返回探索
指南VibeFix 内容整理更新于 2026年11月21日

张嘴就能记:vibe 项目的语音输入实战

手上沾着油还想记菜谱?语音输入就是为这种时候准备的。这篇用虚构的“灶台小记”贯穿:六步实现、纠错三件套、12 项验收清单,和五个几乎每个团队都会踩的坑。

一位戴着耳机的女士对着手机说话,正在用语音输入记录内容

先说清楚:这篇讲的是哪种语音输入

“语音输入”这个词,在不同的产品里指的不是同一件事。一种是语音转文字:对着手机说一段话,文字自动填进输入框,相当于用嘴打字。一种是语音指令:说“新建笔记”“打开设置”,产品直接执行动作。还有一种是语音助手:多轮对话,问它“今天晚上吃什么”,它给你出主意、帮你下单。

这篇指南只讲第一种:语音转文字输入。原因很现实:第二种和第三种是另一个量级的工作量,一个人团队半年都未必做得像样;第一种一周就能上线,用户马上能感知到。先把“说出来变成字”做扎实,指令和助手以后再说。全文用一个虚构的例子贯穿:一个叫“灶台小记”的做菜记录 App,用户在厨房里手上沾着油,想记下刚改好的菜谱步骤。例子里的产品、数字和对话都是虚构的,用来把道理讲具体,不是真实产品的运营数据。读的时候请把“灶台小记”替换成你自己的产品:逻辑是一样的。

什么时候值得做语音输入:先算三笔账

第一笔账是“用户的手忙不忙”。做饭手上有油、开车手握方向盘、抱着孩子、田野调查时手里拿着工具——手腾不出来的时候,语音输入不是锦上添花,是唯一能用的输入方式。阿梅在灶台小记里的典型场景就是这样:左手端着锅,右手拿着铲子,想记“盐再减半勺”,打字根本不可能,说一句话就行。如果你的用户大多数时间都是坐着、双手空闲,语音输入的优先级就可以往后放一放。

第二笔账是“要输入的东西有多长”。三五个字的搜索框、一个手机号,没必要上语音;一段一百字的菜谱步骤、一段会议记录、一条几十字的反馈,打字要两分钟,说话只要二十秒。经验线是这样的:单次输入超过二十个字,语音就开始划算;超过五十个字,语音的优势就很明显了。先去翻一下你产品里最长的几个输入框,看看用户平时都在里面写多长的东西,再决定。

第三笔账是“你的用户是谁”。打字慢的中老年用户、视力不好或者手部不方便的用户、普通话不标准但能流利说话的用户,用语音输入获得的提升比普通用户大得多。对这些用户来说,语音输入不是效率工具,是能不能用你的产品的分界线。三条占两条,就可以做;三条全占,马上做;三条一条都不占,先做别的。

六步实现:从点下麦克风到文字落进输入框

第一步,选技术路线。一人团队有三条路。浏览器自带的 Web Speech API:免费、即开即用、不用搭服务,缺点是识别要联网、中文识别只能算“还行”、音频要出浏览器;适合先探路。服务端识别,比如 Whisper 这类模型:识别最准、方言也吃得下、可以自己部署,缺点是要花钱或者自己搭服务;适合对准确率有要求的产品。端侧模型,比如跑在手机上的轻量识别:离线能用、隐私最好,缺点是耗电、占体积、老机型跑不动。我的建议是:先上 Web Speech API,把整条链路跑通,接口留好,将来换服务端识别只换一层,不要重写界面。

第二步,按钮放哪。麦克风按钮放在输入框右边,拇指够得着的位置,别藏进二级菜单,别做成需要长按才能发现的隐藏手势。键盘弹起的时候,按钮不能被键盘遮住;输入框变矮了,按钮也不能跟着消失。用户在厨房里单手握手机,按钮太小就是点不中:最小点按区域做到 44×44 像素,这是底线。

第三步,录音状态要一眼看懂。三个状态,每态都有颜色、文字和波形,缺一不可。待命态:灰色麦克风,等用户点。正在听:红色麦克风加跳动的波形,旁边写“正在听,说完点完成”。处理中:转圈加“正在转文字”。最怕的是用户说了半天,界面一点反应都没有——他不知道产品是在听、还是卡住了、还是根本没收到声音。

第四步,流式上屏,别憋大招。用户边说,文字边出来,中间结果先用灰色显示,确认后再变成黑色。千万别等用户说完、点停止,才一次性蹦出整段文字——那几秒钟的等待是最容易让人以为“坏了”然后退出的。流式上屏还有一个好处:用户说错了能立刻发现,马上纠正,不用等整段说完再返工。

