AI 去检查重复率。整篇论文下来，几乎全程都靠 AI 操作，自己动笔的部分越来越少。帮我记下这个灵感，再给出几个可以拓展的方向，比如：学术诚信方面，AI 写作和扩写的滥用，会不会影响原创性和学术道德？技术怪圈方面，AI 生成论文后，再用 AI 去检测，这种逻辑是否很荒诞，有种‘自相矛盾’的感觉？写作能力退化方面，如果过度依赖 AI，学生会不会连基本的写作技能都丢掉了？还有教育制度怎么应对，学校和老师又该用什么方式，来面对 AI 写作带来的教学挑战和评估难题？”

当你这么说时，千问的电脑版就能自动识别这段话，把它完整记录下来，并且提供一个专门的入口让你随时查看。

接下来，我们换个更高级的场景试试。

比如说，你可以让语音指令和千问内置的 PPT 功能联动起来。千问的 PPT 模块现在新增了一个专业模式，它背后是 Qwen 最新 AI 大模型的编程能力在驱动。这个模式能动态生成结构复杂的 PPT 页面和内容，做出来的东西不仅内容有深度，排版也特别专业。

假设你在钉钉里选中了一段需求文本，然后双击快捷键，开口说：“帮我把这段需求整理成待办清单，再做成一个汇报用的 PPT。”

千问会基于你选中的内容，自动梳理里面的逻辑、提炼出关键要点，然后直接生成一份结构完整的 PPT。整个过程，你完全不用复制粘贴、不用切换窗口，更不用自己动手排版。而且，生成之后你还能继续修改，直接在原先的 PPT 上调整，根本不需要从头再来。

除了多文件处理能力之外，将大批量的Word与PDF文件一次性拖入千问，你只需双击快捷键发出指令，AI就会自动启动。它能读取每一份文档，从中提炼出关键信息，再生成可用于数据可视化的图表，最终输出一份可直接用于上台汇报的完整材料。整个过程支持多达39种文件格式，可一次性完成批量作业。

另一个高频率出现的场景，是语音指令与Excel的深度配合。

同样，你只需双击快捷键，直接说出你的需求，例如：

“请把‘财政部、税务总局公告2026年第10号’中涉及增值税优惠政策的具体条目，整理成一份Excel清单。清单要包含减免方式、政策内容以及执行期限这三项。”

话音落下，千问便会自动搜集相关政策信息，并生成对应的增值税优惠政策清单Excel文件。从头到尾，你无需手动操作表格，一切都在对话式指令中完成。

在这整个流程里，你只需要清晰表达自己的意图，所有的执行工作——从数据抓取到表格生成——全权交给千问处理。对于那些日常需要维护各种数据表、但对Excel操作并不熟练的人来说，这种交互方式几乎没有任何学习门槛。

结语

这一切的根基，在于千问大模型历经多年打磨出的底层语音技术。这项能力建立在上亿小时的音视频数据训练之上，配合端到端的实时响应系统，构成了稳固的技术底座。它一直在等待一个足够贴近日常、足够高频的应用场景来释放潜力。

真正让千问电脑版语音输入法值得单独拿出来讨论的，是它颠覆了传统“语音输入”的范畴。普通工具只做简单的听写——用户说，它转，转换完就戛然而止。但千问的理念是理解，它把声音到文字的单次转写，升级成一条完整的智能链路：识别、理解、重写、排版一气呵成。

这条链路是为语音输入量身定制的AI流水线：Qwen定制的ASR模式负责高精度的语音识别，而Qwen最新序列的LLM则承担深度理解与表达重构的任务。它能同时监听用户说的内容，观察屏幕上显示的信息，判断用户正在使用哪个软件，再据此决定如何输出。真正解决的，是把口头想法快速转化成一个可以直接使用的高质量文本。

与此同时，它也大幅压缩了调用AI的流程。只需长按说话、双击下指令，AI能力就直接嵌入用户正在使用的软件中，输入和执行之间没有断点，注意力也不会因为切换窗口而中断。

这背后，是一个正在成型的大趋势。苹果把Siri全面升级成AI助手，OpenAI在持续强化ChatGPT的语音对话功能，Google的Gemini也在推进多模态交互……语音，正从键盘的补充角色，演变为AI时代最自然的交互入口。因为大模型已经能真正理解人话、把握上下文，打字反而成了多余的中间环节。

但在电脑端，这种转变才刚刚起步。桌面端的语音输入长期停留在转写工具层面，没有真正与AI能力深度融合。千问电脑版语音输入法，恰好做了一次有价值的尝试。

模型的聪明程度，决定了产品的上限；而用户能否以最自然的方式把意图传递给AI，则决定了产品能否真正融入日常生活。

语音输入，正在成为AI交互的下一个入口。