利益相关：作者是文末提到的那款语音输入工具的开发团队成员。前面的方案对比和踩坑记录不涉及具体产品推荐，产品介绍放在文末。
一、为什么要用语音写 Prompt
现在用 AI 编程助手，越来越多的时间花在写自然语言上：描述需求、交代约束、解释 Bug 现场。这类文字的特点是长、要讲清来龙去脉，但不需要逐字精确，正好适合用嘴说。
难点不在「把语音转成文字」，而在下面几件事：
- 文字要能写进当前光标所在的位置：IDE、终端、浏览器里的 AI 对话框都要能写；
- 口语里的「嗯」「那个」「就是说」要去掉，否则 Prompt 很脏；
- 不能出错：不能写错窗口，不能误写进密码框，也不能把剪贴板弄乱。
二、三种技术方案
| 方案 | 典型例子 | 识别在哪里 | 口语整理 | 门槛 |
|---|---|---|---|---|
| 系统听写 | Windows 语音键入（Win+H） | 云端（微软官方说明用的是 Azure 在线语音识别，需要联网） | 只有自动标点；「流畅听写」目前只支持英语，且仅限 AI+ PC | 零配置 |
| 本地离线 ASR | CapsWriter-Offline | 本机（README 写明完全离线） | 热词、正则替换；可以另接 LLM 角色 | 要下载模型，服务端和客户端分开启动 |
| 云端 ASR + LLM 整理 | 各类 AI 语音输入工具 | 云端 | 有，可以选整理强度 | 装好就能用，通常按量或订阅收费 |
选型建议：
- 代码和数据不能出网：选本地离线方案，接受口语整理弱一些，或者自己接本地 LLM。
- 主要写 Prompt 和文档：云端整理的收益最大，口述的需求基本能直接发出去。
- 偶尔用：Win+H 够了。
三、踩坑记录
下面这些是我们在做 Windows 语音输入时踩过的坑，换哪种方案都会遇到。
坑 1：说着说着切了窗口，文字贴错地方
口述 Prompt 时，经常一边说一边切窗口去看代码。如果在录音结束时才去取当前焦点窗口，文字就会贴进刚切过去的那个窗口。
解决：在开始录音时记住目标窗口，结束时只往这个窗口写；如果目标已经失焦或者不可写，就不要强行写入。
坑 2：密码框、只读框
全局热键工具如果不做区分，焦点落在密码框时也会照常写入。建议提前识别密码框和只读框，遇到这类输入框直接跳过，不写入。
坑 3：写不进去时，结果去哪了
有些应用会限制别的程序往输入框写入。这种情况下要有兜底：把结果放进剪贴板，同时存一份副本，提示用户手动粘贴，不能静默丢掉。我们现在的做法是写入失败就自动复制，并保存一份副本。
坑 4：剪贴板被污染
很多工具是通过「写剪贴板 + 模拟粘贴」上屏的，副作用有两个：
- 语音文字进了
Win+V剪贴板历史，把历史刷满； - 用户原来复制的内容被覆盖了。
解决：语音文字不写进Win+V历史；需要的话可以恢复原剪贴板，但要确认文字写入成功后才恢复，否则写入失败时，用户连手动粘贴的兜底都没有。
坑 5：终端里也要能用
命令行版 AI 助手越来越多，语音输入不能只支持普通输入框，终端也要能写进去。另外，终端里经常要口述路径、命令、网址，这类内容一个字符都不能错，最好有专门的「精准」模式，不做润色，只管把符号写对。
坑 6：一次说太长
一次口述太长，中途想改就很难改，识别出错时损失也大。比较稳的做法是按「背景、目标、约束」分几段说，每段说完看一眼再接着说。
坑 7：技术名词识别错
框架名、内部服务名、英文缩写，都是容易识别错的地方。CapsWriter 用的是热词文件hot.txt。我们的做法是自定义词条，在本机做替换：
- 纠错：把常错的识别结果固定改成正确写法，比如总被识别成别的词的框架名；
- 口令：说一个短口令，输出一段预设文字，比如说「我的邮箱」就输出邮箱地址；常用的仓库地址、项目代号也可以这样设；
- 每条最多配 5 种说法，口音不同、说法不同都能对上。
坑 8：AI 整理过头
一个真实例子：口述里报了一串单号，AI 整理后，单号被改成了一段文字描述，原来的编号没了。所以涉及单号、编号、代码标识符这类内容时，建议用最轻的整理方式，或者直接关闭整理，输出识别原文。
四、口述 Prompt 的小技巧
- 按「背景 → 目标 → 约束 → 期望输出」的顺序说，比想到哪说到哪清楚得多；
- 不用追求逐字准确，大模型能容忍少量识别错误；
- 精确修改代码、定位到具体行，还是键盘更快。
五、我们做的工具
上面这些坑，我们在做PomeType时都碰到过。PomeType 是 Windows 上的 AI 语音输入工具，已经上架微软商店（中国区）。按住触发键说话，说完写进当前光标的位置，可以开 AI 整理去掉口头禅，这些是语音输入工具的基本功能，就不展开了。和写 Prompt 关系最大的是下面三个：
- 离线听写：可以下载两款离线模型，SenseVoice Small（约 228MB）和 Fun-ASR Nano（约 750MB）。断网也能听写，不耗时长，适合内网办公、代码不能出网的场景。
- 自定义词条：就是坑 7 里说的，口令输出和纠错都在本机替换，技术名词、仓库地址、邮箱这类内容说一次就对。
- 精准听写模式：专门用来口述网址、路径和命令，适合在终端里用。这个功能走云端，会消耗时长。
另外几个可能用得上的：鼠标中键或侧键可以设成触发键；没有麦克风的台式机可以扫码把手机当麦克风，手机和电脑都要联网，不用连同一个 Wi-Fi；说话时有实时字幕，边说边看识别得对不对。
- 收费：按分钟计费，没有订阅。具体价格以商店页为准。
- 局限：
- 开了离线模式只做基础转写，没有 AI 整理；要整理就得联网走云端。
- 精准听写、改写这类技能都走云端，会消耗时长。
- 只支持 Windows。
