一个自己搭转写环境的人，对语音识别的进步有直接的体感：新模型识别专有词汇的能力更强了，处理口语也有提升，而语音方向被认为还留着不少低垂的果实，因为大多数优秀人才都去了语言模型那边。识别这条线确实在变好。
但换到日常输入，情形并不对称。同一段时间里，网易有道等新玩家接连进入这个品类，一个人桌面上却可能同时留着两三款语音输入工具，装上又卸掉。准确率之外，摩擦到底在哪里？
语音工具和输入法绑在了一起
语音输入产品有两种形态：一类是独立软件，一类住在输入法里。两种形态本来各管一段，麻烦出现在越界的时候。
一次手机上的试用是这样的：豆包的语音能力不错，但它把语音和输入法绑在一起，输入法本身的词库、联想还没有做好。用户只想用它的语音部分，打字却连续出错，错了几次之后，想到的不是反馈问题，而是卸载。
这种体验把一个选择摆在了用户面前：语音工具究竟是替代输入法，还是补充输入法？一种务实的答案是按品类各留一个——输入法负责打字，独立软件负责语音，不追求三合一。当用户需要用“留几个”来管理这类工具时，说明产品之间的边界还没有清晰到让人只留一个。
专有词库是识别之外的一公里
模型侧的进步能减少识别错误，但人名、项目名、行话这类专有词汇，往往还是要靠词库兜底。这里的产品缺口反而更明显：微信输入法的语音识别能力已经够用，唯独不支持自定义语音词库。这个功能如果补上，桌面上Typeless这类独立工具对许多用户就不再是必需品。
专有词汇于是成了两条路线的竞争：模型继续进步，从源头减少纠错；或者产品开放词库，让用户不必等模型。目前来看，后者更便宜，也更快，但它恰恰是许多产品没做的那部分。
文字什么时候出现，整理到什么程度
一款语音工具被装上就卸的另一个原因，是说话时看不到字：说了两三分钟，屏幕上什么都没有，全部内容一次性吐出来。对说话的人来说，看不到实时反馈就意味着不知道识别有没有跑偏，长句说到一半发现错了，也只能从头再来。
不过，实时显示并非所有人的硬性要求。当有人抱怨这一点时，另一些用户的第一反应是反问自己常用的工具是不是也这样——他们并没有把这条当作主要痛点。同一个人群对“整理”的偏好分化得更明显：重度用户离不开长文本优化，希望去掉车轱辘话、重新排版；同一类功能在别的工具上，要么被认为做得过猛，要么只做最基础的整理；也有用户觉得各家在转写层面已经差不多，长文本能力没有本质差异。
整理没有统一的标准答案。润色不足，文本还要手动返工；润色过猛，又会替说话人做主、改变原意。这更接近一个应该做成可调的参数，而不是产品替所有人选定的某一档。
手机先卡在系统这一关
电脑上的摩擦是产品层面的，手机上则先卡在系统层面。在 iPhone 上用第三方输入法的语音，需要在设置里来回切权限；改成常驻启动，又带来另一种顾虑。逐次授权和常驻后台都被认为难以接受，最终的结果是一部手机上干脆没法用语音输入——已经习惯开口输入的人，换回 iPhone 会下意识按出错误的操作，然后发现输入框在跳转。
应用内的入口因此成了绕开系统的路径。聊天应用自带的麦克风按钮是许多人在手机上最高频的语音输入方式；电脑版后来加上的长按鼠标说话，也被认为符合直觉。这类入口的问题不在交互本身，而在细节：反复出现的使用提示会让人厌烦。入口的门槛低一分，使用频率就高一截，这是输入法之外的产品自己挣来的位置。
摩擦清单决定谁能留下
把上面的摩擦放在一起，可以看到语音输入的竞争早已不在识别准确率上：词库开放与否、文字是否实时出现、整理力度是否可调、系统权限是否绕得开，每一项都在决定用户留下哪一款、卸载哪一款。
这些问题几乎没有一个需要新技术来解决。它们需要的是产品把选择权交回用户——允许只用语音而不绑架打字、允许自定义词库、允许边说边看、允许调整整理的力度。识别已经够准了，剩下的部分，比拼的是谁先把摩擦拆掉。