fivestone: 当我使用语音输入法，而且是不在线不个人定制的本地模型的时候，我说话的方式会渐渐趋向于，避免让输入法混淆，减少失误的样子。譬如避免太潮太生僻的用词，避免冒出单个词，而把它放在可识别的句子语境中。我不知道这是否导致我日常对人说话方式也发生改变？某种意义上，也是一种对同质化的迎合。
这里的离线语音识别，主要是说千问的 SenseVoice Small，最小的约 200MB 的模型，对于普通话和日常英文输入，基本够用了。可以使用 SenseVoice 本地模型，实现脱机语音输入的程序：
- 安卓手机上用 “说点啥（BiBi Keyboard）”，可以无缝嵌入到修改后的小企鹅（Fcitx5）或者同文（Trime）输入法里，不需要专门的悬浮按钮，而是按空格自动启用语音输入。
- Windows 和 MacOS 上的 “闪电说“
其它离线语音输入的模型和方案：
- Spokenly，支持多平台，本地模型可以使用 Nvidia Parakeet（多语言但只有西文）或 Whisper Large V3 Turbo（支持中文），但 Whisper 的开销很大，电脑配置低的话，无法实用。
- 老牌的讯飞输入法也支持下载讯飞模型后离线使用，大约 800MB，效果感觉比 SenseVoice 更好一点？但是，讯飞虽然号称 “离线使用”，但如果真把输入法的联网权限完全禁止，程序会报错无法使用。所以，涉及更敏感的场合，还是不让人放心。
- 网友说 豆包输入法 在 ios 上也可以下载模型离线使用。我还没有试过，不确定是不是真的 “离线”。
跑题了。其实我想说的是，似乎更多的人，在讨论语音输入法时更偏向于：哪些 ai 做得更好，能够在滚动训练的过程中，识别更复杂更时兴的言语。总之更着眼于技术如何贴近人类的使用习惯，而不是在找到一个够用的工具后，去迎合工具。——显然我这种使用的方式，并不利于技术滚滚发展，而且，能否离线输入，乃至苛求是否 “真·离线”，不同人应用的场合不同，也只能算是个很小众的需求。只是，这种机缘巧合的 “迎合”，也算是种有趣的细微感受。
类似的例子是前不久看到网友的文章《为什么你应该停止在中西文间使用空格》，理由大概是，应该由软件显示时自动在中英文间添加空白，而不是作者手动插入。如今很多软件都支持自动空白了（Word、微信、ios、浏览器……），未来会更好。
这仍然是一个【山来就我 vs 我去就山】的思路差别。
- 原文不留空格，而让软件添加空白，更偏向于：这个完美的解决方案，需要整个软件世界的配合，然后 等待 / 督促 / 努力建设，让这个世界渐渐向这个方案靠拢；
- 自己手动添加空格，更偏向于：这个方案不需要等外界配合，我自己动手就可以了，虽然不是最好看，但也可以用了。即使以后整个软件世界都自动添加空白，我这边显示效果会差一点，但也可以用了。
我还是更倾向于后者的，原因是：
- 我不太觉得最终真会有一切软件都自动处理空白的世界，更不要谈命令行界面，和等宽字体的环境了。我想象不出这样的世界是什么样子的。
- 我对这个世界的其它方面的期待太多了，不想在没什么必要的领域，再加一份期待，有个 80/20 的方案就挺好了。
- 如果真有一天，世界在一些方面，成为了我期待的样子。那么，如果再有什么要去突破这个世界的事情，现在享受的这份完美，会不会成为（至少在自身能动性上的）阻力？
Leave a Reply