硅谷正在流行“氛围办公”：不敲键盘，对着电脑叽叽咕咕

这个春天，硅谷的办公氛围正在发生一种微妙的变化。键盘敲击的“哒哒”声，正逐渐被一种压低音量的、持续不断的“嘀咕”声所取代。

有风险投资人半开玩笑地说，如今走进一家AI创业公司，感觉像是误入了某个高端呼叫中心。只不过，员工们戴着电竞耳机，对着麦克风并非在接听电话，而是在向AI发号施令。

这股风潮甚至有了自己的名字——“voicepilled”，可以理解为“语音觉醒”。这个概念由LinkedIn联合创始人Reid Hoffman在2025年秋天的一篇帖子中普及开来。他描述道，所谓“被voicepill”，就是你突然意识到，一旦开始认真使用语音与技术交互，就能解锁一种全新的能力放大模式。这个词巧妙地借用了《黑客帝国》中红蓝药丸的隐喻：吞下这颗“语音药丸”，你看到的将是一个截然不同的生产力世界。

当然，语音输入本身并非新鲜事物。从苹果的Siri听写、Windows语音识别，到更早的Dragon NaturallySpeaking，相关技术已存在多年。但过去的体验往往令人沮丧：识别率堪忧、标点混乱，一句话重复多次仍错误百出，最终用户往往发现，还不如自己动手打字来得快。

真正的转折点，源于大规模AI语音模型的成熟。2024年，OpenAI发布了基于Transformer架构的开源语音识别模型Whisper，它使用了高达68万小时的多语言音频数据进行训练。Whisper的出现，一举将语音转文字的准确率拉到了实用门槛之上。

而新一代的听写工具，如Wispr、Aqua Voice等，在此基础上迈出了更关键的一步。它们不再满足于机械地逐字记录，而是引入了大语言模型（LLM）对输出进行深度“润色”。这意味着，工具会自动删除“嗯”、“啊”之类的口头禅，修正语法错误，调整句式结构，甚至能根据你正在使用的应用场景来适配语气和格式。整个过程延迟极低，通常控制在一到两秒之内。部分工具还支持“命令模式”，允许用户直接用语音指令编辑已有文本，例如“把上一段改成更正式的语气”或“删掉最后一句”。

（来源：Wispr ai）

这种工作方式之所以令人兴奋，有一个非常直观的原因：人类说话的速度远快于打字。对于英文使用者而言，普通人打字速度大约在每分钟40到80个单词，而正常语速可达每分钟130到150个单词。中文使用者的差异同样明显，打字速度通常在每分钟80~100字，而语速则在每分钟200~250字之间。

对于那些核心工作是将想法转化为文字的人——比如撰写邮件、文档或代码提示词——这意味着理论上可以将产出效率提升两到三倍。一些深度用户声称，他们的文字产出量确实实现了数倍增长。

更有趣的是，语音听写正与另一个热门趋势“氛围编程”（vibe coding）合流。这个概念由Andrej Karpathy在2025年初提出，指的是开发者不再逐行编写代码，而是用自然语言描述需求，由AI编程工具（如Claude Code、Codex）来生成代码。当“氛围编程”遇上语音听写，开发者甚至无需坐在电脑前。他们可以一边踱步思考，一边口述需求，听写工具将语音转为文字提示（prompt），再由编程AI将prompt转化为代码。Wispr的创始人Tanay Kothari透露，他们的员工现在就是在办公室里走来走去，对着电脑说话，将思考过程从桌前解放了出来。

据媒体报道，最狂热的用户甚至引入了可编程脚踏板（一种原本属于游戏外设的设备），通过踩踏来激活语音交互功能；还有人架起了体育解说员或牧师常用的鹅颈麦克风，以获得更清晰的收音效果；在Wispr公司内部，流行将无线领夹麦克风别在衬衫上，员工们看起来仿佛随时在录制播客。这家公司甚至有计划未来向客户销售品牌麦克风。

图 | 可编程脚踏板 （来源：Amazon）

资本市场对这种新的“氛围工作”（vibe working）方式显然十分看好。成立于2024年的Wispr，最初方向是脑机接口可穿戴设备，后转型专注于语音听写工具。据报道，2025年11月其估值约为7亿美元，而到了2026年5月，其目标估值已飙升至20亿美元。一个听写应用能获得如此高的估值，足以说明市场对“语音取代键盘”这一前景的乐观程度。

