中文是全世界母語人口最多的語言，可是在 Mac 上用語音輸入中文，失敗的機會反而常常比英文還高。原因不是中文特別難「聽」，而是那種一個音一個音轉成文字的做法——多數工具從英文語音辨識繼承下來的模型——一碰到中文就撞上兩件事：數量有限的音節卻承載了極其龐大的字義，以及一套字與字之間沒有空格、看不出詞在哪裡斷開的書寫系統。從說出來的國語，到你真的會送出去的文字，中間有一步是多數工具略過的：在決定任何一個字之前，先聽懂整句話。中文語音輸入好不好用，關鍵就在這裡。
同音字：為什麼一個字一個字轉會失敗
國語的音節只有幾百種，而且反覆重用到極致。光是一個 shì 的音，就對應「是」「事」「市」「室」「視」還有更多；一個 yì 涵蓋「意」「義」「議」「益」「億」和一長串。聲調能縮小範圍，卻永遠關不掉——很多字連音帶調都一樣。英文也有同音詞（their／there／they're），但那是例外；在中文裡，同音是這個語言的常態。
這代表你沒辦法只憑一個音節的聲音，去挑出正確的字。你需要它前後的詞。「會議」和「會意」都從同一個 huìyì 出發，只有整句話能分辨。一個一個音節去轉、在還沒聽完整個子句就先鎖定某個字的工具，只能用猜的——而中文裡選錯字，不是那種你一眼就掃過去的錯字，它是另一個詞。真正堪用的中文語音輸入，必須先含住整句、從「意思」而不是「聲音」去挑字。
輸入法的稅：語音輸入在中文其實更有價值，不是更沒必要
在英文鍵盤上，鍵就是字母，你按下去字就出來了。打中文從來沒這麼直接。你把音（注音或拼音）打進輸入法，然後——因為每個音都是一堆同音字——你得停下來，從候選清單裡挑對的字。每隔幾個字，你的視線就得離開正在寫的東西去選字。這是一筆很小、卻整天不停在繳的稅。
這個顛倒，正是機會所在。在英文裡，語音輸入要跟飛快的盲打競爭，短句常常打不贏。在中文裡，它競爭的對象是「打音、再挑候選字」這個迴圈——所以只要用說的把整句講出來、字又已經定好，就省掉了一個拉丁鍵盤上根本不存在的步驟。語音輸入在中文裡不是可有可無的便利，它跳過的正是讓打中文變慢的那道摩擦。但這一切成立的前提，是字第一次就要回得對。會把同音字挑錯的語音輸入，只是把挑候選字的功夫從「寫之前」搬到「寫之後」——你不過是把打字換成了校對。
繁簡不是換個字型的事
台北的說話者和上海的說話者，可以講出同一句話，但他們預期看到的文字是不一樣的——不是樣式不同，是字本身就不同。「軟體」對「软件」、「資訊」對「信息」：這是不同的正字法、有時甚至是不同的詞彙，不是一套字顯示成兩種樣子。一個把簡體字丟給繁體使用者的工具，等於遞給對方一段他根本不會這樣寫的文字，換什麼字型都補不回來（我們在繁體中文語音打字的簡體輸出問題裡把這件事拆得更細）。
要把這件事做對，是一個對每位使用者分別做出的建模選擇，不是最後打個勾就好。它代表把聲音解析成寫作者實際使用的那套字——細到台灣、香港、中國大陸用詞層級的差別——而不是先轉成某一種預設、再指望一個天真的逐字轉換去善後。對一個寫繁體中文的人來說，這個保證就是「可以直接送出」和「還得重寫一遍」之間的差別。
中英混講才是職場的常態
聽一場真正的產品會議——台北、新加坡或香港——幾乎沒有人講純中文。英文詞理所當然地嵌在中文句子裡：「這個 sprint 我們先把 deck 做完」。這不是講話隨便，這就是華語科技與商務圈的工作語言。一個鎖定單一語言的工具，另一種語言就會被絞爛：判定成「中文」，嵌進去的英文會變成亂七八糟的近似同音；判定成「英文」，中文就整段塌掉。寫作者要的是一句乾淨的話——中文寫成中文，英文詞保留成它原本的英文——從一段中途換了語言的語音裡，重新組裝出來（中英混講的語音輸入這一題，我們另外寫了一篇專門談）。
為什麼「支援中文」還不夠
一個工具可以在功能列表寫上中文，可以在安靜房間裡把一句慢慢講、講清楚的話轉得漂漂亮亮，卻仍然在這些地方崩掉：需要句子脈絡才能定的同音字、台灣或香港使用者預期的繁體輸出、以及每隔一行就混進來的英文。功能列表不會告訴你它是哪一種。一次真正的實測會：用你平常真的會用的方式講——你慣有的中英混講、你慣有的語速——然後讀讀看回來的是什麼。它讀起來像是你會直接送出去的東西，還是像你得重寫一遍的東西？這個問題，而不是「支援幾種語言」，才是判斷中文語音輸入到底幫你省下輸入法的稅、還是只是把它搬個位置的關鍵。想更系統地比較各種做法各自適合誰，可以接著讀這份語音打字完整指南。