第五步,标点与分段。裸的识别结果是一大坨没有标点的字,用户看着就累。最少要做两件事:自动加句号和逗号;停顿超过一秒半就换行或者分段。进阶一点:数字自动转成阿拉伯数字,“一百二十克”变成“120 克”;“三点半”这种时间词按上下文处理。标点做得好不好,是用户觉得“这东西能用”还是“这东西是玩具”的分水岭。

第六步,文字怎么落进输入框。转写结果追加到光标所在的位置,绝对不要覆盖用户已经打好的字。用户先打了“土豆去皮”,再语音补一句“切块焯水一分钟”,结果应该是“土豆去皮切块焯水一分钟”,而不是后一句把前一句顶掉。落进去之后,马上给一个“撤销这次转写”的入口,点一下就回到语音之前的状态。用户敢放心说的前提,是说错了能一键反悔。

识别不准怎么办:纠错体验是语音输入的命脉

先接受一个现实:语音识别不可能百分之百准。中文的同音字是重灾区,“再放一勺盐”和“在放一勺盐”,机器经常分不清;专有名词也一样,菜名、人名、地名,识别模型没见过就乱猜;数字也容易错,“一百二”可能是 120 也可能是 102。指望识别零错误,是不现实的;真正的功夫在识别错了之后怎么办。

纠错要给三件套,缺一个都不行。第一是点词改:点一下错的词,弹出几个候选,点一个就换上,别让用户删了重打。第二是选中重说:选中一段文字,点麦克风重说这一段,只替换选中的部分。第三是键盘直接改:转写结果就是普通文字,用户随时能像改自己打的字一样改它。很多团队只做了第三个,觉得“反正能改就行”——但让用户逐字改,和让用户重新打一遍,体验上没有区别。

再往前一步是自定义词库。把你产品里的高频专有名词提前喂给识别:菜名、人名、地名、品牌名。阿梅的灶台小记里,“焯水”“勾芡”“老抽”这些词,第一次识别十有八九是错的;放进词库之后,准到用户以为产品变聪明了。更省事的做法是:用户改过一次的词,自动记下来,下次优先用用户改过的版本——这叫从用户手里学,比你自己猜词库准得多。

低置信度的词要标出来,别装作胸有成竹。识别模型对每个词都有一个把握程度,把握低的词下面画一条虚线,提醒用户“这里可能不对,检查一下”。这样用户只需要检查几个画虚线的词,不用全文逐字校对。反过来,明明没把握还装作很确定的产品,用户吃过一次亏就再也不敢用了。

最后是环境要诚实。安静的厨房和吵闹的菜市场,识别率能差一半。产品要敢于告诉用户真相:环境音太大的时候,弹一句轻提示,“当前环境较吵,识别可能不准”,比让用户对着一堆错字生气要好得多。也可以给一个“安静时再试”的建议,别硬撑。

漏斗图:语音输入的每一步,流失都发生在哪里

灶台小记上线第一个月,语音输入的漏斗是这样的:1000 个人打开新建笔记,820 个人看到了麦克风按钮,610 个人点下了麦克风,534 个人得到了能用的转写结果,402 个人下次还用语音。步间转化率分别是 82.0%、74.4%、87.5%、75.3%,整体从打开笔记到养成习惯是 40.2%。

语音输入漏斗:1000 人打开新建笔记,820 人看到麦克风按钮,610 人点下麦克风,534 人得到可用转写,402 人下次还用语音

这个漏斗最值得看的不是最后那个 40.2%,而是第一步到第二步:820 个人看到按钮,只有 610 个人点下去,掉了四分之一。问题不在技术,在信任:用户怕说错话被人听见、怕识别出来一堆错字还得返工、不知道对着手机该说什么。解法也不在技术上:按钮旁边写一句“试试说:盐减半勺”,给个例子,用户就敢开口了。

第二值得看的是最后一步:534 个人得到了能用的转写,只有 402 个人下次还用。第一次体验决定生死:如果第一次转写错得离谱、纠错又麻烦,用户会得出“这东西不好用”的结论,而且很难再回来。所以上线第一个月,别盯着总使用量,盯着第一次使用的满意度:第一次转写之后,用户有没有改、有没有删、有没有第二天再来。

