TRAE SOLO 居然和 Insta360 合作了？还出了个 Voice Working 硬件

「说话」这件事，在 AI 工具里开始被认真对待了

👦🏻 作者: 镜山

🥷 编辑: Koji

🧑‍🎨 排版: NCon

最近 1 年，有一批 AI 工具开始悄悄出圈：Typless、WisprFlow、豆包输入法、还有一堆类似的 AI 语音输入法。它们的功能基本都是**「对着麦克风说话，AI 帮你把口语清洗成干净的文字，然后直接输入到光标所在的任何地方。」**

这个品类能起来，背后的逻辑并不难以理解：

从「脑子里有个想法」到「把它整理成一段清楚的文字再敲进输入框」这个过程，会让很多人每天在消耗大量精力。

随着 AI 语音输入法的各种「实验性」功能的出现，厂商和更多独立开发者们发现了更适配的场景：

Vibe Voice Coding。

正好上周，「十字路口」团队就十分「应景」地和 Apple 联名推出了一个新产品概念：iShout™。极简铝合金外壳，侧面一颗苹果 Logo，接上 Mac 即用，「彻底避免偷偷摸摸用语音输入这件事，更有 Courage」（开玩笑的 😅😅😅）

而就在昨天，TRAE 在 SOLO 桌面端 + 网页端上线了语音输入功能，基于以前在 TRAE（IDE + SOLO 模式）里的语音输入功能进行了大幅优化，同时和影石 Insta360 Mic Air，推出了一款联名套装。

这个组合让大家好奇：

影石 Insta360 Mic Air 在视频创作圈本来就有不错的口碑，专门拿来做 Voice Working 的硬件搭档，选品思路是怎样的？结合 TRAE SOLO，又能提升什么样的体验？

🚥

「十字路口」团队提前拿到了这套设备，用了将近一周。下面聊聊我们的观察和「开箱体验」。

「说话」这件事，在 AI 工具里开始被认真对待了

先来说说背景，OpenAI 去年推出 GPT Voice Mode 之后，语音和 AI 交互这件事，开始有了不一样的意味。

但最初的使用场景，还是比较「消费级」的，比如问问题、随手翻译、聊天。这一层上，语音输入和智能音箱没有本质区别。

接下来，就是语音输入在 AI Coding 工具里开始被当成一件正事来做。

AI Coding 工具这两年发展很快。从最初的代码补全，到 Copilot 一类的实时建议，再到 Cursor、TRAE、Claude Code、Codex 这种 Agent 模式，AI 能做的事情范围一直在扩大，能自主推进的任务也越来越复杂。但有一个环节，一直没有被认真优化过：

用户怎么把需求合理地「喂」给 AI。

从这个背景看这次的联名就比较合理了。TRAE 目前是国内 AI Coding 领域市占率排非常高的产品，SOLO 是它今年的主推方向：高度自动化，AI 主导整个开发流程，用户只需要描述目标。语音输入接进来，和这套逻辑方向是一致的。

另一方面，Mic Air 是一款给视频创作者用的无线麦克风，核心参数是 48kHz 高精度收音、一键 AI 降噪、低延迟传输。这三个特性，在视频录制场景里有价值，在 Voice Working 场景里同样关键。

一款面向创作者的专业收音设备，被选来做 AI Coding 工具的输入硬件，说明着语音正在变成「可以认真长期依赖的工作方式」。

我们的「开箱」全记录

先把设备连起来

Mic Air 是一套无线麦克风，盒子里有发射器、接收器，还有配套的充电线。

发射器的组合非常方便，整体都是磁吸式的，只需对准贴合就可以，很灵巧：

外观很轻巧，发射器可以夹在衣领上或直接放桌面，接收器是 USB-C 接口，插进电脑就能用。出厂已经配对好，不需要额外操作。

连接过程很简单。把接收器插进 MacBook 侧边的 USB-C 接口，系统会自动识别成音频输入设备。台式机的话，找主机背后的 USB-C 口插上，同样能识别。

插进去之后，去「系统设置 - 声音 - 输入与输出」，把输入设备切到 Mic Air ，音量调最大。增益建议保持在 2 档以内，就是接收器上亮 2 颗白色指示灯的状态，收音稳定，不容易爆音。

