终于有一个能更懂我说话的AI了，连我想说什么都知道！

你好，我是郭震！

先说一个上班族都熟悉的场景：领导发来一句，“今天的项目进展汇总一下”。

话很短，信息却散在好几个群、几十条消息里，还夹着闲聊和表情包。例如，我要汇报的是发布会彩排：时长、转场、设备调试、物料几点到。

换作以前，得一个群一个群翻，边翻边记，再拼成一段汇报。

但这次，我没翻，交给了讯飞输入法 16.0，从头到尾只说了一句话。

我在两个群里截了 4 张图，回到领导的对话框，按住 AI 键说：“我刚才截了 4 张图，请总结一下，客气地汇报给郭老师。”

如下视频所示：

4 张截图来自两个群，几十条消息里混着闲聊和表情包。我只说了一句"总结这 4 张图"，它就从里面挑出了彩排时长 58 分钟、转场从 8 分钟压到 6 分钟、灯光音响大屏都正常这些关键信息，闲聊一句没带，整理成一段可以直接发给领导的汇报。

我只说了"我想干什么"，没说"这段话怎么写"，这就是讯飞这次提出的新东西：意图成稿。

1 为什么我说“终于”

我平时回消息基本靠语音输入，可普通话带口音，聊工作还常中英混说，识别出来的错字一堆。

后来很多工具让大模型在识别结果上再改写，可AI拿到的本来就是错字，理解得再好也是南辕北辙，改起来比自己打字还慢。

所以我一直有个判断：听不准，AI再聪明也白搭。

先交代一下，讯飞输入法就是手机上打字用的那个键盘。这次我提前装了16.0体验版，用了一段时间，我的判断是：语音输入已经进入第三代了。

如下图所示，一张图看懂语音输入的三代演进：

第一代叫忠实记录，解决的是“听清”，你怎么说它就怎么记。

第二代叫表达成稿，它会帮你去掉口水词、修正标点和语病，解决的是“说完少改”。

第三代就是意图成稿，你只要说出想做什么，复杂的表达它来组织，变成“一句话的事儿”。

2 第一道关：普通话不标准，它能不能听准

开头那个汇报彩排结果的案例能成立，有个前提：它得先听准我说的每一个字。人名、时间、金额只要错一个，后面写得再流畅，事情也说错了。

所以我先直接上强度，【实测2：用我平时的口音，夹着英文术语和专业名词，说了一段比较长的工作安排】：

一段 80 多字的工作安排，Agent、PPT、Deadline 三个英文词全部识别正确，时间和"28500"这样的金额也自动转成了规范数字。

更难得的是，它会结合上下文边听边改：说的过程中屏幕上还是“王伟李金”、"张总呆大拉"，一松手就修正成了"王维、李晶"、"发给张总，deadline 是周五"，连人名都改成了我想要的字。

到了 16.0，讯飞输入法接入了讯飞星火 Spark-ASR-2.0 语音识别大模型。在中英文专业词混合场景中，英文槽准率从 33% 提升到 80%；支持的方言种类达到 202 种，相关准确率从 85% 提升到 91%。

这个"准"不是一天练出来的：到了 16.0，讯飞输入法接入了讯飞星火 Spark-ASR-2.0 语音识别大模型。在中英文专业词混合场景中，英文槽准率从 33% 提升到 80%；支持的方言种类达到 202 种，相关准确率从 85% 提升到 91%。

它用的是"非自回归和自回归协同"：一个模型手快，先出一版初稿，另一个只在难的地方逐字精修，所以打字不卡，难词也能处理准。如下图所示：

识别准，是意图理解不跑偏的前提。这一关过了，后面的事才有意义。

3 从“说完少改”到“只管说意图”

听准之后，再看它懂不懂我。

先测第二代能力。在设置-语音输入里打开“口令编辑”，然后我故意说错再改口。

说的时候屏幕上是"10 点开会哦不对是 11 点"、 " 204 哦等一等，这次我们换新会议室了，是在 206"，一松手，它就只留下了"明天上午 11:00 开会，会议室在 206"。

