Junge Menschen in der Zukunft müssen wahrscheinlich wirklich nicht mehr tippen lernen.

In diesen Tagen sind vermutlich alle von der neuen Funktion genervt, die WeChat im Grautest ausrollt.

Zuerst im Spracheingabemodus wurde der Rand der Schaltfläche „Halten Sie gedrückt, um zu sprechen“ plötzlich dick und schwarz, als fürchte man, dass man ihn nicht sehen könnte.

Dann im Texteingabemodus erinnert Sie das Eingabefeld sogar daran: Sie können gedrückt halten, um Sprache in Text umzuwandeln.

Was bedeutet das denn?

Früher musste man erst in den Sprachmodus wechseln, um die Funktion „Halten Sie gedrückt, um zu sprechen“ zu nutzen. Wenn man den Finger losließ, wurde die Original-Sprachnachricht gesendet, und der Empfänger hörte Ihre charmante Blasenstimme – es sei denn, Sie haben aktiv die Umwandlung in Text ausgewählt.

Aber jetzt brauchen Sie nur das Eingabefeld gedrückt zu halten und zu sprechen, die Stimme wird direkt in Text umgewandelt und beim Loslassen sofort gesendet.

Auf den ersten Blick scheint das sehr praktisch zu sein, man kann nach dem Sprechen direkt die Nachricht abschicken. Aber die erste Reaktion vieler Nutzer war Kritik: Das führt viel zu leicht zu versehentlichen Auslösern und peinlichen Situationen.

Aber heute kritisiert der „X.PIN“-Redakteur nicht genau diese Funktion.

Ist Ihnen aufgefallen, dass diese App mittlerweile viel zu viele Stellen für die Spracheingabe hat?

Vor einiger Zeit hat WeChat direkt neben dem Eingabefeld einen Mikrofonknopf hinzugefügt, mit dem man mit einem Klick Sprache in Text umwandeln kann. Zusammen mit der neuen Funktion, das Eingabefeld gedrückt zu halten, der alten „Halten Sie gedrückt, um zu sprechen“-Funktion im Sprachmodus, der Sprachtaste der Tastatur und der systemeigenen Diktierfunktion gibt es jetzt insgesamt 5 Zugänge für die Spracheingabe.

Wenn Sie jetzt WeChat öffnen, warten im unteren Bereich des Bildschirms 5 verschiedene Eingänge darauf, dass Sie sprechen.

Na also, wollen die denn unbedingt meine tiefe Bassstimme hören?

Wäre dieses Phänomen nur bei der Handy-Version von WeChat vorhanden, wäre es noch okay. Aber mittlerweile verhält sich fast jede App so, von der Mobilversion bis zur Desktop-Version.

Zum Beispiel hat die Desktop-Version von WeChat für Mac auch den gleichen Hinweis, dass man die Fn-Taste gedrückt halten kann, um Spracheingabe zu nutzen und Sprache in Text umzuwandeln.

Auch im Eingabefeld der Desktop-Version von Feishu steht der Hinweis „Halten Sie Fn gedrückt, um zu sprechen“, um Sprache in Text umzuwandeln.

Leute, wisst ihr überhaupt nicht, wie wichtig die Fn-Taste auf Mac-Geräten ist? Die häufig genutzten Tasten zum Wechseln der Tastatur und der Funktionsebene werden alle von eurer Sprachfunktion belegt?

Keine Sorge, das ist noch nicht alles.

In Feishu-Dokumenten, wenn Sie eine beliebige Zelle in einer Tabelle öffnen, finden Sie auch oben rechts eine Schaltfläche für die Umwandlung von Sprache in Text.

Zusammengefasst: Wenn Sie jetzt eine beliebige App eines großen Technologieunternehmens öffnen, sehen Sie eine Menge Mikrofone, die Ihnen zuwinken: „Komm schon, klick mich an!“

Im Ernst: Niemand hat etwas gegen eine zusätzliche Spracheingabefunktion, eine weitere Auswahlmöglichkeit ist immer gut.

Aber die aktuelle Situation geht weit über eine einfache zusätzliche Option hinaus: Einige Apps erinnern Sie mit deutlichen Texten an die Funktion, andere platzieren den Zugang an der auffälligsten Stelle, wieder andere machen die Schaltfläche extra sehr groß.

Die großen Tech-Unternehmen scheinen sich abgesprochen zu haben, die Priorität der Spracheingabe auf das Maximum zu setzen, aus Angst, dass wir nicht in ihren Apps sprechen.

Wenn Sie das lesen, fragen Sie sich bestimmt, warum das so ist – was ist das Besondere an der Spracheingabe?

