superwhisper 完整教學：用說話取代打字，把口述變成可以直接送出的文字

我認識一位在竹科做專案管理的朋友，去年開始右手發麻，醫生說是典型的重複性勞損，建議她減少打字。問題是她的工作內容幾乎就是打字——一天三十幾封信、五六份會議紀錄、還有無數則 Slack 訊息。

她試過改用左手滑鼠、換人體工學鍵盤、貼酸痛貼布。真正有效的是換掉輸入方式：改用語音。

三個月後她跟我說，回信速度不但沒變慢，長文的產出速度還快了大概三成。「因為我以前寫信會一直改，現在講完就送出去了，反正意思到了。」

這篇要講的就是她用的那個工具，以及它的真正門檻在哪裡。

superwhisper 是什麼

superwhisper 是一款把語音轉成「可以直接使用的文字」的應用程式。這個定義的重點在後半句——它不只做語音辨識，還會把口述的內容整理成適合當下情境的格式。

支援平台包含 macOS（Intel 與 Apple Silicon 都有）、Windows 與 iOS。它的運作方式是常駐在系統裡，你按下快捷鍵開始說話、放開就完成，文字直接進到當前的輸入框——不管你在 Gmail、Slack、Notion 還是 Cursor 裡都一樣。

模型的選擇是它比較有意思的設計。雲端模型官網列出 GPT-5、Claude Haiku 4.5、Llama 4、Grok 4.1、Gemini 3.0 Flash 與 Ministral，你也可以自帶 API key；本地模型則提供 Whisper Large，完全離線運作。這個選項在後面會講到為什麼重要。

價格分四層：Free（含 3,000 字的 Pro 試用額度）、Pro 每月 8.49 美元（年繳約有兩個月的折扣）、Lifetime 買斷、以及具備 SOC 2 Type II 認證的 Enterprise 方案。

它能做什麼

實務上我會把它的能力分成四塊。

即時語音輸入是最核心的。按住快捷鍵講話，放開後文字就出現在游標處。這件事聽起來平淡，但關鍵在延遲——如果每次都要等三秒，你就不會用；快到幾乎無感，習慣才建立得起來。

模式（Modes） 是它跟系統內建聽寫最大的差別。內建的聽寫是逐字轉錄，你講的「呃、那個、我是說」全部照實打出來。superwhisper 提供預設模式如 Voice、Message、Email，會依情境整理：Email 模式會加上適當的稱謂與段落、Message 模式會保持口語但去掉贅詞。

自訂詞彙解決專有名詞的問題。人名、公司名、產品代號、技術術語，這些模型猜不到，但你可以先建進詞彙庫。這一步是中文使用者最該做的設定，後面會細講。

會議錄音與轉錄則是另一條線：錄下整場會議、自動產生筆記，也能直接匯入音訊或影片檔轉錄。另外還有 Push to talk 的控制方式與所謂 Super Mode（會依螢幕內容調整輸出）。

怎麼用：從安裝到第一次順手

第一步：安裝與權限

下載後第一次啟動，系統會要求兩個權限：麥克風存取與輔助使用（Accessibility）。第二個是必要的——它需要這個權限才能把文字寫進其他應用程式的輸入框。這也代表你必須信任這個軟體，這點我等一下會在注意事項講。

第二步：選模型，而且先選本地的

新手最常犯的錯是直接用雲端模型，因為快又漂亮。但我建議第一週先用本地的 Whisper Large，理由有兩個：一是你會知道「不連網也能用」的底線在哪，二是你在習慣還沒建立時講的內容通常很雜，先不要送到別人的伺服器上。

本地模型的代價是佔記憶體、首次載入慢。如果你的電腦是 16GB 記憶體以下的機型，跑起來會有點吃力，這時候雲端模型是合理的選擇——但請先讀完下面的隱私那段。

第三步：設一個順手的快捷鍵

這件事看起來瑣碎，實際上決定你會不會持續使用。原則是：單手可按、不會跟常用快捷鍵衝突。我自己用的是右邊 Option 鍵長按，因為右手本來就在滑鼠上，左手空著。避免用需要兩隻手的組合，那會讓你在打字打到一半時懶得切換。