体验细节:按钮、波形、权限、静音,一个都不能省

权限只在第一次点麦克风的时候要,别一进页面就要。用户刚打开你的产品,还不知道麦克风是干什么的,这时候弹权限,十个人里九个点拒绝。正确的做法是:用户点了麦克风,系统再弹权限;如果用户点了拒绝,不要只写一句“请开启权限”,要写清楚去哪里开:安卓去“设置—应用—权限—麦克风”,苹果去“设置—你的 App—麦克风”,一步一步写明白,再给一个“去设置”的直达按钮。

单次录音要有上限,60 秒是个合理的数。超过 60 秒自动停下来,提示“已录 60 秒,转写结果如下,想继续可以再说一段”。无限录音有两个坏处:一是用户说起来没完,回来一看是三大段错字,改都改不动;二是音频越长,识别越容易在后半段跑偏。分段录、分段转写,是对用户和对模型都好的做法。

隐私要写在明处。录音只在用户点下按钮之后开始,点停止或者松手就停,不存在后台偷偷录。音频去哪了,必须告诉用户:走浏览器自带识别,音频不出设备;走服务端识别,音频发到哪台服务器、存不存、存多久,写清楚。默认不存音频,只存转写后的文字;如果业务需要存音频,必须让用户明确同意,而且随时能删。

开始和结束要有反馈。点下麦克风,给一个轻震;停止录音,给一个短音。用户在厨房里眼睛不看屏幕,靠震动和声音就知道“开始录了”“录完了”。没有反馈的产品,用户会反复点按钮,录了停、停了录,最后得到一堆碎片。

语言别默认所有人说标准普通话。让用户能选语言和方言,至少把普通话、粤语、英语这三个最常见的选项放出来。选了方言之后,识别模型要跟着换,别出现“界面写着粤语,识别用的还是普通话模型”的笑话。方言用户是最能感受到诚意的用户,也是最容易帮你传播的用户。

上线前验收清单:12 项,缺一不可

1. 麦克风按钮在输入框右侧,点按区域不小于 44×44 像素,键盘弹起时不被遮住。

2. 三种录音状态(待命、正在听、处理中)各有颜色、文字和波形,用户不用猜。

3. 说话时文字流式上屏,中间结果灰色、最终结果黑色,不等说完才一次性出现。

4. 停顿超过 1.5 秒自动换行或分段,句号逗号自动补上,数字转成阿拉伯数字。

5. 转写结果追加到光标处,不覆盖已有文字;落入后有“撤销这次转写”。

6. 点词改、选中重说、键盘直接改,三种纠错方式全部可用。

7. 产品高频专有名词已进自定义词库;用户改过的词下次优先。

8. 低置信度词下面有虚线提示,用户只检查画虚线的词。

9. 权限只在第一次点麦克风时申请;被拒绝后有一步一步的找回路径和直达按钮。

10. 单次录音 60 秒上限,超时自动停并提示;录音开始有轻震、结束有短音。

11. 隐私说明写清楚音频去向;默认不存音频,存音频必须经用户同意且可删除。

12. 在菜市场、公交、地铁三种真实嘈杂环境里各测过一次,环境太吵时有轻提示。

常见坑:这五个错,几乎每个团队都会踩一个

第一个错:只在安静的办公室里测。办公室里识别率 98%,上了线用户在菜市场、公交上用,识别率掉到 70%,满屏错字。语音输入的测试必须去真实场景做,至少去一趟菜市场、一趟地铁,录几段真实的嘈杂音频当回归测试用例。

第二个错:转写结果直接覆盖用户已打的字。用户先打了一半,再语音补一句,结果前面打的全没了。这个错的破坏力最大:丢字的用户不会抱怨,他直接卸载。下线之前,先拿自己的产品打一段字、再语音补一段,亲手验一遍。

第三个错:识别错了不给改,只能整段重说。重说一遍,错的还是那几个词,用户说三遍就放弃了。纠错不是锦上添花,是语音输入能不能用的分界线;没有点词改的产品,不如不上语音。

第四个错:权限弹窗一进页面就弹。用户还没搞清楚麦克风是干什么的,先被吓一跳点了拒绝,之后每次点麦克风都静默失败,产品背上一个“语音功能是坏的”的名声。权限一定要等到用户主动点麦克风再要。

第五个错:把语音输入做成语音助手。用户说“盐减半勺”,产品回一句“好的,已为您记录,请问还有什么可以帮您?”——多此一举。语音输入的使命是把话变成字,变成字就闭嘴,别演对话。想做助手,另起一个项目。

