估值 7 亿美元的 AI 语音输入产品：语音输入的关键问题是听写，不是转录

键盘作为人机交互的主要工具，实质上是一个巨大且不自然的「输入、输出瓶颈」。在「后键盘时代（post-keyboard future）」，语音或许才是最好地交互方式。

几天前，AI 语音输入产品 Wispr Flow 的创始人 Tanay Kothari 在 X 上宣布，Whispr 的 ARR 在 5 个月内，翻了 10 倍。公司估值超过 7 亿美元，总融资达到 8100 万美元。

Wispr Flow 的收入增长非常迅速，自今年 6 月以来，收入环比增长了近 40%。同时，用户在使用 Wispr Flow 一年后的留存率高达 70%。

Tanay Kothari 认为，Wispr Flow 与其他同类语音输入法产品最大的区别在于，理解用户所想、要表达的内容，而不是单纯解决转录的问题。用户真正需要的是「听写」，一个能够理解用户真实意图的智能助理。

「一个真正好用的语音输入产品，不应该是一个孤立的效率工具，而是一个具备全局上下文的智能层，能够记忆上下文，连接不同应用中的信息。」

在与知名投资人 Reid Hoffman 的最新一期对谈中，Tanay Kothari 分享了一款好的 AI 语音产品有哪些关键特点，如何设计产品的用户引导路径、以及未来的语音输入办公是什么样的。

01 

语音才是人机交互最好的方式

主持人：为什么语音这种交互方式很重要？

Tanay Kothari：我觉得，真正该问的问题应该是：「为什么我们还被键盘困住？」

键盘的出现，本身就是一种用作过渡的「权宜之计」，是为了在计算机还无法真正理解语言的几十年时间里，帮助人们使用技术。但我们已经过了那个阶段了，我们完全可以让人机交互方式变得更加流畅。

键盘这种东西，对很多人来说是难以使用的，尤其是对于老年人、以及阅读障碍患者来说。

主持人：除了速度，你认为人们对说话和打字在思考方式上的真正区别，最大的误解是什么？

Tanay Kothari：当我和很多人讨论听写时，他们会说：「我打字很快。」但对我来说，速度不是最重要的。重要的是，语音输入工具真正的价值在于它能消除你思考时的认知负荷。

当你打字时，你的大脑被迫同时处理两件事：一是创作，产生想法；二是编辑，思考拼写、标点和格式。这两个过程会互相干扰，不断打断你的思路，让你无法进入到一个顺畅的心流状态。

Wispr Flow 的作用，是让你专注能创作。你可以毫无顾忌地把所有想法说出来，把剩下编辑的工作都交给 AI。它就像一个信任的伙伴，帮你处理好所有细节。这是为什么我们的用户反馈最多的，不是节省了多少时间，而是感觉生活轻松多了。

主持人：当输入方式从打字转向语音，我们会有什么损失？有没有哪些场景是语音无法取代的？

Tanay Kothari：当然有，主要在两个非常特殊的场景下。

第一个是当你需要「像素级」的精确性时。比如起草一份极其严肃的法律文件，或者推敲一句广告语，每一个字都需要反复斟酌。在这种极端情况下，键盘作为精细编辑的工具，仍然有其价值。但我们必须承认，这在我们日常沟通中只占极小的一部分。

第二个我认为的例外是写日记。有些人的思维是在书写的过程中展开和厘清的，对他们来说，纸和笔的物理体验无法替代。但对于那些「边说边想」的人来说，语音反而是更好的日记工具。

所以，我不想强迫所有人改变他们的习惯。但在剔除掉这两个小众场景之后，对于我们日常沟通的其他 99% 的事情，我认为从打字转向语音，都是一次纯粹的、没有任何损失的升级。

02 

AI 语音产品的核心是解决「听写」，

不是「转录」

主持人：你们很关心「零编辑率」这个指标。苹果、谷歌、OpenAI 的这个比例大约在 5% 或 10%，但 Wispr Flow 在 85%，怎么做到的？

Tanay Kothari：现在这个数字已经是 89% 了，因为我们发布了自研的语音模型，能够通过个性化的语音识别更好地理解用户，降低用户在通过 Flow 口述后需要进行的编辑次数。