随之而来的，是日益激烈的竞争。同类公司Aqua Voice和Willon都获得了Y Combinator的投资，初创公司TalkTastic、Typeless、Superwhisper也各自拥有忠实用户。科技巨头自然不会缺席：在2026年5月的Android Show上，谷歌发布了Rambler，这是一个内置于Gboard输入法、由Gemini驱动的听写功能，能够将用户杂乱的口述自动整理成通顺文本。平台级玩家的入场，将如何挤压独立应用的生存空间，仍有待观察。

现实的门槛与挑战

然而，在这股新技术浪潮面前，依然存在一些不容忽视的现实门槛。

首先是硬件与环境的局限。目前主流的AI听写工具大多优先甚至独占于Mac平台。Wispr Flow和Superwhisper支持Mac，Aqua Voice长期仅限Mac（近期才开始支持Windows），TalkTastic则专注于iOS和Mac。而在企业环境中，Windows仍然是绝对主流的操作系统，尤其是在医疗、法律、政府、金融等行业。

更棘手的是远程桌面环境。许多企业员工通过Citrix、VMware Horizon或RDP（远程桌面协议）访问工作系统。而大多数听写工具依赖剪贴板粘贴来输入文字，这在被组策略严格锁定的远程会话中往往无法正常工作。

其次是成本问题。以Wispr为例，其订阅价格为每月18美元。对于一个基础生产力工具而言，这个价格让不少个人用户望而却步。传统的Dragon NaturallySpeaking则需要数百美元的一次性买断费用。尽管存在更便宜的选择（例如一些工具提供每月7美元的方案，或基于本地模型的免费层级），但整体来看，语音听写尚未成为一个人人可轻松采用的默认选项。

此外，还有一系列关于噪音和隐私的担忧。

在海外，开放式办公室本就因噪音问题饱受诟病。多项研究表明，开放式办公环境中无关的语音噪音，是影响员工注意力和心理健康的主要因素。而现在，语音听写正在向这个环境注入更多声源。想象一下：在一个容纳二十人的开放工位区，有七八个人同时在低声嘟囔——有人口述邮件，有人向AI编程助手描述一个bug，有人用语音命令修改文档格式。即便每个人都刻意压低音量，汇聚在一起也足以构成一种持续的听觉干扰。

一名受访用户坦言，这在公共场合“确实有点尴尬”。他说，在家中使用语音办公感觉像钢铁侠对Jarvis下达指令，颇具未来感；但在办公室里，当着同事的面自言自语，总归有些不自在。更重要的是，当你口述内容时，周围的人都能听到你在说什么。无论是邮件内容、代码逻辑还是商业想法，这些原本只停留在屏幕上的私密信息，现在变成了公开的声波，难免让人感到不安。对于涉及敏感信息的工作场景，这还可能带来合规风险。

（来源：Youtube）

未来的想象与重构

从更宏观的视角看，语音办公的兴起或许折射出一种根本性的技术趋势：人机交互的重心，正在从“让人适应机器的方式”向“让机器适应人的方式”迁移。键盘是一种为机器效率而设计的输入界面，人类花费了一百多年去适应它。而语音，是人类最原始、最自然的表达方式。AI的进步终于让机器能够较好地理解人类自然状态下的语言，于是，“让人回归说话”便成为一个顺理成章的发展方向。

但必须承认，人类发明文字书写，本身就是因为纯语音表达存在其固有的局限：它是线性的、信息密度相对较低、难以承载复杂的逻辑结构，并且极易受到环境干扰。对于这些问题，当前的语音听写工具还需要交出更好的答卷。

更进一步想，如果语音交互真的成为主流工作方式，那么我们熟悉的办公室结构也将面临重新设计。过去几十年，办公空间默认服务于安静打字的人类。而未来，它可能需要服务于一群持续进行低声对话的人。声学隔离、半封闭的语音工位、针对不同噪音等级的空间分区，甚至专门用于人机对话的“语音会议室”……这些听起来有些超前的设计概念，或许在未来会成为办公空间的标配。

1.https://www.theguardian.com/technology/2026/may/12/end-of-typing-workers-ditching-keyboards-voicepilling-ai-dictation

2.https://techcrunch.com/2026/05/10/get-ready-for-the-whisper-filled-office-of-the-future

3.https://www.wsj.com/tech/typing-is-being-replaced-by-whisperingand-its-way-more-annoying-a804fee7

注：封面/首图由 AI 辅助生成