前言

現在很流行vibe coding，透過AI來幫忙寫代碼，可以少打很多代碼，那既然要少打代碼，用講的是最快了，花了一些時間研究現在市面上的STT(speech-to-text)生態，做個紀錄

TLDR

選最貴的Wispr Flow，正常一個月要15美，但是現階段，註冊小號，用他邀請跟推薦的獎勵，就能一直免費用? 雖然不能調model，但感覺他就是用當下最好的，效果很好，而且他還有語音AI（實驗性質）的功能

假如wispr flow沒辦法白嫖的話，應該是選spokenly，自己接voice model API

背後原理

現在的語音轉文字輸入工具(STT)，都是以下的流程，有些軟體可能某部分會沒有

• 語音輸入存成檔案，存在local

• 透過Voice Model辨識成文字

  • 用local的model辨識
    • 比較好的model有
      • OpenAI的Whisper Large v3 turbo
      • Nvidia的Parakeet V3
  • 用cloud的model辨識
    • 對話段落辨識
      • 一整段的語音，傳給比較好的語音model去辨識
      • 好處就是，provider的model強很多，且會有較多的上下文去增加準確度
      • 比較好的model有
        • Deepgram Nove-3
        • GPT-4o Transcribe
        • GPT-4o mini Transcribe
        • Soniox Async
    • 即時辨識
      • 是用websocket連接
      • 會截取一段時間內(250~500ms不等)的語音，然後傳給model去即時處理
      • 比較好的model有
        • Deepgram Nove-3 Realtime
        • Deepgram Nove-3 Flux
          • 最新的model，給AI agent用的，知道何時傾聽、何時思考以及何時說話
        • Soniox Realtime

• 再經過LLM去根據內容還有上下文去修飾文字

  • 在這邊會加一些system prompt或是instruction去調整輸出

服務選型

Wispr Flow

支援Mac、ios、windows

他沒有voice model跟LLM給我選，也不需要設定system prompt，他只有問產出的風格是formal、casual、very casual。

其實這種都是那些專家幫你在context engineering做優化了，不需要自己搞，某種程度我比較喜歡這種，因為自己做功課弄半天，一定還是沒那麼專家處理的好

他有些設計算是蠻貼心，輸出效果也好，也有跟cursor跟windsurf做coding相關的整合，而且他還有個AI語音功能，在我列出來的幾個服務裡面，只有他們家有，還處於實驗性質，要把這個功能打開才會有。

按fn+ctl就能呼叫AI語音模式(command mode)。

功能簡介：

• 選取一段文字，使用AI語音模式，他會把這段文字，還有你所講的話當成是輸入，回傳的結果會取代那段文字
• 假如你有裝perplexity出的comet瀏覽器，使用AI語音模式，說要做什麼什麼搜尋，他就會用comet開新頁，用perplexity幫你搜尋
  • 在comet瀏覽器中，反白某一段話，叫出comet的AI assistant，那段話會在context裏面，但是沒辦法直接送出搜尋
  • 但是假如反白字，叫出AI語音模式，叫他解釋這段話，他會直接開新頁用perplexity解釋

spokenly

支援Mac、ios

註冊就會給免費額度試用，一個月10美金，也可以接自己購買的model API，或是用local免費的。

有非常多的voice model可以選，而且還幫你分類，tag，還有評價，這一點真的蠻不錯的，尤其對生態沒那麼熟的人而言

也可以調整system prompt

缺點就是：

• 有感覺到這個比wispr flow速度會慢一點點，產生文字到輸出到input框需要優化我覺得。
• 只支援mac跟ios

STT的model真的很便宜，所以花錢去訂閱的感覺都是潘仔

假如wispr flow沒辦法白嫖的話，這個可能會是第一選擇，自己接API

superwhisper

支援Mac、ios

我看egghead.io的作者就是用這個軟體，一個月8.5美金左右，但是給的免費額度挺摳門的，15分鐘，可以選model，但是不多。

可以根據場景做不同的system prompt優化

速度有感覺稍微快一點

缺點就是:

• 一個月最少的固定費用8.5美金就在那邊
• 語音輸入時，他的控制面板超大，有時會擋到字，不知道他做這麼大的用意何在，有點白痴

Handy

支援Mac、ios、windows、linux

用Tauri做的APP，速度不錯，open source不用錢，但是只能選不用錢的model(你想花錢也沒辦法)，不過以不用錢的水準來看，Whisper Large v3 turbo跟Parakeet V3就很有水準了。

最大的優點就是支援linux系統

缺點就是

• 不能接付費的voice model API
• 細節功能偏少
• 沒有LLM去做輸出優化

lazytyper

支援Mac、ios、windows

內建很多中國的voice model，不過都要api key，細節功能多，可以設定system prompt，還可以設定帶入最近幾輪的對話當context

缺點就是

• 沒有引導去設定權限（非常糟糕），我還自己問AI怎麼去解決
• 似乎有bug，都設定好了，用一用又突然不能用。不是很穩定的感覺

代體

支援Mac、ios、windows

也是完全免費，速度快，可以接LLM

缺點就是

• 不能選model，而且只能用他預設的local model，品質就偏中下（非常致命）
• 細節功能偏少

豆包

支援Mac、ios、windows、linux

字節跳動的AI語音助手，他內建有個語音輸入功能，去左上角設定個熱鍵，就可以用了

他是屬於即時的語音翻譯，速度快，但是效果一般般，以免費的來看，還是可以用

另外提一下，這個助手有個網頁轉podcast功能，蠻好用的，重點是很快

缺點

• 不能設定system prompt
• 不能指定輸出成繁體中文(蠻大的缺點)