文 | 影子备忘录

不知道大家有没有注意到，近年来身边越来越多的年轻人，聊天时不再低着头噼里啪啦地敲屏幕，而是对着手机麦克风，按住说话，于是一段文字便快速生成。

地铁上、咖啡馆里、甚至办公室工位上，随处可见这样的场景：一个人举着手机，嘴唇微动，屏幕上自动跳出一行行文字。“按住说话”这个曾经被视为“老年人不会打字才用的功能”，如今正在成为年轻人的新宠。

更夸张的是，在一些AI编程社区，开发者们已经不再敲代码了，而是对着麦克风说出需求，AI直接生成代码。

一款名叫Typeless的语音编程工具，公测3个月就收获了120万开发者用户，2026年3月完成1.2亿美元A轮融资，估值涨到8.5亿美元。

这不禁让人想问一个问题：在AI的加持下，未来的年轻人，还会打字吗？

从九宫格到“按住说话”

先看几组数据。

三年前，语音输入的日常使用率只有32%。三年后，这个比例已经要达到65%-70%。翻了一倍多。

腾讯搜狗输入法在2026年初宣布全面AI化，其AI用户规模已经破亿，日均语音使用次数接近20亿次，平均每秒超过2万人对着屏幕说话。

《2025年中国第三方输入法行业洞察报告》显示，AI语音输入功能的使用率在所有AI功能中排名第一，达到40.9%。

用户选择“动口不动手”的首要原因，是“避免手动输入繁琐”，占比高达48.60%。

全球范围内，约有84亿台活跃的语音助手，超过一半的智能手机用户每天都会进行一次语音搜索，约32%的消费者如今每天用语音而非打字来搜索。

更值得关注的是趋势。招商证券国际的研报指出，语音输入速度比打字快近3倍。

伦敦政治经济学院与Jabra联合研究预测，到2028年，语音AI将成为主要工作方式。

Jabra全球品牌传播负责人保罗·塞普顿甚至直言：“等到Alpha世代进入职场，AI将全面融入，他们的工作会在打字之前就通过口述完成。”

这些数字背后，是一场正在发生的交互革命。

打字，这个我们习以为常了半个多世纪的人机交互方式，正在被一种更原始、更本能的方式悄悄替代，而这种方式就是说话。

要理解这场变革的深度，有必要先回顾一下输入法走过的路。

中文输入法的历史，本质上是一部“降低输入门槛”的历史。

上世纪80年代，五笔字型横空出世。为了在26个英文字母的键盘上打出成千上万个汉字，王永民发明了一套形码方案，即把汉字拆成字根，再映射到键盘上。

这套方案效率极高，但学习成本也极高。一个普通人要记住上百个字根的键位，没有几个月的刻意练习根本做不到。

90年代，智能ABC和拼音输入法登场。相比五笔，拼音的门槛低得多，只要会拼音，就能打字。但代价是重码率极高，选字频繁，输入效率大打折扣。

进入智能手机时代，输入法迎来了第一次真正意义上的“大众化”，即九宫格和全键盘之争。

九宫格适合单手操作，全键盘更适合双手盲打。两种流派各有所爱，但本质上都是在“用手指在屏幕上点按”。

2010年前后，讯飞输入法率先将语音识别技术引入手机输入法。但那时的语音输入，充其量只是一个“辅助功能”，因为识别准确率堪忧，稍微有点口音就翻车，更别说方言和中英混输了。

大多数用户尝试几次之后，还是会回到键盘。

真正改变游戏规则的，是大语言模型的崛起。

过去的语音识别，是“听字”，只要机器努力听清你发的每一个音，然后机械地转写成字。

而AI加持下的语音识别，是“听话”，机器能够快速理解你在说什么，然后主动帮你组织成通顺的句子。

AI如何让语音输入“脱胎换骨”

2022年，OpenAI开源了Whisper语音识别模型，把通用语音识别的准确率拉到了98%以上。Whisper-1的平均准确率达到92.8%，最高可达98.3%。

