本文范围：只讲清系统输入法里的语音输入怎样变成可编辑文字，从 0 到 1 做出第一个可用版本的路径
先说结论
我在豆包输入法或微信输入法里说话，不是在和大模型聊天。系统只需要完成一件事：
把我实际说的话，尽量准确、快速、可修改地放进当前输入框。
它会边收音边识别，先显示可能变化的临时文字；我说完后，再确定最终文字、补标点并写入输入框。最后仍由我修改和发送。
所以，语音输入法的交付物是文字，不是回答。真正重要的不是模型多大，而是我最终要改多少字、总共花多少时间。
打电话给豆包实时聊天的链路，单独见 为什么我能像打电话一样和豆包实时聊天？。
就跟着一条微信往下拆
我刚从超市出来，右手提着两袋菜，左手拿着手机。我能用左手拇指打开微信、进入家人的聊天，再点一下输入法里的语音键；但要靠一只手连续打完一整句话，就很麻烦。
所以我直接说：
我已经买到鸡蛋、牛奶和苹果了，大概二十分钟到家，你先把米饭煮上。成功不是“识别出了大部分字”，而是我只需简单检查就能发送，总时间明显少于单手打字。
这个场景还有一个前提：启动语音必须足够省事。如果我要离开微信、打开另一个 App，再把结果复制回来，识别再准也没有意义。
豆包输入法和微信输入法 都支持 “按住 Fn 键直接说” 降低启动成本。电脑快捷键不能直接照搬到手机，但产品原则相同：
从当前输入框到开始说话，最好只有一个清楚、随时可取消的动作。
一句话怎样进入微信输入框
输入法一边听、一边显示可能变化的文字；等我说完再确定最终结果并交给输入框。系统不替我回答，也不应在我没确认时替我发送。
这条链路有四种责任：收音负责取得清楚声音，识别负责判断我说了哪些字，规整负责让文字更易读，输入法负责写到正确光标位置。
ASR（Automatic Speech Recognition，自动语音识别）：把人说的话变成文字。
语音识别 API 返回正确文字，只说明中间一段成功，不代表输入法产品已经完成。
真正决定体验的四件事
临时文字要快，最终文字要稳
系统为了尽快反馈，会先给出临时结果。后面的声音到来后，它可能修正前面的字、断句和标点。
实现时不能把每次临时结果都追加进输入框，否则同一句会重复出现。应该不断替换当前临时片段，收到最终结果后再正式提交。
识别和整理不能混在一起
- 识别回答：“我刚才说了什么？”
- 整理回答：“这句话怎样写得更简练？”
自动标点、数字格式和明确的重复片段可以轻量处理；重新表达则可能改变语气和原意。
飞书 Wiki 的一篇实战记录提到：用户说的是一个问题，模型“整理”后却直接给出了答案。它只是社区失败案例，但风险很典型。
例如我说：
你看一下家里还有没有米？结果不能被改成：
家里还有米。第一个版本应该保留原始识别文字，把“整理一下”设计成我主动触发、能够撤销的第二个动作。
专有词、在线和离线各有边界
人名、地点和品牌容易因为发音相近而识别错。系统可以使用本句上下文和少量个人热词改善，但热词太多也会造成过度纠正。
热词：提前告诉识别系统哪些专有词最近更可能出现。
在线识别可以使用更大的云端模型，但依赖网络，还要明确音频和文字怎样上传、保存与删除。离线识别在无网时可用，隐私边界更清楚，却受到手机性能、耗电和模型大小限制。
豆包输入法公开说明支持无网弱网使用，但没有公开每种场景怎样在本地和云端之间路由。能确认产品行为，不代表能推断内部实现。
最后还要写进正确输入框
输入法必须正确处理光标、选区、临时片段和目标 App 的输入连接。识别对了但写错位置，用户看到的仍然是失败。
Android 官方提供
InputMethodService，可以管理输入法界面和当前输入框连接。 iOS 可以创建自定义键盘，但 Apple 官方文档明确说明：键盘扩展不能直接访问麦克风和扬声器，即使打开“允许完全访问”也不行。因此，iOS 语音输入还需要配套 App、系统入口或其它中转设计。
