产品简介
听写和转写常被当成一件事,其实差得远。转写面对的是录音,人在里面照着稿子念,句子完整,声音干净。听写面对的是人正在想事情:说半句改口,念错一个名字退回来重念,讲到一半停下来想想,旁边还有人说话。用干净录音训出来的模型,在真实听写里会犯一种很具体的错,它把改口前的半句也照实写下来,因为它确实听见了。
Wispr Flow 做的就是听写这件事,产品落在光标上,写邮件、写文档、在终端敲命令、给模型写提示词,都是同一个动作。它过去调用别家的语音模型,今年 7 月成立 Wispr Advanced Interfaces Lab,转向自己训练,请来前 Alexa 创始科学家 Ariya Rastrow 做首席科学官,9 月 17 日发布第一个模型 Canto 1。11 月,独立的 Voice Arena 听写基准把它排到了第一位。
这个第一名值得看清楚口径。Voice Arena 问的是能不能不改直接发出去,Flow 有 79.4% 的稿子一次过关。另一个指标算的是要改多少字符,Flow 是 0.40%,排第二的是 0.93%,两倍多。它错的时候也没有一份需要改超过 19 个字符。这三个数字凑起来说明的不是它每个字都对,而是它错的地方都很小,你不用回头重写一整段。
自训的收益来自训练信号换了来源。Wispr 用的不是买来的标注数据,是用户实际改动:同一段话,模型写出来的版本和人最后留下来的版本差在哪。难点在于分清两种改动,一种是听错了,一种是用户自己改主意了。前者该学,后者学了就是把人的写作习惯当成识别错误。Canto 的做法是先把两者分开,只从真错误里学。这件事说起来简单,做起来要在几百万条真实的修改记录上跑一遍。
方法上是两段。先是监督微调,把音频和参考转写配对,让模型学会预测每一个词。然后是强化学习,同一段音频让它生成几份候选,按与参考的吻合度打分,用 Group Relative Policy Optimization 让高分的那类更可能出现。监督告诉它每一步该是什么词,强化学习评的是整份稿子的结果,后者更接近我们真正在意的东西:这段话能不能直接用。
评估做在了两类数据上。一类是随机采样的 10 小时英语听写,来自 2300 多名说话人,跨应用跨场景,训练集与测试集的说话人严格不重叠,所有样本都来自开了数据共享的用户。另一类是 3 小时的挑战集,专挑最容易出错的条件:旁边有人说话、有音乐、车流、风声、音量很低、耳语、远场收音,还有只有几个词、几乎没有上下文可用的短听写。
结果要分开说。在随机采样的那批数据上,Canto 的词错率是参与对比的模型里最低的。在挑战集上它排第二,第一是 Gemini 3.1 Pro,但那是前沿尺寸的多模态模型,跑不了实时低延迟的场景,所以官方补了一句,在实时转录这一类里它是错得最少的。低音量与短听写两项它并列最低。三个公开数据集里,LibriSpeech 并列最低,FLEURS 与 Common Voice 有竞争力但没领先。官方自己写了原因,这三个集子大多是朗读语音,和日常听写不是同一个分布。
产品层面有两处限制要提前认。一是 Notetaker 只有 Mac 和 Windows,手机上暂时用不了,只用手机记会的人这一块拿不到。二是免费版按周限字数,桌面 2000 字、iPhone 1000 字,Android 不限,写长文的人很容易碰到这条线。付费档分 Pro、Growth、Enterprise 三层,Pro 给无限听写与无限 Notetaker 历史,Growth 才加单点登录与 HIPAA 承诺,Enterprise 加用户自动开通、审计日志与设备管理。要合规的团队别停在 Pro。
值不值得用,取决于你把语音当什么。当成省力气的输入法,免费版的字数够日常回消息。当成主要写作方式,要看的是改稿率而不是准确率,因为每改一次都在教你不信任它。Canto 2 官方说即将发布,评判标准写得很清楚,还是看人要不要改。
核心功能
- 落在光标上的听写:不绑定某个应用,写邮件、写文档、在终端敲命令、给模型写提示词都是同一个动作,说出来的文字直接落到当前光标位置。