两处改口全听懂了，"不对"、 " 等一等 " 这些话自动消失。

说错了不用删，张嘴改口就行。

接下来是重头戏，第三代意图成稿。

最常见的痛点，是整理信息太费时。领导一句"发布准备得怎么样了"，我得先翻三个群，再拼成一段话。

说实话，回这种消息，真正费劲的从来不是打字，而是翻消息、找信息、理清楚该先说什么，打字本身可能只占一小部分。

如下图所示，进度散在三个群里，领导在等回复：

我把三个群的消息各复制了一段，然后在领导的对话框里只说了一句：帮我回复领导发布进度。

三个群里的安装包、宣传片、彩排、PPT 一项没漏，崩溃率 0.3%、周四修 bug、周三交终版、周五下午 2 点彩排，这些数字全对，开头先给结论，就是一份领导能一眼看完的汇报。

接着我到项目群里只说了一句"提醒大家周五下午彩排，PPT 和演讲稿按时交付"，它把刚才的进度和彩排要求整合成了一条群通知，背景不用我再交代一遍。

以前回这条消息，我得翻三个群、记要点、再拼成一段话；现在我只说了一句"帮我回复领导的进度"，找信息、理内容、写成稿全交给了它。这就是意图成稿：你只管说想干什么，怎么说交给它。

讯飞输入法 16.0 之所以能做到意图成稿，靠的是三件事：看场合说话（场景感知），听懂你没说全的意思（意图补全），记住你的说话习惯（长程记忆）。这套意图引擎跑在云端，负责理解和完成任务；端侧更偏语音本身，保证离线和弱网时照样能用语音输入。

如下图所示，这是意图成稿的完整链路：

还有一个细节我很喜欢：主动匹配技能。我写到“工作汇报”的时候，键盘会主动推荐职场沟通相关的技能，我不用自己去翻。

4 讯飞语音输入16.0

先说我的观点：意图成稿就是语音输入下一阶段的方向，而最先走到这一步的，依然是讯飞。

原因不复杂，是技术和产品十几年的长期积累，这是基于大模型新长出来的输入法短时间内不具备的。

如下图所示，为讯飞语音输入这16年的路线：

我的核心判断是：长期的用户洞察，决定了要解决什么问题；语音和大模型能力，决定了能解决到哪一步，到了大模型时代，技术终于追上了讯飞对用户的理解。

这种洞察最具体的载体就是智能体生态：平台上已有超过 30 万个用户自建的表达技能（skill），覆盖 1 万多个表达场景，意图成稿之所以懂你想说什么，是因为已经有这么多人告诉过它，在各种场景下大家想怎么说。

如下图所示，为用户自建的智能体：

光有技能还不够，还得有一个产品形态把它们送到每个人手边，这就是个性化 AI 键盘。外观和常用技能都能按自己的需要组装，超过 60% 的用户已经定制了自己的键盘。正是这个形态，撑起了意图成稿在每一次表达里落地。

讯飞输入法在七麦数据“实力 AI 产品榜”上连续三年稳居大模型输入法第一。这份榜单主要参考应用市场排名、下载量和用户活跃度，反映的是真实的用户选择。

最后总结一下

用了几天，最大的感受是：以前语音输入只负责记下我说的话，现在它开始帮我把话说出来了。请假、汇报进度，我只说一句想干什么，成稿直接上屏。

这就是讯飞说的第三代：意图成稿。它跟润色不是一回事。润色是你先写好，它帮你改顺；意图成稿是你只给方向，信息怎么找、内容怎么理、语气怎么拿捏，都由它来组织。

汇报进度那次，我没说要写哪几项，它自己从三个群里把安装包、宣传片、彩排、PPT 都拎了出来。输入法第一次从"帮你打字"走到了"帮你想怎么说"。

语音输入拼"听得准"拼了十几年，

下一步比的是"懂你想说什么"。我认同意图成稿就是这个方向，而讯飞在这两件事上都有积累，第一个走到这一步，我不意外。你最怕写哪种消息？评论区告诉我，我拿它试试。