和相关功能的划界:语音输入不是语音助手,也不是语音消息

语音输入和语音助手用的技术很像,但产品目标完全不同:前者是输入方式,产出是文字;后者是对话,产出是动作和答案。团队里有人提议“顺手把助手也做了”,要顶回去:助手要多轮对话、意图理解、执行动作,是另一个项目,混在一起做,两个都做不好。

语音输入也不是语音消息。语音消息是录一段音发给别人听,听的人听到的是声音;语音输入是把自己的话变成自己的文字,读的人看到的是文字。存储、隐私、播放器,这些语音消息才需要操心的东西,语音输入一概不需要,别照搬。

和站内已发指南的划界也说一句:快捷键指南讲的是键盘优先的工作流,语音输入是另一种输入方式,两者互补不重叠;无障碍指南讲的是让残障用户能用你的产品,语音输入是其中重要的一环,但本篇讲的是从选型到上线的完整实现;富文本编辑器指南讲的是编辑器本身,语音落进富文本时分段和格式怎么处理,本篇只提原则,细节看那篇。

语音输入之后:别让转写完的文字躺在那里

转写完的文字要能被搜索到。用户上个月语音记了一条“番茄炖牛腩少放糖”,这个月想找回来,搜“牛腩”必须能搜到。语音转写的文字和键盘打的文字,在搜索索引里要一视同仁,别出现“打字记的能搜到,语音记的搜不到”的怪事。

每周看一次漏斗,重点只看两个数:点下麦克风之后得到可用转写的比例,和第一次用完之后第二天还来用的比例。前者掉,说明识别或者纠错出了问题;后者掉,说明第一次体验出了问题。别盯着总使用量,那个数字涨起来很容易,留存才是真话。

最后是音频的去留。默认不存音频,只存文字,这是最省事也最安全的选择。如果将来想用用户的语音数据改进识别,必须重新征得同意,而且要让用户随时能删掉自己的全部音频。语音数据是生物特征,丢了没法像密码一样“改一个”,这条红线从第一天就要立住。

阅读 8评论 0

评论 (0)

ME
0/1000
评论加载中...
浏览项目广场发布你的项目

相关文章

真实照片:咖啡馆吧台后两位咖啡师并肩工作,一位正往白瓷杯里倒热牛奶拉花,另一位在操作意式咖啡机
指南
别让主线程一个人扛:Web Workers,把重活交给另一条线程

主线程又要画页面又要算账,一算就卡。Worker 是另一条线程、另一个全局上下文,两边只靠消息传话。本文按 MDN 的《Using Web Workers》与《Worker》两篇官方文档讲清楚:new Worker、postMessage 与 onmessage、结构化克隆的复制语义、Worker 里能与不能、onerror 与 terminate()、SharedWorker、Transferable 零拷贝,另附虚构咖啡馆点单页一个月 100 次 Worker 翻车的分布。

工具技巧前端工程学习与成长
真实照片:一只黑色双铃闹钟放在木质桌面上,暖色晨光,表盘显示约两点二十八分
指南
不是立刻做,是到了时间再做:JavaScript 定时器 setTimeout 与 setInterval

setTimeout 管一次,setInterval 管反复,但 delay 只保证“最少等这么久”:0 也不立刻、后台标签页还会更晚、超过 2147483647 会溢出。本文按 MDN 的 setTimeout 与 setInterval 两篇官方文档讲清楚:异步返回、传参、delay 的数字规矩、嵌套 4 毫秒、clearTimeout 与 clearInterval、递归 setTimeout、this 丢失与字符串参数,另附虚构咖啡馆点单页一个月 100 次定时器翻车的分布。

工具技巧前端工程学习与成长
真实照片:一位穿深色围裙的咖啡师正把奶缸里的热牛奶倒进白色咖啡杯,咖啡表面正在形成一颗爱心拉花图案,身后是一台意式咖啡机
指南
别一次全算完:JavaScript 生成器与迭代器 function*、yield,一次只给一个值

数组得一次全算好,生成器一次只给一个值,要的时候再算。本文按 MDN 的《Iterators and generators》《function*》《Generator》三篇官方文档讲清楚:next() 协议、function* 与 yield、for...of 消费、Symbol.iterator、yield* 委托、next(x) 往里传值、throw() 与 return(),以及什么时候该用生成器,另附虚构咖啡馆点单页一个月 100 次生成器翻车的分布。

工具技巧前端工程学习与成长