- 用真实修改记录训练:训练信号来自用户对稿子的实际改动,并先把真的识别错误与用户自己改主意分开,只从前者学习,避免把写作习惯当成听错。
- 两段训练:监督微调加强化学习:先学每个位置该出什么词,再用 GRPO 对整份转写打分,让能直接用的那类结果更可能出现。
- 按真实场景建的挑战集:评估集专门收罗旁座说话、音乐、车流、风声、低音量、耳语、远场与极短听写,这些条件在朗读数据集里基本不会出现。
- 词典与上下文克制使用:遇到与词典里某个名字发音接近的词,会在词典与音频证据之间做权衡,不会为了让名字命中而改动明显听得清的内容。
- 会议记录与听写分开计价:Notetaker 在设备本地收音,不以便于识别的机器人身份入会,目前只支持 Mac 与 Windows,移动端在路线图上。
适合谁用
以下类型的用户会特别受益于 Wispr Flow:
- 在咖啡馆、开放办公室这类有旁人说话的地方写邮件与文档
- 给 ChatGPT、Claude、Cursor 这类工具口述提示词,省掉反复打字改词
- 手部不便或有重复性劳损的人用它替代键盘完成日常输入
- 英文写作团队统一术语,用共享词典保证产品名与人名拼写一致
- Mac 与 Windows 用户做会议记录,会后直接调取历史稿
优点亮点
- 把听写与转写当成两件事来做,训练目标对准可不可以直接发,而不是逐字复现录音
- 用真实修改记录做训练信号,并且先分清听错与改主意,这套办法比堆标注数据更贴实际使用
- 在旁座说话、低音量、远场这些最容易出错的条件下专门建了一套评估集,评估方式比只报公开数据集可信
- Voice Arena 独立基准第一,79.4% 的稿子免改,要改时平均只动 0.4% 的字符,错也错得很小
- 100 多种语言与四个平台覆盖,中文简体默认输出,繁体与粤语可单独切换
价格与方案
分 Free、Pro、Growth、Enterprise 四档。Free 覆盖 Mac、Windows、iPhone 与 Android,含 100 多种语言、词典与片段、受限的 Notetaker。Pro 给无限听写、无限 Notetaker 历史、共享词典与片段、团队工作区、集中计费与用量分析,分月缴与年缴,年缴比月缴低约两成,价格按访问地区显示当地货币。Growth 加单点登录、HIPAA 承诺、多域名与管理员对模型训练的统一开关。Enterprise 报价制,加用户自动开通、审计日志、设备管理与域名捕获。
总结与建议
Wispr Flow 把听写当成一个独立问题,最大的动作是自训 Canto 1,并用用户真实的改稿行为当训练信号,还先分清了听错与改主意这两种改动。评估也没只挑好听的说,随机样本里词错率最低,最难的挑战集里排第二,它自己在官方说明里标了第一是前沿模型、不适合实时场景。产品层面要认两条边界:会议记录只有 Mac 与 Windows,免费版按周限字数。要不要换过来,看的不是准确率,是改稿率。
版本演进
- Voice Arena 听写基准第一 (2026-11-15):独立基准 Voice Arena Dictation Bench 将 Wispr Flow 排在首位,79.4% 的稿子无需修改即可发出,需修改时平均改动 0.40% 的字符,次优为 0.93%;出错时没有任何一份需要改动超过 19 个字符。官方同时说明下一版 Canto 2 即将发布,评判标准仍是用户是否需要改稿。
- Canto 1 与自训路线 (2026-09-17):Wispr Advanced Interfaces Lab 发布首个自训语音模型 Canto 1,由前 Alexa 创始科学家 Ariya Rastrow 任首席科学官主导。起步于数百万小时语音与文本预训练,经监督微调与 GRPO 强化学习两阶段,训练信号取自用户实际改稿并区分识别错误与自行改写。在 10 小时、2300 多名说话人的真实听写评估集上词错率最低,在含旁座说话、车流、耳语与极短听写的挑战集上位列第二,实时转录类中最低。