用說的跟 AI 工作：Typeless 真的強，自己蓋的差在清稿

先講結論

語音輸入分兩段：先把聲音轉成文字，再把口語「清稿」成好讀的文字。轉文字這段，免費的 Whisper 在 Mac 本機就跑得又快又準；真正拉開差距的是清稿。

2026-10 實測：我自己架的那套，現在轉文字只要 0.6 秒；放開按鍵到貼上，短句 2.8 秒、長段 11.6 秒，Typeless 是 1.4／4.1 秒，它仍快 2–2.8 倍。差距全在清稿。

影片拍攝時（2026-08）長錄音是 30.6 秒對 4.1 秒，差 7.5 倍；這兩個月我這邊快了約 2.6 倍，Typeless 幾乎沒變。

想找 Typeless 的免費替代：轉文字可以完全免費在本機跑；清稿要嘛用你已經有的 AI 訂閱，要嘛用本機小模型——後者到現在品質還不夠用，數字在下面。

為什麼要用說的

我天天跟 AI 一起開發，兩個月下來發現，累的不是想，是打字和讀字。每一輪對話都要打一長段、再讀一長段，決策的力氣被這兩件事吃掉。換成用說的，同一段想法講出來比打出來快很多，跟 AI 溝通的效率差非常多。

網路上被最多人推薦的語音輸入是 Typeless。它的做法可以理解成兩步：

1. 語音模型把你說的話轉成文字。
2. 大語言模型把這串口語整理成乾淨的文字：去掉贅詞、改口，補標點、分段。

這是我們從使用行為整理出來的理解，不是 Typeless 官方說明。

它方便的地方是可以一直開著講，像會議紀錄一樣替你統整，出來的東西易讀易懂。

同一段話，三種輸出

拿一段 148 秒的口述（在講 HDR 影片的取捨）當題目，看三種輸出：

原稿沒有標點、沒有斷句，連「S-Log3」都聽成「Xlog3」。兩種清稿都把它修好了，差別在態度：Typeless 會替你補寫，把中間一大段拆成 1、2、3 編號列點，字數多了兩成；自己架的這套規則是只去贅詞、不加字，字數反而少一點。哪種比較好，要看用途——要直接貼給別人讀，Typeless 那種比較像整理好的文件；要貼給 AI、希望它讀到的就是你講的話，不加字的比較安心。

自己架一個：轉文字這段不是瓶頸

我試著自己蓋一個類似的工具：按一下鍵盤的 Fn 開始講，再按一下，字就貼進游標。第一步先挑語音模型，三個能在 Mac 本機跑的開源模型，轉同一批共 68 秒的錄音：

Qwen3-ASR 補出來的那句，原話只到「測試看看」，它多寫了「原因是這個工具本來就強制。」

三家都夠快，所以卡住的不是轉文字。後來我又從 turbo 換成完整版 Whisper large-v3，並關掉「參考前文」：turbo 會把「操作」聽成「插座」，帶前文時還會掉進重複同一句的迴圈；換過之後一段 108 秒的錄音轉完約 6–7 秒。

清稿：本機模型快，但還不能用

第二步是清稿。拿六篇自己的口播錄音（1.5 到 5.5 分鐘），比雲端和兩個本機模型（2026-08 影片當時的數字，Claude 現在已經快很多，見下面「還沒解的第一題」）：

本機兩家都比雲端快，但品質都還沒到可以每天用。所以我定的原則是準確優先：清稿走雲端，本機小模型只當斷網時的備胎。錯一個字，整句意思就差很多。

換 AI 開口：讓它好了自己講給你聽

語音輸入解決了「我怎麼講給 AI」。另一半是「AI 怎麼回我」。讓 AI 自己開口的好處是，你真的可以離開一段時間去打掃、去健身，它做完會自己唸給你聽。你只要跟它講好怎麼回：不要唸程式碼，把重點抽出來講。

我做了一個叫「導讀器」的小工具：AI 的回覆一推過來就開始唸。把這個做法寫成一份 Claude 的技能檔（skill），喊一句「用導讀器回我」，它之後每則回覆就固定這樣唸給你聽。