为什么它通常不是 Agent
语音输入法可以使用大模型，但它做的仍是边界清楚的声音转文字：
- 不需要
自主决定下一步。 - 不应该
替我调用工具。 - 不应该
替我发送消息。
只有识别之后，系统又根据我的目标选择工具、执行任务并观察结果，才进入 Agent 范围。
如果我从 0 到 1 构建
先证明语音输入加修改确实比单手打字省时间，再承担系统键盘的权限、兼容和审核成本。
第一版只做一个普通页面：
- 一个按住说话按钮。
- 一块临时文字区域。
- 一块最终可编辑区域。
- 一个恢复原始识别文字的入口。
- 一条记录最终改了哪些字的日志。
先用成熟在线 ASR 做整句识别，再加入流式结果。选择服务时，用同一批真实录音比较能否流式返回、热词有没有改善、每分钟成本是否可接受，最终以官方接口和自己的测试为准。
测试内容直接来自日常输入：家人消息、到家时间、人名、地点、中英混说和路边噪声。每次保存原始音频、原始识别和最终修改，才知道系统到底改善了什么。
价值成立后，再加入可撤销的轻量规整和个人词，最后进入系统输入法。移动端优先验证 Android；iOS 再解决键盘扩展不能直接录音的限制。
怎样判断第一个版本成立
我会重点看：
- 开口后多久看到临时文字，说完后多久得到最终文字。
- 最终替换、删除或增加了多少字。
- 常用人名、地点和品牌能否稳定识别。
- 文字整理有没有改变原意。
- 弱网失败后，已确认内容会不会全部丢失。
- 语音输入加修改是否稳定快于单手打字。
- 下一次只能单手操作时，我是否还会主动使用。
最重要的产品指标不是脱离场景的准确率，而是：
我能不能少打字、少修改，并且放心把最后的发送权留在自己手里。
DANGER
个人体验：真正的能力差别在于，中英文混杂时，也能正常输出 英文 ，微信输入法 明显不如 豆包输入法
考考你
语音输入法的核心交付物是什么？
是一段尽量忠实、快速、可修改的文字，不是聊天回答，也不是自动执行结果。
为什么文字会反复变化？
系统先返回临时结果；后面的声音和上下文到来后，还会修正前面的字、断句和标点。
识别和整理为什么要分开？
识别回答“我说了什么”，整理回答“怎样写得更清楚”。整理可能改变语气和原意，应该由我主动触发并且可以撤销。
为什么识别正确，输入法仍可能失败？
结果还要正确处理临时片段、光标、选区和目标 App 的输入连接。识别对了但写错位置，仍然是失败。
从 0 到 1 为什么先做普通页面？
普通页面能最快验证识别、延迟和修改成本，不会一开始就被系统权限和兼容问题淹没。
为什么系统输入法优先做 Android？
Android 提供标准的 InputMethodService；iOS 自定义键盘扩展不能直接访问麦克风和扬声器，需要额外中转。
语音输入法用了大模型，为什么通常仍不是 Agent？
它完成的是声音转文字，不自主选择工具，也不替我发送消息，最终修改和发送权仍在我。
参考
- 以前的公开文章：通过语音和大模型对话
- 豆包输入法：App Store 产品说明，版本 1.4.13，产品说明与版本信息核对于 2026-07-29。
- 微信输入法：Google Play 产品说明，更新于 2026-06-03，产品说明核对于 2026-07-29。
- 火山引擎：大模型语音识别，核对于 2026-07-29。
- 火山引擎：热词使用，核对于 2026-07-29。
- Apple：Creating a custom keyboard 与 Configuring open access for a custom keyboard，核对于 2026-07-29。
- Android Developers：Create an input method 与 InputMethodService，核对于 2026-07-29。