这仅仅是个开始。

2025年，硅谷一家公司推出了Scribe v2 Realtime模型，实现了150毫秒的超低延迟和93.5%的高准确率，覆盖90多种语言。换句话说，你说完话的瞬间，文字就已经出来了，几乎感觉不到等待。

但AI带来的进步远不止“快”和“准”。

首先是“理解”。大模型让输入法不再只是“转写工具”，而变成了“理解工具”。过去你说“wo xiang chi fan”，输入法只能机械地给出“我想吃饭”。

现在你说“我想恰饭”，AI知道这是网络用语；你说“我肚子饿了，想搞点吃的”，AI能自动帮你润色成“我饿了，想吃点东西”。

其次是“纠错”。模型让输入法的实时纠错功能已能精准识别音近字、形近字错误，甚至纠正语法逻辑偏差。

再次是“多语言和方言”。如今的输入法大多支持30余种方言识别。豆包输入法实测中文、英文和粤语识别准确度“高得离谱”，粤语夹英文的句子如“Sorry啊，我地已经尽晒力啦”都能一字不差地识别。

字节跳动的Seed-ASR2.0模型在中英文测试集上的错误率比上一代降低了10%-40%。

最后是“场景适配”。豆包输入法提供了150MB的离线语音模型，无网时也能实现0.8秒低延迟语音转换。

电梯、地下车库这类弱网场景，照样能用语音输入。

这些技术进步叠加在一起，产生了一个质变：语音输入从“备胎”变成了“主力”。

年轻人正在“动口不动手”

技术准备好了，用户习惯的变化比想象中更快。

有用户分享了自己的经历：“我用了不到一周的时间，就改变了已经形成20多年的习惯，主要的输入方式从打字变成了语音。”用时53分钟输入5500字，每分钟155字，节省了2.5小时。

一位AI语音输入法的使用者写道：“自从用上它，我已经不想再用键盘打字，不想再用已经有腱鞘炎的手指去编写冗长的Prompt。”

曾经他觉得打字比语音更有逻辑，因为打字迫使他慢下来边写边整理思路。

但现在的AI语音输入法，能够在输入环节把不连贯、缺乏结构的口头表达优化成清晰的提示词。

极客公园的一位编辑也经历了类似的转变：“如果几年前有人跟我说，你以后写稿可能不怎么需要键盘了，我大概会把这句话当成一句玩笑。”

但高频使用AI App的这两年，他越来越清晰地感觉到：“在越来越多的场景里，我不再想‘敲一段字问它’，而是更想‘按住麦克风直接说’。”

这种转变背后的逻辑其实很简单——说话比打字快，也比打字省力。

普通专业人士的打字速度约为每分钟40到60个词，而说话速度高达130到150词。

语音AI听写将这一速度差距转化为实实在在的生产力增益。人类的思维速度约每分钟400字，而打字仅有40字。打字是思维的瓶颈，不是表达的瓶颈。

更关键的是，和AI交互时，用户不用在意错别字、不用在意格式、不用一上来就组织成一段“体面”的文字，甚至可以中途换一个角度，AI依然能跟得上。

这种“低门槛、高容错”的交互方式，天然更符合年轻人的使用习惯。

有观察者发现，很多年轻人（后90后到00后）打字指法都不规范，能盲打的是少数。

Z世代虽然被称为“数字原住民”，但因成长环境偏重移动端，电脑操作能力普遍薄弱。

对于这些“移动互联网原住民”来说，语音输入不是“替代方案”，而是“默认选项”。

大厂押注的“隐形竞赛”

资本和巨头的动向，往往是最敏锐的风向标。

海外市场，Wispr Flow累计融资金额已达8100万美元，估值7亿美元。如果2026年5月的2.6亿美元B轮融资洽谈成功，估值将攀升至20亿美元。

Typeless在2026年3月完成1.2亿美元A轮融资，投后估值达8.5亿美元。AI语音转文字工具市场在2025年价值约33亿美元，2026年有望突破38.7亿美元，预计2035年将达164亿美元。

