文字 != 语气
“I didn't say she stole the money.” 试着大声读几遍这句话,每次把重音落在不同的词上。语言学家和英语老师特别喜欢拿这个当例子,因为一共就七个词,重音放在哪儿,意思就完全变样:
本例仅适用于英文,故保留英文。
现在把这句话打出来。七遍全是一模一样的一串字,除非我特意加斜体(我平时懒得加,估计你也是),否则你只能瞎猜我到底想表达哪个意思。而这恰恰是我们目前和几乎所有 AI 助手交流的方式:隔着一个小小的输入框,文字留下了,其余的一切全被扔掉了。
那么……到底丢掉了什么?
重音是一方面,语气的影响更大。有个关于哲学家 J. L. Austin 的著名段子:他在做讲座时提到,在英语里双重否定可以表示肯定,但没有任何一种语言能用双重肯定来表示否定。坐在台下的 Sidney Morgenbesser 随口就来了一句:“Yeah, yeah.”(“是啊,可不是嘛”)。写在纸上,这是两个人表示赞同;当面说出来,他用两个词就把整个论点怼得粉碎。
而且我们比自己想象的更难察觉这种差异。在2005 年的一项研究中,阅读电子邮件里讽刺或严肃句子的受试者,判断对错的概率基本跟瞎蒙差不多;而听到同样句子的受试者,正确率接近四分之三。读文字就像抛硬币,发邮件的人却浑然不觉:该论文的另一项实验显示,发件人原本以为对方能有 89% 的概率读懂自己的语气,结果实际只有 63%。
互联网确实催生了一些补救手段:比如 /s、句末加个 “lol” 显得不那么刻薄、全大写表示咆哮。大模型读过了整个互联网,自然懂这些套路。问题在于,只有当你预感自己会被误解时才会特意加上它们,而刚才那项研究表明,我们根本不擅长预判什么时候会被误解。没人会打出 “ok fine /tired”。
还有打断机制。和真人说话时,你会发出“嗯嗯”让对方继续,或者在对方刚开始跑偏的瞬间来一句“等等,不是那个”。但在打字聊天中,你得敲完整条消息,傻等对方吐出一整段回复,等它写完了才发现它完全理解错了。要是你见过 AI 信心满满地就错误方向洋洋洒洒写出 600 字,肯定能体会这种抓狂。
要是换成其他语言呢?
英语主要用音调来表达情绪态度,这正是为什么落成文字后会丢失这么多信息。其他语言划定这条界线的方式各不相同,坦白讲,这挺有意思的。
在普通话里,声调本身就是词的一部分。mā 平着念是“妈”,母亲;má 向上扬是“麻”,麻绳;mǎ 转个弯是“马”,骏马;mà 往下掉是“骂”,责骂。同样的音节,四个完全不同的字,唯一的区别就在于声调的起伏。但文字能把它保留下来,因为每个字都有专属的写法。语言学家赵元任把这发挥到了极致,写出了一篇奇文《施氏食狮史》,整篇全由发音类似 shi 的音节组成。开头是“石室诗士施氏,嗜狮,誓食十狮” (Shíshì shīshì Shī Shì, shì shī, shì shí shí shī):一位姓施的诗人,住在石室里,喜欢狮子,发誓要吃十只狮子。看汉字清清楚楚;念出来整段全是 shi shi shi shi,谁也听不懂。
阿拉伯语则走向了另一个极端。短元音通常根本不写出来,所以 كتب 就只是辅音 k-t-b。把元音符号标回去后,它可能是 كَتَبَ (kataba,他写了)、كُتِبَ (kutiba,被写下) 或 كُتُب (kutub,书本),熟练的读者甚至不用过脑子,直接凭上下文就能把正确的读法脑补出来。
口语承载信息的密度也各不相同。2019 年发表在《Science Advances》上的一项研究对比了 17 种语言,发现语速快的语言(如西班牙语和日语)每个音节包含的信息量较少,而语速较慢的语言(如越南语)每个音节包含的信息量较多,最终大家传递信息的速度基本都稳定在每秒 39 比特左右。
所以每种书写系统都在做权衡:哪些信息保留下来,哪些留给读者自己去猜。中文把声调焊死在字形里;阿拉伯语省略元音,把理解交给语境;而英语保留了每个字母,却把重音和语气丢得一干二净,全靠你自行体会。
打字其实真挺慢的
我能找到的最大规模打字研究分析了 1.36 亿次击键,平均打字速度只有每分钟 52 个词,折合每秒大约 1 个 token,而且这还是来自那些主动参与打字测试的人。而说话语速大约是每分钟 150 个词,合每秒 3 个 token 多一点。屏幕那头的模型敲字速度则是每秒 50 到 200 个 token。也就是说,整个交互闭环里最慢的瓶颈其实是你的手指。
每秒约 1 个 token
每秒约 3 个 token
按 100 演示
打字快的人倒无所谓。但大多数人打字并不快,甚至很多人根本无法舒服地打字:小孩、老人、有运动障碍的人,或者任何更习惯说话而不是拼写的人。每个人都是在学会写字的好几年前就已经学会了说话。如果我们真想让 AI 走出键盘重度用户的圈子、惠及更多人,语音显然是最直观的入口。
那直接用语音不就行了?
让人郁闷的是,很多语音模式依然会把语气丢掉。它们先把你的话转成文本,把文本发给模型,再把模型的文字回复念出来。重音在第一步就灰飞烟灭了,你不过是绕了个大弯回到了那个窄小的文本框里。
直接处理原生音频的模型表现应该更好吧?2025 年一篇名为 StressTest 的论文专门用类似开头的句子测试了这一点,结果大多数语音模型在辨别说话者本意时,表现几乎跟瞎猜没两样。gpt-4o-audio 的正确率是 59%,表现最好的 Gemini 2.5 Pro 达到了 78%,而真人则是 93%。所以就算模型能真真切切听到你的声音,它也经常听不出你的重音到底落在了哪个词上。
所以这有什么大不了的?
曾几何时,这根本不是什么大事。聊天机器人理解错了,你拿到了一个蹩脚的回答,翻个白眼重新问一遍就是了。
但现在不一样了。AI 助手可以直接改代码、提 PR、发邮件,甚至脱离人工干预独立运行好几个小时。我自己就做过一些这类的东西,比如 flocc 就能自己领个 issue 独立搞定,完全不需要我介入。当这种系统误解了你的意图,后果不再是生成一段写得稀烂的段落,而是某个文件被改了,或者某封邮件已经被发出去了。
假设一个智能体问你是否要推进一次大规模重构,你敲下 “ok fine”。如果你想表达的是*“行,搞吧”*,那挺好;但如果你想表达的是“我累了,不想跟你争了”,你心里其实大概率是希望它停下来,而单从这两个词里,它根本读不出半点弦外之音。
我并不是说文字输入就该被淘汰。文字可以在发送前反复修改,可以深思熟虑,还能在图书馆这类安静场合使用。有时候你甚至根本不希望机器探查你的真实情绪,这完全合情合理。
但如果我们打算放手让这些东西替我们去行动,它们需要的就绝不仅仅是字面意思。它们需要听出你到底是怎样说出那个“好”字的,而不是仅仅听到你说了这个字;它们需要允许你随时打断;而当它们真的拿不准七种意思里你指的是哪一个时,它们应该像正常人一样停下来,主动问一句。