其实答案其实很简单：在此之前，所有人都在解决一个错误的问题。

一个问题是「转录」（transcription），比如你需要电影字幕，那么所有说出的话都必须一字不差地记录下来。另一个问题是「听写」（dictation），也就是我说一些话，希望它以我想要的方式被写下来。

所有人都试图解决第一个「转录」问题，然后想当然地认为他们也解决了第二个问题。但人类说话的方式和写作的方式是截然不同的。一旦你意识到这个极其明显的事实，你再去看所有这些工具，就会发现它们对于这个特定场景来说，都有点「垃圾」。

Wispr Flow 一直在做的一件事是就是「零编辑率」。今年年初，这个比例大约是 45%；到现在，是 89%。同时，用户从看到 Wispr 生成信息到按下发送的平均时间只有半秒。人们甚至不看 Wispr 写了什么，因为相信这个系统能做对。

我在思考未来 5 年 Wispr Flow的发展方向时，我认为我们会从手机和笔记本电脑，转向一个拥有沉浸式计算设备的世界：智能眼镜、智能戒指等等。未来的一个挑战是，将没有屏幕来检查和修改你说的话。所以，这是我们从一开始就想彻底解决的问题，也是 Wispr 最初的使命，成为一个可以绝对信任、无处不在的助理。

主持人：这个洞察特别好，如果你用过新一代的 AI，你会发现提示词越丰富，效果越好。如果人们能轻松地给出丰富的提示词，这是语音的优势所在。

除了写邮件，用语音来跟 AI 协作，是一种什么样的体验？

Tanay Kothari：我们看到很多公司的 CTO 和工程副总裁，现在甚至在内部强制推行 Wispr Flow，是因为能够极大提升他们团队给 AI 写 Prompt 的质量。 举个例子：一个工程师，通常有点懒。他在 Cursor 里写代码遇到 bug，用键盘可能就敲了两个字：『修复 bug』。AI 看到这个指令直接懵了，它什么都不知道，自然也修不好。

但换成用 Whisper，情况就完全不同了。他会很自然地开始自言自语：嘿，我试了这个方法，然后报了这个错，嗯…我怀疑是不是我五天前做的那个改动导致的…等等。滔滔不绝地讲了 30 秒，其实花的时间跟打字差不多，但 AI 获得了海量的上下文，几乎每次都能一次性解决问题。

其实，世界上大多数人都有点不耐烦，有点懒，他们不想打出完整的提示词。语音解决了这个问题，通过给 AI 提供它所需要的大量上下文，人们对结果的满意度会高得多。

主持人：为什么 Wispr 是一家独立公司，而不是苹果、谷歌旗下某个产品的功能？

Tanay Kothari：我的看法是，在打造 Wispr 的过程中，我们正在挑战很多规范，包括人们构建技术的核心方式，以及技术本身被构建的核心方式。

这种挑战，在谷歌或苹果内部几乎是不可能的，因为官僚主义和体系的存在。想象一下，你走进苹果公司，说：「Siri 太烂了，我们需要解散 6000 人的这个团队，我要从零开始打造一个更好的 Siri。」

03

让用户产生语音依赖，

有三个顿悟时刻

主持人：用户是从哪个瞬间开始，突然意识到键盘已经过时，语音才是未来的？顿悟是怎么发生的？

Tanay Kothari：首先得承认，让人们相信语音是很难的。因为怀疑者通常有三种：第一种是打字高手，他们对自己的键盘速度非常自信；第二种是 Siri 受害者，任何在过去十年里用过 Siri 的人都懂我在说什么；第三种是从来没见过真正好用的语音产品，所以对接受新的 AI 技术抱有抵触情绪的。

我们的方法也很简单：用一次无可挑剔的初次体验，创造第一个「顿悟时刻」。

我总是对新用户说：「给我一分钟。」他们第一次使用 Wispr Flow，随便说点什么，然后在半秒之内，屏幕上就出现了完美的文本，不仅内容准确，连他们中途的修改和犹豫都被智能地处理掉了。当他们亲眼看到这一幕时，那种冲击力是巨大的。那就是第一个「顿悟时刻」。通常五分钟后，他们就会开始到处安利了。