TRAE SOLO 有两个入口：macOS 桌面端可以去 trae.cn 下载；网页端访问 solo.trae.cn，不需要安装。两个端我都用了，平时更习惯本地端，打开快。

登录之后，在输入框底部找到麦克风图标，点一下就能开启语音输入。没有额外的授权弹窗，不需要进设置配置，点了就开始说。

从拆箱到第一次开口说话，我花了大概不到 5 分钟。之后，我们就可以佩戴上 Mic Air，进入到 TRAE SOLO 然后通过点击右下角的语音按键，进行 AI Vibe Vocie Coding 了：

智能结构化转录

首先，Vibe Voice Coding 最重要的能力之一往往被认为是：「结构化转录」。

用过语音转文字的人大概都有这个体验：识别率不是最大的问题，真正麻烦的是转出来的内容太「原始」，口头禅全留着，重复的词、停顿、语气助词一个没少，读起来费劲，直接用不了，还要手动再整理一遍，甚至还需要用 AI 工具或者内置的提示词优化模块再重新梳理，反而比打字更麻烦。

TRAE SOLO 的语音输入主打的是「口语清洗 + 结构化输出」。来看看看看实际效果。

TRAE SOLO 并不只是为了 Coding 的产品，它有 2 个模式：MTC （多场景办公任务）和 Code（全流程开发），可以通过左上角一键切换，每个模式都可以使用语音清理。

我用了一个对自己来说比较熟悉的场景：作为 AI 博主，想让 TRAE SOLO 帮我整理一份海外 AI 语音赛道的可视化研究报告。没有提前打草稿，按平时说话的节奏，直接对着 Mic Air 口述：

「帮我做一份研究报告，就是那种……海外 AI 语音赛道的，我想把主流玩家都盘一下。WisprFlow、Typless，还有 OpenAI Voice、ElevenLabs，嗯……对，主要就这几家。把他们过去一年的融资情况、用户规模，还有产品更新的时间线都扒一下。最后整理成一个可视化的网页，有图有表，这样比较直观，我要发到社群里给大家看。」

这段话里，有「就是那种……」「嗯」「对」这类口头禅，也有「这样比较直观」这种多余的后缀。

TRAE SOLO 接收之后，转录出来的版本是：

「帮我做一份海外AI语音赛道的研究报告，整理WhisperFlow、Typeface、OpenAI Voice、Even Labs等主流玩家过去一年的融资情况、用户规模、产品更新时间线，最后输出可视化网页，包含图表，用于社群分享。」

口头禅清干净了，「嗯」「就是那种」基本都删除了，所有「对 AI 模型不起作用的语病词」都清理了，而且整体的提示词更精简，转成了具体的动作「输出」。

而且，很多时候它还会自动做结构化处理，把一段连续的口述整理成了编号列表，每条需求单独成句，完全可以直接作为 Prompt 使用。

我们原本设计了一个 AI Journal 的博客网站，整体是 Forest Sage 配色、Funnel Sans 标题、Newsreader 正文、Geist 辅助信息，加了大面积 atmospheric landscape 风格的渐变氛围：

但是这个博客网站的详情页还是有很多硬伤，这时候就可以用 Mic Air 清晰表达优化方案：

转录结果：

TRAE SOLO Code 模式就会根据这一段结构化的内容，去修改的 AI Journal 博客网站展示：

最后的效果是这样的，最上方的进度条和右侧的卡片大纲以及一键复制功能基本都弄上了：

这种「说着说着补充」的表达方式，在真实工作中很常见，尤其是刚开完会、脑子里有一堆信息等着处理的时候。

TRAE SOLO 能把这种非线性的口述整理成顺序清楚的列表，是这个功能里我觉得最实用的部分之一。

这一轮顺带测了一下 Mic Air 的降噪效果。我刻意开着电脑风扇、旁边放着背景音乐，制造了一个比较嘈杂的环境。AI 降噪能力下，转录结果没有明显受到背景噪音干扰，识别率还不错。

这里有一个细节，我觉得体验很好：TRAE 能准确区分「这是需求内容」和「这是功能指令」。同样是口头说出来的话，前者进需求处理，后者触发功能操作。这个区分的准确率很高，误触发的情况很少出现。

