把 AI 语音输入法用到接近可写长文，核心不是嘴快，是整套链路别拉胯

【核心内容】

这是一次把“语音输入”当成严肃写作工具来用的实战总结。重点不在免费输入法能不能聊两句微信，而在于：如果你想靠语音写文章、写笔记、写邮件，怎么把识别率、速度和成本一起压到能长期用的程度。

我的判断很明确：高识别率不是单看某个软件名气，而是看麦克风、听写模型、润色模型、提示词、设备和软件这几项能不能配齐。少一环，最后都要靠手改补回来。文中提到的具体模型和软件版本会持续迭代，识别率和限制以你实际使用时的官方说明为准。

适合谁看

• 已经有大量写作、记录、回复需求的人
• 觉得打字慢，想把语音当主输入方式的人
• 能接受自己配 API、折腾软件设置的人
• 想在 Mac 上把语音输入做到接近生产力工具的人

如果你只是回消息、发短句、做零碎聊天，免费输入法通常够用，没必要上这套。

先说结论

想把语音输入用到“能稳定写长内容”的级别，现阶段优先级大致是这样：1. Mac 平台优先 2. 麦克风离嘴越近越稳越好 3. 听写模型优先 ElevenLabs Scribe，其次 GPT-4o Transcribe 4. 润色模型优先 Gemini 2.5 Pro 5. 软件里优先看 VoiceInk，其次 Spokenly，再其次 SuperWhisper

最佳性价比方案是：ElevenLabs Scribe 负责听写，Gemini 2.5 Pro 负责润色。

原因很直接：

• Scribe 识别率高，长时录音限制宽
• Gemini 2.5 Pro 不容易偷偷缩写
• 这一套整体成本还能压到每月 20 元以上的量级

如果你图省事，不想折腾 API，也可以走 Spokenly 包月路线，但它不是最便宜，也不是最灵活。

你需要准备什么

• 一台 MacBook。认为这是现阶段第一梯队语音输入的主场。二手 M1 MacBook Air 也够用，8G+256G 一千多就能买到
• 一个靠谱麦克风。排序大致是：耳挂麦 > 桌面电容麦 > 领夹麦 / DJI Mic 2.4G > 手机 > 蓝牙耳机 > 笔记本内置麦
• 语音输入软件：VoiceInk、Spokenly、SuperWhisper 三选一
• 听写模型：ElevenLabs Scribe 或 GPT-4o Transcribe
• 润色模型：Gemini 2.5 Pro
• API Key 或包月账号

有一点先记住：免费输入法不是不能用，而是修改成本太高。你省的是订阅费，花掉的是时间和注意力。

按这个顺序做

1. 先定场景 不要一上来追“最高识别率”。先分清你是快输，还是慢输。

• 快速听写：几秒到几十秒，追求回字快，适合聊天、论坛回复、顺手改稿
• 慢速听写：几分钟到几十分钟，追求成稿质量，适合写文章、写邮件、整理笔记

这两类工具本身就不是一回事，拿短语音工具硬撑长录音很容易丢内容、格式乱，具体差在哪可以看 短语音输入法和长语音输入法，别再混着用了。本文接下来讲的都是慢速听写这一条线。

2. 先把硬件调对 麦克风比很多人想的更关键。离嘴近、位置固定，效果通常比软件切换更明显。降噪也别迷信，开了不一定更好，可能会把有用语音细节一起削掉，最好自己实测。3. 选听写模型 优先 ElevenLabs Scribe。理由是：没有明显繁简混乱、标点混乱和幻觉问题，连续录音最长可到 10 小时。 如果用 GPT-4o Transcribe，也能打，但它有 25 分钟或 2000 token 的限制，超了可能直接失败，或者后半段被截断。4. 选润色模型 优先 Gemini 2.5 Pro。原因不是它最聪明，而是它在长文本润色里不容易偷偷缩写。 对 GPT-5 的评价很谨慎：智力高，但长内容容易缩写，而且不提醒。这个风险如果放在会议纪要、长段素材整理里，很伤。5. 选软件

