阿里 CosyVoice 输入法，是阿里云达摩院通义实验室自研的一款“说话就能写稿”的 AI 语音输入工具。它于 2026 年 6 月底正式发布，目前已在 macOS、iOS 和安卓平台上线，Windows 版本稍后推出。

它和你印象里“按一下、说一句、等它蹦字”的语音输入不太一样。核心逻辑是把口语直接变成能用的书面内容，宣称可实现“零键盘高效输入”。

说得随意，写得漂亮

你只管按着说话，剩下的交给它。官方口号就是“说的随意，写的漂亮”。

口述时那些“嗯”“啊”“那个”之类的口水词，系统会自动过滤掉，输出干净利落的文本。比如你口述“嗯…那个…下周的项目进度汇报，啊，请大家提前做好数据准备，嗯，务必不要遗漏”，它会直接输出“下周的项目进度汇报，请大家提前做好数据准备，务必不要遗漏”。

更实用的是结构化整理。如果你口述的内容里包含分点、步骤、数据对比，它会自动整理成编号列表、表格或大纲，不用再手动排版。

不止是转写，还能直接成稿

这是它区别于传统语音输入的地方。你可以直接对它说需求。依托深度意图理解技术，用户只需口述核心需求，系统即可自动生成包含称谓、正文、问候语与落款的完整成品。

比如你说“给客户写一封项目延期说明邮件”或“拟一份下周三下午的团队会议邀请”，它会直接生成格式规范的成品。

说错了，改口就行

口述过程中，你可以通过自然语言发出“不对”“改成”“删掉刚才那句”等修正指令。系统会即时响应并完成内容调整，全程不留修改痕迹，保持文稿连贯性。

方言也能说

支持上海话、粤语、四川话等多种方言识别，口述的方言会自动转写成标准普通话文本。对习惯说方言的用户来说，不用刻意切回普通话。

专业场景也能应付

针对金融、科研、媒体等专业领域，CosyVoice 能准确识别并标准化处理口述中的数字、百分比、运算表达式等信息，自动转换为符合行业规范的数值格式与数学符号。

适合谁用

写邮件、记会议、回消息这类需要“成段文字输出”的场景，它效率很高。热词定制功能可以手动录入专有名词、行业术语、自创品牌名，解决小众词汇识别不准的问题。

但它也有明显的短板

评测机构实测后发现，这款产品的优点和缺点同样突出。

第一，短句场景反而更慢。 回复一个“谢谢”，语音输入你得先说一句谢谢，然后再等它转写，效率反而不如直接打字。

第二，高度依赖网络。 在高铁、地铁、信号波动区域，容易出现转写卡顿或失败。有评测者反映，说了一通后并没有转写成功，需要重新录入。

第三，键盘功能极简。 整个界面被一个硕大的语音按钮覆盖，键盘被藏在左上角作为辅助。而且目前只支持 26 键单一模式，不具备 9 键、模糊音、联想词等传统输入法功能。

第四，润色风格偏“正式”。 它会自动将口语梳理为分点式、条目化的书面文本，在日常社交、非正式沟通场景中，这种格式化表达缺少一点“人感”。

一句话总结：它把语音输入从“转文字”推进到了“出成稿”，但代价是牺牲了传统输入法的灵活性和短句效率。 它更像一个“语音写作工具”，而不是传统意义上的输入法。