整体来说，有一个感觉比较明显：工作流里的「断点」少了。

还有，Mic Air 低延迟的特性，在这个场景里感知比较直接。从开口说话到 TRAE 开始处理，几乎感觉不到间隔。这对说话节奏快、说完就想立刻看到响应的人来说，会直接影响使用意愿，一旦有明显延迟，语音输入的流畅感就打折扣了。

实时问答互动

这个功能目前还没有上线，预计 4 月底支持，所以我们没有实际测到，简单说一下方向。

前两个功能，一个解决「输入」，一个解决「操作」。实时问答互动要处理的，是「讨论」。

简单说，就是可以和 AI 进行语音形式的来回对话，实时转录、实时响应，参考 GPT Voice Mode 那种语音交流的体验，只是使用场景放在 AI 编程工作流里。

有一个比较典型的使用方向：技术选型讨论。

比如，我们可以设想这样的一个场景：遇到一个拿不准的实现方式，可以直接开口说「这里用 async 还是 queue 更合适」，AI 给口头解释，你说「那就用 queue 吧，帮我改」，整个决策过程不需要打任何字。

这大概是语音输入在 AI 编程工具里，能做到的一个比较完整的使用状态。这个功能的上线，值得期待。

聊聊这次联名背后的逻辑

所以，AI Vibe Voice Coding 这件事的意义，到底在哪里？

如果只说「AI 工具多了一个语音输入方式」，这件事不值得单独说。真正值得说的，是它碰到了一个之前很少被认真处理的层面。

AI 工具这两年的竞争，主要发生在两个地方。

【1】一个是模型能力：是否能处理更复杂的任务。

【2】另一个是产品交互：谁的 Agent 流程更顺、自动化程度更高、从需求到结果走的路更短。

但有一层，一直是缺位且被忽视的：**用户和 AI 之间，信息是怎么传递的。这一层，过去默认就是键盘和打字。**这个默认没有问题，但它的效率确实有上限。

当 AI 工具进入更重度的使用阶段，比如每天几十次、上百次的任务输入，打字的摩擦感开始变得明显。尤其在需求复杂、思路还没整理好的时候，把想法转化成精准的书面文字，本身就是一件有成本的事。

这一点，其实已经在 AI 圈最头部的一批人身上先发生了。前 OpenAI 创始成员 Andrej Karpathy 和 Vercel CEO Guillermo Rauch，都公开表示自己的主力输入方式已经不再是键盘，而是 AI 语音输入。

Karpathy 的原话是：

「It's not really coding — I just see stuff, say stuff, run stuff, and copy-paste stuff, and it mostly works.」

背后的「数字逻辑算数」并不复杂：人说话大约每分钟 140 词，打字大约 40 词。过去 AI 跟不上，转录不清楚，这个差距不重要；现在 AI 跟得上了，键盘反倒成了潜在瓶颈。

TRAE 这次在 SOLO 桌面端+网页端里做语音输入，思路和 SOLO 的方向是一致的。SOLO 本来就是为「用户只需要描述目标，AI 推进一切」这个方向设计的，语音降低了「描述目标」这个动作的成本，两件事在同一条线上。

Mic Air 加进来，是把这件事做实了一步。专业收音设备的介入，意味着这套工作方式可以长期稳定地用下去，而不是将就。

从这个角度看，这次联名的意义在于：把语音从一个「可选项」往「值得认真配置的工作方式」推了一步。

🚥

接下来，我们或许可以做一个大胆预测：

Voice Working 这件事，2026 年会有越来越多的 AI 工具认真对待。

现在的主要阻力其实不在技术，而在使用习惯。很多人还不太习惯对着屏幕说话，怕打扰到别人、怕不好意思。

不过，这些「硬门槛和软门槛」一定会随着工具成熟度的提升慢慢降低。

TRAE SOLO + 影石 Insta360 Mic Air 这个组合，算是在这个方向上，给出了一个早期答案。

十字路口正在寻找独立撰稿人，撰写 AI 产品和模型评测。

如果你写过类似文章：《实测 PixVerse C1》、《实测 LibTV》，请联系 zeo0811@gmail.com ，邮件内容请包括：① 个人介绍、② 你写过的 AI 评测文章。

我们会提供有竞争力的稿酬。期待与你一起观察与记录 AI 时代 🎪