语音输入的两种方法
每个语音输入工具做出一个基本的设计决策：麦克风何时听？
两个主要模型是 按键说话（麦克风仅在按下按钮时活跃）和 始终开启（麦克风连续听，通常使用唤醒词或启动/停止命令）。每种方法对隐私、准确度、工作流集成和资源使用有不同的含义。
选择不仅是UX偏好——它反映了语音输入如何适应工作环境的根本不同假设。
按键说话：刻意和界定
在按键说话听写中，你按住热键来激活麦克风，说出你的内容，完成时释放按键。麦克风在所有其他时间都不活跃。
隐私： 这是语音输入中可用的最强隐私保证。应用仅可在物理按住热键时捕获音频。没有背景听取、无意捕获私密对话和无疑问音频是否是处理的未意图时刻。对于同事、客户或敏感信息经常可听的工作环境，这很重要。
准确度： 按键说话通常产生更好的准确度，因为音频段是干净和界定的。模型接收确切一个话语——从热键按下到热键释放——无需从环境噪音检测语音边界。没有疑问背景对话是否是意图的输入。
工作流： 按键说话手势是明确和故意的。你准备想说什么，按键，说话，释放。这自然匹配"我现在写作"和"我现在完成写作"的心理模型。它自然地与键盘和鼠标使用适应，因为它不要求无手条件。
电池和资源： 不活跃听取时麦克风不活跃。CPU和网络活动仅在听写会话期间发生。
限制： 每个听写需要一个刻意的行动。连续、无手听写——在医学转录中常见，医生的手被占用——不是按键说话的自然模式。
始终开启听写：连续和无手
始终开启（或连续）听写使用语音活动检测来自动识别你什么时候说话并处理那个音频。持续运行的Apple听写、Android上的Google Voice Typing和无手无障碍工具通常以这种方式工作。
隐私： 始终开启听取需要持续的麦克风访问。工具必须连续处理音频来检测你何时开始说话。即使有好的本地处理，也有固有的暴露：任何接近你麦克风的对话可以被捕获，即使不意图作为输入。对于大多数企业环境和共享空间，这是真实的关注。
准确度： 可变的。模型必须区分意图的听写和环境语音——与同事的对话、在后台播放的视频或附近说话的某人。错误的激活和错过的起点为输出添加噪音。
工作流： 对于无手场景更好。医学专业人士在检查患者时使用听写、需要两只手被占用的工人以及有使按下键不实用的移动障碍的用户都从连续听写中获益。
电池和资源： 连续麦克风访问加上持续语音活动检测消耗明显比按键说话更多电池和处理能力。
限制： 在共享或开放式办公室环境中不适用。错误的激活创建噪音。与工具的连续"对话"在你频繁在语音和输入之间切换的背景中可能感觉不自然。
唤醒词模型
第三种方法使用唤醒词（"嘿[产品]"）来开始听取和停止命令或沉默超时来结束会话。这是Siri、Alexa和Google Assistant使用的模型。对于桌面听写，它很少被使用，因为唤醒词在高频率使用情况下变成摩擦。
对输出质量的影响
超越原始转录准确度，激活模型影响AI增强的质量：
按键说话优势： AI接收确切一个界定话语。增强模型处理完整、故意的陈述。没有无意语音的噪音，模型不需要处理边界检测——用户的热键释放定义段。
始终开启挑战： 增强模型接收可能包括错误开始、环境语音和不清楚边界的音频段。这使AI的工作更难，可以导致格式化输出中的伪影。
Telvr的设计选择
Telvr完全围绕按键说话构建。这是基于两个信念的刻意选择：
首先，隐私在专业环境中很重要。为桌面生产力设计的工具——敏感对话发生的地方——应该给用户对麦克风何时活跃的绝对控制。按键说话提供那个控制而无需配置。
其次，按键说话的明确性产生更好的输出。按下热键来听写的用户倾向于在说话前组成他们的想法，而不是大声思考和期望AI从意识流中提取意义。结果的输入更连贯，AI增强输出相应地更好。
哪种方法对你是正确的
选择按键说话如果：
- 你在共享办公室或开放式环境中工作
- 隐私是关注（通话、敏感对话、机密信息附近）
- 你在输入和语音输入之间频繁切换
- 你想对每个听写会话的明确控制
- 你使用语音来替换特定时刻的输入，不是连续无手使用
选择始终开启如果：
- 你需要完全无手操作（医学程序、物理工作）
- 你在私人、安静的环境中工作
- 你听写长连续段落而不需要与计算机交互
选择唤醒词如果：
- 你使用语音助手而不是听写工具
- 你需要环境激活而不需要物理按钮
对于大多数想使用语音输入作为键盘补充——写电子邮件、文档、消息和笔记当在桌子前——按键说话是更好的适合。明确、界定激活匹配桌面工作实际如何进行：文本创建的间歇爆发，不是连续独白。