• VoiceInk：适合 Mac 用户，开源免费版可从 GitHub 下载 DMG，自备 API；能手动重识别和重润色，可多开
• Spokenly：适合嫌麻烦的人，支持包月，但不支持多开，长录音和不同平台版本有限制
• SuperWhisper：跨平台一些，但即使用 API 也要付月费，且听写模型受限

6. 慢速写作直接用多开轮录 做法是复制 VoiceInk 应用，改成 VoiceInk2，再分别设置不同快捷键。 操作路径大致是：Mac 访达 → 应用 → 右键复制 VoiceInk → 改名 然后在 Enhancement → Prompt 里建不同预设，一个给“慢速”，模型用 2.5 Pro；需要快速输入时再复制一个做“快速”，模型换成 2.5 Flash。 使用时 F1 录第一段，结束后让它后台润色；立刻按 F2 录第二段，轮流切。这样能把“等模型思考”的空档吃掉。

这里最容易踩坑

1. 以为软件最重要，其实麦克风先决定下限 收音差，后面模型再强也只能补一部分。2. 以为免费最省钱，结果时间全耗在改错字和补句子 短聊天没事，长文本会很痛苦。3. 以为 GPT-4o Transcribe 能一直录 它有时长和 token 限制。超限不是“稍微差一点”，而是可能直接失败或截断。4. 以为润色模型只看聪明不聪明 写长文时，最怕的不是笨，而是缩写。OpenAI 系列长内容有缩写老毛病，这里没展开，建议自行验证。5. 以为包月就一劳永逸 很多包月只包听写，不包顶级润色；或者只包润色，不包顶级听写。最后还是要补 API。6. 多开后忘了检查设置 VoiceInk 多开实例在重启或彻底关闭后，设置可能同步，快捷键要重设一次，不然容易串掉。7. 买账号、买 Key 图便宜 像 GCP、Azure、闲鱼成品号这类方案，成本低，但封号、复用、稳定性都是现实风险。尤其卖家给你的 Key，也提到可能被二次出售。

常见问题

想写长文该用哪类工具？

走慢速听写这条线：MacBook + 近嘴麦克风 + VoiceInk，听写用 ElevenLabs Scribe，润色用 Gemini 2.5 Pro。这套组合是为了追求成稿质量，跟聊天、论坛回复那种追求回字快的快速听写不是一回事，两套配置最好分开设置，别用一个快捷键覆盖所有场景。

识别率怎么提高？

麦克风比软件切换更关键——离嘴近、位置固定，效果通常最明显，降噪也别迷信，开了不一定更好，最好自己实测。听写模型优先 ElevenLabs Scribe，没有明显繁简混乱、标点混乱和幻觉问题，连续录音最长能到 10 小时；GPT-4o Transcribe 也能用，但有 25 分钟或 2000 token 的限制，超了可能直接失败或后半段被截断。润色模型优先 Gemini 2.5 Pro，它不容易在长文本润色时偷偷缩写，这一点比“聪明不聪明”更重要。

成本大概怎样？

ElevenLabs Scribe 听写 + Gemini 2.5 Pro 润色这套组合按用量付费，整体成本能压到很低的量级。如果不想折腾 API Key 和平台限制，也可以走 Spokenly 包月，但它不是最便宜，也不支持多开，长录音和跨平台版本上有限制，本质是花钱换省事。想了解识别原理和成本结构，也可以对照看 语音输入与知识管理 专题里的其他记录。

我的建议

如果你是认真写内容的人，别把这事理解成“找个最强软件”。更像是在搭一条流水线。

最稳妥的起步方式是：

• MacBook
• 近嘴麦克风
• VoiceInk
• ElevenLabs Scribe 听写
• Gemini 2.5 Pro 润色

预算紧，就先把麦和模型配对好，再去优化软件细节。别反过来。

如果你每天都有长段输入需求，直接把“快速听写”和“慢速听写”拆成两套配置，不要试图让一个快捷键覆盖所有场景。该快的时候快，该慢的时候让模型慢慢想。

如果你不愿意配 API、不想研究平台限制，那就接受“省事更贵、自由度更低”这个代价，走 Spokenly 包月。这个选择没问题，只是别对上限期待太高。

最后一句最实用：先试第一梯队，再评价值不值。没对比过，很容易把“能用”误判成“够用”。