第四步：把自訂詞彙建起來

這是中文使用者最關鍵的一步。台灣的工作口語充滿中英夾雜——「這個 sprint 的 deliverable 要在 review 前上 staging」——模型很容易把英文詞誤轉成不相干的中文。

實際做法是先列出三類詞：同事與客戶的姓名、公司內部的產品或專案代號、你領域的技術術語。一次建三十個就夠，之後遇到錯的再補。這個投資的回報極高，因為出錯的詞往往是重複出現的那幾個。

第五步：用真實工作跑一週

不要用「測試句」評估它。找一件你每天都在做的事——例如回覆客戶信件——連續一週都用語音完成，然後看兩個數字：一封信平均花多久、事後要修幾個字。這比看任何評測都準。

進階技巧

分場合切換模式。 我的習慣是三個模式對應三種情境：Email 模式回信、Message 模式回 Slack、Voice 模式寫自己看的筆記。筆記那個模式我刻意調成少加工，因為草稿階段的想法不需要被整理得太漂亮，那反而會磨掉思考的痕跡。

把口述當第一稿，不要當定稿。 講出來的文字結構通常比較鬆散、重複比較多。正確的用法是快速講出完整內容，然後花兩分鐘編輯——這個「講 80%、修 20%」的比例，比從零開始打字快很多。

在移動中使用。 這是我覺得最被低估的用法。通勤、走路、等咖啡的時候把當天的工作紀錄或郵件草稿口述出來，回到座位只做編輯。你會發現這些零碎時間本來完全是浪費掉的。

跟自動化工具接起來。 口述完的文字如果需要固定的後處理（例如轉成任務、寄給特定對象），可以用 n8n 或 Make 這類工具接上去。詳細的自動化組合可以參考站上的 /prompts 範本庫，把口述的內容當成 AI 流程的輸入。

注意事項

隱私是最需要想清楚的一件事。 語音輸入的本質是：你講的所有話都會經過這個軟體。用雲端模型時，內容會離開你的電腦；而且它擁有輔助使用權限，技術上能看到你在打什麼。如果你的工作涉及客戶個資、未公開財務數字、病歷或法律案件，請一律使用本地模型，並確認公司的資訊安全政策允許安裝這類軟體。

中文的實際表現要自己測。 官網宣稱支援 100 種以上語言與方言，但沒有特別列出繁體中文的支援細節。這代表你不能假設它對台灣用語（「機車」、「便當」、「上班打卡」）跟英文一樣準。實測是唯一的辦法。

不要期待它幫你思考。 這是我看過最常見的誤解。語音輸入加速的是「把已經想好的東西變成文字」這一段；如果你根本還沒想清楚要寫什麼，講出來的只會是一團混亂的話。需要結構的文件，先列大綱再口述。

手部症狀不會自己好。 如果你是因為滑鼠手或肩頸問題才來的，語音輸入只是減少單一動作的重複，姿勢、休息與就醫該做的還是要做。工具不是治療。

TheAI學院 評語

語音輸入這個題目我觀察了幾年，技術早就不是瓶頸——辨識率在中英文都已經到「大致可用」的程度。真正的瓶頸是社會的：在開放式辦公室對著電腦講話，需要一點厚臉皮。

評語：superwhisper 賣的不是語音辨識，是「口述後的整理」——這一段才值錢。它適合每天要產出大量文字、且已經想清楚要寫什麼的人；如果你的困難是不知道怎麼寫，先解決那個問題再談工具。

給台灣讀者的具體建議是三個步驟。第一，先用免費方案的 3,000 字額度，拿你最常寫的那種文件測一次，重點看中英夾雜的錯誤率。第二，如果決定用，第一週務必把自訂詞彙建到三十個以上，這是中文表現的關鍵開關，多數人跳過這步就放棄了。第三，把使用場景設定在「移動中」與「長文第一稿」，別強迫自己在座位上取代所有打字——那個習慣改不過來，工具也就閒置了。

想比較其他輸入與筆記方案的話，站上的工具庫可以從 /tools 逛起；會議情境的轉錄工具則是另一個類別，值得單獨評估。

資料來源

• superwhisper 官方網站（功能、平台、模型與定價，2026-09-10 查證）

以上功能與價格依官方網站公開資訊整理，實際內容以官網為準。