聊聊豆包输入法（内测版）和语音输入法

所以我来评价豆包输入法内测版也挺合适。

豆包输入法我用了一个多月，现在是我的主力语音输入法。iPhone 就配置了俩键盘：微信和豆包。打字用微信输入法，语音用豆包输入法。在我的个人场景下，豆包识别率和微信非常接近，都有大模型加持，拉不开大的差距。

那为什么我会用豆包主力语音输入呢？

主要原因是，微信语音输入这孩子老老实实的，iPhone 每进行一次语音输入，都要跳转并拉起一次过渡页面，临时激活录音进程（安卓应该没这毛病），很烦对不对？豆包语音输入比较 hack，允许设置为录音进程常驻后台，相当于打开默认半小时的录音进程，在此期间语音输入不用再拉起过渡页面。

次要原因是，因为高频用语音和豆包交互，对于豆包在大模型加持下的语音识别能力有很强的信任感，品牌光环强劲。这也是豆包输入法的核心竞争力。

最后，豆包输入法在语音输入交互上，相对微信输入法有一些细微但舒适的优化，同时也会对语气助词进行细微的润色。

那么豆包输入法有什么缺点呢？

有的，键盘输入体验稀烂！稀烂！毕竟当前是 0.11 内测版。此外标点符号用得稀烂，尤其滥用句号。

所以我的个人习惯是，大段大段的语音输入用豆包输入法，然后再切到微信输入法调整文本细节。对 “大段大段” 的定义是，经常语音输入五六百字的一条长微博。

如果坐在电脑前，我还是习惯敲键盘的，思考和书面表达衔接更连贯。但躺在床上，靠在沙发上，坐在车里和餐馆里，尤其是旅行中一边走一边发微博的时候，必然语音输入。你看到我的微博发布于 iPhone 客户端，那就一定是语音输入。

这件事，不习惯语音输入的人会比较惊讶，我倒是总结出了一些规律。

语音输入法最大的障碍是，口语输入和书面输入之间是有 gap 的。

口语输入会有更多语气助词，更多的重复表达，更多的颠三倒四，更多的废话，表达是一坨黏糊糊但作为语音又能轻易理解的史莱姆。

书面输入则清爽干净，有更好的条理与礼仪。

因此，语音输入如果不加节制，转换成文本以后在书面表达场合会很难堪。微信那种简短的沟通场合还好，场合稍微正式一点或者文本长一点，史莱姆就跳出来了……

如果你想战胜史莱姆，必须在口语输入时加入更多书面语言的思维方式。一旦书面表达的构思跟不上口述速度（也包括不能一次成型，必须来回修改），便面临「停顿」——在口述时停下来思考怎么表达得体。但我们日常说话时很少停顿，用废话和颠三倒四来填充空隙，一旦多次停顿，节奏乱了，口述就卡得说不下去了。

这就是口语输入和书面输入之间的 gap。

对此，有人说能不能用大模型的能力对口语润色为书面语言呢？

很难。

前面说过，豆包输入法已经做了 “细微的润色”，一旦尺度超过细微，发出来恐怕就不像是自己写的了。

而我也用了一点时间适应，才能做到很少修改，连贯/缓慢/准确地用口语输入书面语言，“构思书面表达” 衔接 “口述” 相当连贯，普通人未必能这么流畅，至少对一部分普通人来说很难。此处没有对错好坏的区别，就是挑人，特别挑人。打字越快的人语音输入也越厉害（我一小时键盘能敲 2000-3000 字微博），构思书面表达的速度飞快，接得上口述的速度。

但即便我用口语输入书面语言很强，还是会面临难以克服的两个问题。

第一，需要深度思考的内容，比如这篇公众号，我没法用语音输入，卡得说不下去。“思考” 和 “说话” 如果不能连贯地衔接在一起，边想-边说-别停，而是分成两段接龙，这不行的，甚至自己说话也会干扰和打断深度思考——这真是一个有趣的洞察。思考越深，越需要沉浸，脑子里的声音一旦说出口就成了思考的噪音。

第二，我用语音输入最多只能写一千字。超过一千字会对内容结构提出更高的要求，这种思考深度会被语音输入不断地干扰打断。

所以一开始才说，我很适应用语音输入法进行 “一千字以内的轻创作”。

在微博看到别人说，以后年轻一代会主力用语音输入法，抛弃传统的键盘输入。我觉得 “你不是年轻人就别瞎几把推断年轻人”。八年前还有许多大佬说：“以后年轻一代会用视频替代图文进行交流” 呢。语音输入这件事挑人，适应用口语输入书面语言，不是年轻人的特权，而是一部分人的特长。

至于豆包输入法嘛，在豆包的 VUI 光环照耀下，谨慎看好，用于非书面场合的微信沟通也没什么问题。迷上豆包 VUI 的人会对豆包语音输入法心生好感，这种锐利的特性和强烈的品牌光环，可能比（实际上语音识别能力相当的）微信输入法更有竞争力。用户本能地觉得 “豆包输入法语音识别牛逼！”长板支棱得足够长。相比起来，微信输入法四平八稳，不容易留下深刻印象。

PS：我还有一个奇奇怪怪的特性就是，口头输入书面语言时，会自动转换成语速很慢的朗诵腔，抑扬顿挫，加入强烈的语气……不要问我，我也不知道是怎么回事。周围的人经常为此很惊讶地望向我，看这个疯批。

点击【阅读原文】，可见犬校最近一年的好帖索引。