Anfangs dachte der X.PIN-Redakteur es sei ganz einfach: Sie ist praktisch und kostengünstig.

Ihre Eingabeeffizienz übertrifft die der Pinyin-Eingabe bei weitem, und die Kosten sind nicht hoch. Laut der Preisliste der Volcano Engine kostet die fließende Spracherkennung von Doubao weniger als 1 Yuan pro Stunde. Selbst wenn ein intensiver Nutzer täglich 10 Minuten lang Spracheingabe nutzt, kostet das im Jahr nur 60 Yuan. Das ist noch der Einzelhandelspreis, für große Unternehmen mit eigenen Modellen ist es noch viel günstiger.

Aber die Frage ist: Die Spracheingabe ist überhaupt keine neue Erfindung. Vor mehr als 10 Jahren konnte Siri schon Diktate verarbeiten, die Sprachsuche von Amap gibt es auch schon seit vielen Jahren. Warum wird die Priorität der Spracheingabe erst jetzt so hoch gesetzt?

Später hat der X.PIN-Redakteur nachgedacht: Der Schlüssel liegt wahrscheinlich bei der Tastatur.

Ich habe früher schon geschrieben, dass die großen Tech-Unternehmen um die Tastaturen konkurrieren. Die Tastatur ist wie ein Sicherheitswächter vor der Tür aller Apps: Sie erfährt alle Ihre Anforderungen zuerst, erst danach die App selbst.

Zum Beispiel, wenn Sie in der Doubao-App eine Frage stellen und noch nicht auf Senden geklickt haben, hat die WeChat-Tastatur Ihnen die Antwort möglicherweise schon angezeigt.

Genauso: Wenn Sie in WeChat Nachrichten schreiben und die Doubao-Tastatur nutzen, wird WeChat das definitiv nicht gerne sehen.

Vor vielen Jahren hat die Sogou-Tastatur schon einmal Baidu Nutzer weggenommen.

Der Nutzer war schon auf der Baidu-Seite, aber die angezeigten Kandidatenwörter beim Tippen haben ihn direkt zur Sogou-Suche weitergeleitet.

Deshalb denken die Apps bestimmt: Gibt es einen Weg, mit dem Nutzer direkt zu interagieren und den Sicherheitswächter „Tastatur“ zu umgehen?

Sprache-zu-Text-Umwandlung.

Tatsächlich gibt es diese Technologie schon seit vielen Jahren, aber damals war sie teuer und die Genauigkeit war niedrig. Aber mit der Entwicklung der großen Sprachmodelle in den letzten zwei Jahren sind ihre Genauigkeit und Antwortgeschwindigkeit fast perfekt geworden.

Man kann sagen, dass die KI-gestützte Sprache-zu-Text-Umwandlung den Apps zum ersten Mal die Möglichkeit gibt, die Sache selbst zu erledigen, ohne von der Tastatur unterbrochen zu werden.

Aber das ist nur die Verteidigungsseite. Wenn wir weiter blicken: Die großen Unternehmen greifen auch an und besetzen im Voraus den Eingang der nächsten Generation der Interaktion.

Heute halten Sie die Taste gedrückt, die App wandelt Ihre Wörter in Text um; morgen halten Sie die Taste gedrückt – wird die App dann nicht direkt das Flugticket für Sie buchen?

Einige KI-native Apps können das schon heute. Aber Apps wie WeChat und Feishu wollen auch in diese Richtung gehen, also trainieren sie zuerst die Nutzer, zu sprechen, und bringen sie dann dazu, direkt mit dem Agenten zu sprechen, um ihre Anforderungen zu erfüllen.

Die App der nächsten Generation funktioniert bestimmt so: Sie sprechen einfach – die KI erledigt die Arbeit direkt.

Aber dieser Prozess muss schrittweise verlaufen. Deshalb versuchen die großen Tech-Unternehmen jetzt, die Gewohnheit der Nutzer zu fördern, in ihren eigenen Apps zu sprechen, und integrieren dann nach und nach Funktionen wie KI-Zusammenfassungen und Suchfunktionen in Sprachbefehle. Das ist der Grund, warum alle die Spracherkennung stark fördern.

Aber das ist noch nicht das Ende.

Dieses Phänomen wird sich später auf fast alle Apps auf dem Markt ausbreiten.

Denn in der Zeit des Wachstums konkurrieren alle darum, wer schneller ist, aber in der Zeit des Bestands konkurrieren alle darum, wer härter kämpft. Wenn der Kuchen nicht mehr größer wird, müssen alle sich um die Stücke in den Tellern der anderen streiten.