编辑｜Panda 2026 年， 输入法 ，这个陪伴了几代人、常被认为「够用就行」的工具，忽然成了 AI 行业最拥挤的赛道之一， 语音输入 则是这场争夺的焦点。 去年 11 月，豆包输入法上线；12 月，智谱推出桌面端 AI 输入法。今年 5 月，千问上线 AI 语音输入法，微信输入法凭借「隔空传送」一度冲上 App Store 免费总榜前列；6 月，阿里云推出 CosyVoice 语音输入法，搜狗输入法也宣布全面 AI 化。如今各家宣传的识别准确率大多在 97% 到 98% 之间，竞争焦点也随之移到「 说完就成文 」。 可文字出得越来越快，表达未必跟着变快。讯飞输入法产品总监赵明路在讯飞输入法 16.0 发布会上抛出过一个问题：「如果文字已经出得很快了，为什么回复一条消息，有时仍然要花好几分钟？ 这几分钟，究竟花在哪儿了？ 」 把一次真实的表达拆开看，用户要先组织内容，再输入成文本，最后润色、规整、校对。后两步正在成为行业标配，第一步却仍然留给用户自己。被领导问到「发布准备得怎么样了」，真正花时间的是翻遍几个工作群、从截图里摘出进度、想清楚先说哪句。 10 月 22 日，在科大讯飞全球 1024 开发者节上发布的 讯飞输入法 16.0 ，把这一步作为新版本的核心命题，提出「 意图成稿 」。 所谓「意图成稿」，是指用户只需向输入法表达自己的意图即可得到一份 适合用户实际表达场景且直接可用的表达内容 。举个例子，用户只需提供相关材料，然后说一句「帮我回一下领导的进度查询」，输入法就会去自行理解材料并组织内容，用户只需阅读确认后发送即可。 讯飞也在发布会上给出了一个显式的语音输入三代划分： 忠实记录、表达成稿、意图成稿 ，分别对应 听清、写顺、懂意图 。 之所以说「意图成稿」是语音输入的下一个方向，是因为前两代都默认用户已经想好了要说什么，而 真实表达中最费工夫的部分其实发生在开口之前 。 语音 让人能用最自然的方式表达， 大模型 又第一次让机器有能力理解一段模糊的意图、处理散落各处的材料。两者叠加，输入法才有可能把「组织表达」稳稳地接住。 类似的方向判断，讯飞在 16 年前也做过一次。2010 年，讯飞判断语音会是移动互联网时代输入法的下一个阶段，推出了 全球首款中文语音输入法 。如今，讯飞把新的判断落进了 讯飞输入法 16.0：以意图成稿为核心，并为此打造了全新的个性化 AI 键盘 。 意图成稿为什么会是大模型时代语音输入的正确答案？又为什么是讯飞最先把它做出来？为了回答这两个问题，机器之心专访了科大讯飞语音识别研发总监 万根顺 。 第三代为什么是意图成稿? 万根顺用一个标准来划分三代：「要看用户在开口之前，需要为这次表达做多少准备工作。」 忠实记录和表达成稿减少的是输入和编辑的工作 ，前提是用户已经想好了要说什么； 意图成稿则开始分担内容组织的工作 。三者长期共存，用户想留原话时就忠实记录，需要组织时再获得帮助。 科大讯飞研究院语音识别研发总监万根顺在科大讯飞全球 1024 开发者节上讲解三代语音输入 讯飞的判断是，在复杂表达里， 内容组织能占到九成的工作量 。这并非指所有输入，简单的输入一说就能完成；但在跨应用、需要结合上下文的任务里，耗时的往往是找材料、提重点、判断关系、拿捏语气。「输入文字，只是整个表达过程的其中一步。」赵明路在发布会上说，在这些时刻，「用户需要的帮助，已经走到了文字输入之前」。 赵明路把这类痛点归为两类。一类是 费时间耗精力 ：需要的材料散在几个地方，每次找 AI 帮忙，还得重新复制一遍、再交代一遍背景。另一类是 没经验不会说 ：客户看完方案只回了一个微笑表情，怎么回才得体？怎么拒绝同事的临时需求？ 万根顺进一步解释，前者的核心是信息的完整和准确，系统要把散落的内容提取出来、合并同类事项、保留关键事实；后者「缺的不是资料，是沟通策略」，系统要理解对象、场景和风险，给出合适的语气和多个候选。信息不足时，系统应当主动澄清，而不是替用户编造事实或立场。 这个需求并不新，现在不同的是技术终于能接住它。讯飞输入法很早就上线了「 飞飞助手 」，让用户用说话来修改文字。 但早期方案基于规则，同一个需求，不同用户说法不同，规则越加越多，覆盖不到的说法也越来越多。万根顺说，表达任务本身无法穷尽地写成规则或模板，不同场景、不同对象，组织方式和重点信息都不一样。 大模型补上的正是对自然表达和复杂上下文的理解。 用户说「这一段太生硬了，帮我客气一点，但是别答应他的时间」，系统要同时理解修改目标、语气要求和不能改动的内容。技术的变化也改变了用户的预期：过去用户习惯先把话想完整，再交给输入法；当他们发现 AI 能根据材料起草回复，就会自然地把「组织表达」也交出来。 用户一直存在的表达痛点和大模型刚刚成熟的能力，在这里形成了最有价