第二个「顿悟时刻」是让它真正为你所用，解决实际问题。当他们相信「语音可行」后，我们会问：「你生活中最头疼的事是什么？是不是每天被 50 封未读邮件淹没？」然后，我们帮他们建立第一个基于语音的工作流。当他们第一次用语音轻松搞定了一件长期困扰自己的事情时，语音就从「很酷的玩具」一个变成了「离不开的工具」。这时候，他们才算真正养成了习惯，我称之为被「语音征服」（voice-pilled）了。

第三个顿悟时刻是，键盘的使用率。我们内部有一个核心指标，叫「Wispr Flow vs 键盘使用率」。随着用户越来越习惯语音，他们的键盘使用率会逐渐下降，直到最后稳定在 5% 以下。对我来说，当键盘在你生活中几乎消失时，这才是真正的行为改变。

主持人：有没有一些特定的功能或体验，能促成这种转变，让人们觉得离不开语音了？

Tanay Kothari：就是上边提到的「Wispr Flow vs 键盘使用率」。你会看到 Wispr Flow 的使用曲线一路飙升。我们统计过，在所有用户中，平均 72% 的文本输入是通过 Wispr Flow 完成的。你想想看，在整个计算机历史上，还从来没有东西能真正替代陪伴我们 150 年的键盘。但现在，这件事正在发生。

04

一个好的语音输出工具，

应该是个具备全局上下文的智能层

主持人：未来的语音办公环境会是什么样的？

Tanay Kothari：我没有一个完美的答案，但我看到了一些有趣的方向。

在我们观察到的一些已经全面采用 Wispr 的办公室里，每个人桌上都有一个可以靠近嘴边的鹅颈麦克风，整个办公室上百人都在对着这些小麦克风轻声细语。为了应对这个场景，我们还专门开发了相关功能，让你用旁边的人根本听不见的音量也能精准输入。

我认为这是公司采纳语音的第一步。现在我们去财富 500 强的公司部署 Wispr 时，就会给他们配套发这些麦克风，便于他们在开放式办公室里使用。

主持人：你认为语音 AI 产品普及的引爆点在哪里？大概需要多长时间？

Tanay Kothari：如果任其自然发展，可能会很慢。但我们不想等那么久。我们之所以组建这个优秀的团队，每周六天都在办公室里工作，就是想在未来两年内看到这一切发生。

我希望在两年后，当你去咖啡馆，看到有人对着笔记本电脑说话时，你的反应会是：「哦，他只是在用 Wispr。」我坚信这对人类来说是绝对有益的，我想尽快把它交到尽可能多的人手中。

主持人：当打字的阻力消失后，人们表达的内容，比如情感的真实性或创造力，会发生变化吗？

Tanay Kothari：人们会变得友善得多，这可能让你很惊讶。我们做过一个实验，让一半的销售团队用语音回复客户。结果，客户普遍反映，这组销售是他们遇到过「最有人情味的」。因为打字是冰冷的、机械的，而说话会不自觉地带上你的个性和温度。客户感觉自己是在和一个真实的人对话，而不是一个冷冰冰的销售机器。

我自己也是个例子。我以前是个「短信困难户」，我的收件箱里总是有很多未读信息。但用了 Wispr 后，认知负荷消失了，回复别人变得更容易了。甚至被他们开玩笑说「话太多了」。这说明语音正在帮助我们。

主持人：你认为语音计算会重塑人与人之间的连接吗？

Tanay Kothari：绝对会。当我们从面对面交谈，到用最精简的文字发短信，我们其实在沟通中丢失了很多东西。我认为我们失去了一部分人性，我希望语音能帮我们把那些个性和情感带回来。

我对 Wispr 的愿景是，它不仅能传达你的思想，还能更深一层，去理解对方的感知方式，然后更好地组织语言，让对方更容易理解。因为很多时候，你说的是一回事，别人听到的却是另一回事。所以我认为这深入到了沟通的本质，而也是是我们正在解决的重大问题之一。

文章来自于“Founder Park”，作者 “Founder Park”。