從 XP 時代開始，我幻想用語音轉文字。後來，手機提前實現了這功能，電腦端的語音錄入卻一直沒進展。
為了能在 PC 上用語音打字，我從 2013 折騰到 2022，經歷了各種硬體和軟體，終於找到最適合 PC 端的語音輸入方案。
訊飛 + 小麥克風
2013 年，訊飛推出 PC 版輸入法。我以為 PC 語音輸入的時代已經來臨，買了個十幾塊的小麥克風，嘗試語音轉文字。
可測試結果卻讓人大跌眼鏡，語音識別準確率異常的低。即便我把麥放在嘴邊，依然無法錄清楚，超過 80% 內容識別錯誤。
過低的識別率，讓我懷疑是麥克風的收音出了問題，要想語音打字就需要換個好點的話筒。但囊中羞澀，只能暫停嘗試。
訊飛 + Blue Yeti
過了幾年，經濟寬裕點後，下單網紅錄音話筒 Blue Yeti，幻想著 4 位數的話筒能帶來完美的收音識別效果。
但事實卻是
再度被打擊
。
對 Blue Yeti 的收音測試中，再次發現大量雜音，收貨當天就直接退貨。
十幾元的麥克風和一千元的話筒收音效果差不多，語音輸入的識別率也都超低。這讓我猜測，語音輸入識別率低與硬體無關，而是 PC 端的語音輸入方案尚未成熟，是軟體方面導致的問題。
就這樣，我再次暫停了 PC 上的語音輸入嘗試。
外接音效卡 + 動圈話筒
之後，用了 5 年的音箱出現問題，我升級了音響，並順勢添置了外接音效卡，視聽體驗大幅提升。玩著玩著，突然想起我的語音輸入夢，決定再嘗試一次。
有了外接音效卡，麥克風的選擇多了許多，可以連線卡儂線介面的話筒了。
麥克風分為兩類：電容麥、動圈麥。
電容麥收音好，但比較嬌貴，怕潮怕摔，不能用桌面話筒架，適合用懸臂掛在空中，每次用完之後需要收起來。動圈麥的靈敏度和還原度都低於電容麥，存放和使用沒什麼要求，費用也會低些。
電容麥克風太麻煩，就選了簡單的動圈麥 - 舒伯樂 PRO248S。
選好話筒後，又配了麥克風支架和卡儂線，連上原本的外接音效卡，搞定語音輸出的硬體配置。
輸入法之爭
音訊硬體搞定後，開始折騰語音輸入法。
雖然訊飛在語音輸入領域的牌子最響，但是訊飛 PC 輸入法並不受重視，長年不更新。所以，我嘗試了其他輸入法的語音功能。測試中，搜狗的語音識別功能並不比訊飛弱，缺點也只有無法設定語音輸入快捷鍵，整體體驗上佳。於是，語音輸入法切換成了搜狗。
然而，有次備份系統設定，我發現搜狗詞庫高達 27 萬條，其中 99% 的內容是垃圾詞條，即使偶爾輸入過一次的內容也被輸入法記錄。更可怕的是，這次詞庫無法從雲端刪除，
只要你輸入過一次，搜狗就永遠記住了
。
這哪裡是輸入法，根本是
鍵盤記錄器
。
國內其他輸入法在這點上也都半斤八兩，為了不被鍵盤記錄器惦記，我只能切換為開源的小狼毫輸入法。
語音輸入則轉用開源的Quick Cut，使用阿里雲、騰訊雲的商用語音介面，識別率比免費的搜狗和訊飛都高。
Quick Cut 的缺點：語音輸入時，要一直按大寫鍵，不適合長語音錄入；觸發鍵無法更改，大寫鍵與我的常用指令碼衝突了。因此，長時間的語音輸入只能藉助手機上的飛書妙記來完成轉錄。
最終方案：微軟語音輸入
面對 Quick Cut 的長語音輸入難題時，@李樂 推薦了微軟語音輸入-使用語音鍵入來說話，而不是在電腦上鍵入。
微軟自帶的語音輸入，快捷鍵 Win + H。3 塊錢的麥克風，距離 50 釐米，很低的聲音讀出來了。
測試後，發現微軟語音輸入確實是好用，甚至好用到有點恐怖。測試中，我臨時有事，走到另外一個房間和家人說話，回來後發現剛剛的對話也被微軟語音輸入正確識別。
微軟語音輸入非常敏感，距離遠、聲音低也能識別。這樣我不用為語音輸入而特意移動話筒，可以繼續把話筒放在不遮擋視野的遠角。
「語音鍵入功能在此應用上受限制」在 Notepad++ 和微信都出現了，Visual Studio Code 沒出現，但實際上這提示對語音輸入並沒造成影響，平常可以忽略這個提示。
雖然微軟語音輸入的識別率只有 85%，不如阿里雲方案的 95%，可系統自帶的優勢太明顯，微軟語音輸入體驗感非常順滑。
啟動快捷鍵Win + H，語音識別立即會啟動。如果中途沒說話，應用會自動暫停，並對前面的輸入進行整理，插入合適的標點符號。停止超過一分鐘，語音識別才會暫停，等待再次啟動。換言之，微軟語音輸入能一鍵完成長語音錄入。
之前的麥克風放著放著就壞了，所以我沒測 @李樂 說的低價麥克風的語音輸入效果。不過，微軟輸入的軟體最佳化非常好，按照目前效果推測，用便宜的麥克風也能實現完美的收音效果。綜合來說，微軟語音輸入是當前最完美也是相容性最高的語音輸入方案。
總結與展望
語音輸入的 3 種方案：
文章輸入：微軟語音輸入 + 外接音效卡 + 動圈話筒，相容性最高，使用方便，但精度一般，用於文章草稿階段。
一句話輸入：Quick Cut + 外接音效卡 + 動圈話筒，一句話識別精度最高，適合聊天時使用。
語音轉錄：飛書妙記 + 手機，錄音轉文字，長語音的識別率超高。
與 2018 年相比，2022 年的語音輸入方案已經完善了許多。硬體已經不再是問題了，便宜的話筒也能達到語音輸入標準。語音識別進步明顯，在 AI 技術的加持下，短句識別率從 90% 上升到 95%，長句識別率則從 50% 上升到 70%，標點符號均能正確插入。
目前語音輸入演算法在提升最後 10% 的準確率，期待早日達到「口述與鍵盤輸入完全一致」的一天。