台灣腔的語音怎麼選

中文語音最大的坑是口音。我讓幾個候選唸同一句，先請 AI 判斷是台灣口音還是大陸口音，過關的才給耳朵決定：

Gemini 的台灣腔也不是每句都穩，同一個聲音同一句指示，偶爾會抽到大陸腔，所以每句生完要再判一次口音。以每天讓 AI 唸個不停的用量，我選免費的 edge-tts：付費的好一點，但用量一大就會爆，自用免費層比較實在。

還沒解的第一題：清稿速度

用了幾個月，一直沒找到比 Typeless 更好的清稿方式。比的是放開按鍵之後要等多久才拿到字（2026-10 實測）：

橫條滿刻度＝30.6 秒。

怎麼量的

• Typeless：用它在本機留下的歷史紀錄時間戳推算，「寫回結果的時間 − 開始錄音的時間 − 錄音長度」＝放開按鍵後的處理時間。短句與長段的資料從 2026-08-01 到 09-23（之後我就沒再用 Typeless）：短句 332 筆中位 1.42 秒、長段 107 筆中位 4.13 秒，長段跟 8 月拍片時的 4.1 秒差不多。全部錄音的各月中位數（另含 7 月的紀錄）是 7 月 1.72、8 月 1.59、9 月 3.15 秒，9 月變慢約一倍。
• 自己架的：用自己工具的執行紀錄，取最近 55 筆「放開按鍵到貼上」的秒數，短句 17 筆、長段 11 筆（清稿成品字數分組）。
• 兩邊都量放開按鍵之後的等待時間，也都用成品字數分組（不到 60 字＝短句、200 字以上＝長段）；但不是同一句話逐筆配對。

這兩個月改了什麼

影片當時，同一批六篇長錄音逐筆配對，是 Typeless 4.1 秒對我的 30.6 秒。之後做過的改動有：一開始錄音就先叫醒清稿模型、閒置時定時「心跳」，避免冷啟動（閒置一整天後第一句冷啟動曾要 19.2 秒）；短句同時送兩份搶答；給清稿模型的辭典只留正確寫法，從 2,002 字減到 590 字。9 月也試過換成 OpenAI 的 GPT-5.6 Luna 清稿（11 題抽測純清稿平均 2.10 秒），現在選單可以切換，上面這批 55 筆用的是 Claude。哪一項改動貢獻多少沒有拆開量。

Typeless 放開按鍵後很快就出字，看起來是邊錄邊轉，加上它可能有大量資料專門訓練清稿這件事。我把邊錄邊轉學過來了，所以轉文字只剩 0.6 秒；剩下的差距在清稿。拿我累積的六百多題錄音、以 Typeless 的成品當標準來比（2026-08 考卷），還輸它的有三處：清稿速度、用引號標出專有名詞、用括號收插入語。

還沒解的第二題：用自己的聲音、台灣腔回話

免費層裡，我沒找到比現在這個更好的台灣腔語音。下一步自然會想：拿開源模型在本機跑，用自己的聲音、或複製一個台灣腔的聲音。實測兩個最常被推薦的開源聲音複製模型：

餵合成的台灣腔、餵我自己 9 秒的真人錄音，結果都一樣：出來是混血怪腔，我自己聽完的判斷是「都不能聽」。改餵大陸腔的樣本反而可以聽，但還是有聽不懂的腔調。結論是：台灣腔的開源中文模型太少，目前做不出來；硬要做到好，效率又差，不適合天天用，比較適合拿去做影視作品這種一次性的配音。

拿去用

這兩支工具我都開源了，給的是施工圖（規格書）不是程式碼：整包丟給你的 AI，說「照著蓋」，它會蓋出你自己的那一版。

• WhisperBar · 語音輸入：按一下 Fn 開始講，再按一下，文字就貼進游標；轉文字全程在自己電腦上跑，錄音不上傳。需要 Apple Silicon 的 Mac。
• Aloud · 讓 Agent 講話：AI 的回覆一推過來就開始唸，唸到哪句亮哪句；任何 App 選字按右鍵也能唸。

兩支都在 小高工具間 首頁的「讓 Agent 講話＋語音輸入」那張卡。

影片版

這篇是從我的 YouTube 影片改寫的，2 分 14 秒，裡面有每張實測表出現的畫面。

章節：打字跟 AI 對話累的不是想／Typeless 概念與原理／同一段話三種輸出的差別／自己蓋一個跟它差在哪／換 AI 開口回答：導讀器／台灣腔語音怎麼選／還沒解的第一題：清稿／第二題：語音回覆／開源聲音複製本機實測。