国内战场同样火热。

搜狗输入法在2026年1月宣布全面AI化，AI语音、AI翻译、AI打字三大模型同步升级。腾讯将输入法和AI搜索结合起来，发现用户使用频次明显上升。

字节跳动推出豆包输入法，把语音输入作为最大卖点。其“按住说话，松手结束”的极简交互，实测中文、英文和粤语识别准确度“高得离谱”。

微信输入法iOS版3.0开启内测，支持方言语音输入。

科大讯飞发布讯飞输入法15.0，在传统键盘里硬加一颗AI键，一键接入星火大模型。智谱也推出了智谱AI输入法。

为什么大厂如此积极？因为输入法是几乎所有互联网行为的入口。通过高频的用户互动掌握大量用户意图数据，输入法被认为是AI Agent的雏形。

谁掌握了输入法，谁就掌握了用户与AI交互的第一道关口。

这是一场输不起的入口争夺战。

写在最后

回到最初的问题：未来的年轻人，真的不会打字了吗？

答案或许比“会”或“不会”更复杂。

首先，打字不会完全消失，但角色会改变。正如网友热议的那样：“键盘不会立刻消失，但在越来越多的场景里，它已经悄悄退成语音之后的‘编辑器’。”

未来的工作流可能是：口述生成初稿，打字进行修订。打字从“创造”变成了“编辑”，从“思考”变成了“润色”。

其次，不同场景的分化会加剧。日常聊天、搜索查询、AI对话等这些场景语音输入的优势明显，正在快速占领。

但需要精确表达、严谨措辞的场景，比如法律文书、学术论文、代码调试等打字仍然是更可靠的选择。ESSEC商学院管理学副教授法布里斯·卡瓦雷塔指出：“阅读文本比听语音更快，搜索关键词也更高效。”

第三，代际差异会加速这一进程。伦敦政治经济学院的研究预测，等到Alpha世代（2010年后出生）进入职场，他们将“在打字之前就通过口述完成工作”。

对于这一代人来说，语音交互是天生的、本能的，打字反而是需要后天学习的“技能”。

第四，硬件形态的演变会进一步降低打字的需求。当AI小键盘、静音面罩这类硬件普及后，公共场合使用语音输入的障碍将被大幅削弱。

当AR/VR设备普及后，虚拟键盘可能永远都不会成为主流交互方式，因为用手比划远不如动嘴方便。

腾讯搜狗输入法大模型产品面对负责人曾表示：“语音无疑是一种重要的输入方式，它一定会继续增长，但是不能因此忽略了打字的重要性。至少在硬件完全颠覆之前，打字仍然是非常重要的能力。用户的目的是得到一个最好的输入结果，方式可以是多变的，语音也不一定是唯一选项。”

他还补充道：“现在很多Vibe coding没有键盘，但并不意味着Vibe coding就不需要键盘，可能是因为短时间内还没有好的键盘。所以，输入法的演变形态，我们才刚刚看到令人兴奋的开始，还远远没有到只拿一个麦克风就可以搞定一切的终极形态。”

抛开技术和数据，这场变革背后有一个更深层的问题值得思考：

当“说话”成为人机交互的主要方式，我们对“文字”的理解会发生怎样的变化？

过去几十年，打字塑造了我们的思维方式，它要求我们先把想法组织成线性的、有结构的句子，再一个一个字符地敲出来。

这个过程虽然慢，但也强迫我们思考、整理、精炼。

而语音输入让我们可以“想到什么说什么”，思维的自然流速远快于打字，AI还能帮我们润色和整理。输入的门槛降低了，但思考的门槛呢？

当AI可以帮我们把零散的口头表达自动整理成逻辑严密的文字时，我们是否还会花时间去打磨自己的表达能力？

当“说话”就能搞定一切时，书面语的严谨性和精确性会不会被稀释？

这些问题没有标准答案。但有一点是确定的：

我们正在见证人机交互史上最重要的一次范式转移。从键盘到触屏，从触屏到语音，每一次转移都让技术的使用门槛更低，让更多人能够参与数字世界。

打字不会消失，就像毛笔没有消失、钢笔没有消失一样。但它会从一个“必备技能”变成一个“专业技能”，从“全民标配”变成“部分人的工具”。

未来的年轻人，或许真的不需要“学会打字”了。他们只需要学会“好好说话”，而AI会帮他们把话说成字。