过去两年，AI的能力曲线一直在往上走。写稿、查资料、读长文档、自己调用工具，这些事它做得越来越顺。但真正把AI用进日常工作的人会发现，卡住自己的地方换了位置：不是它不会干，是你把活交给它的过程太麻烦。 要交代背景，要说清格式，要打开对话框，要敲一段指令，等结果出来发现不对，还得再改一版。AI越能干，往往越需要你把需求交代得更清楚——而说清楚这件事的成本，一直挂在人这一侧。 于是有了一个判断：AI能力越强，“怎么把需求交给它”就越值钱。 讯飞最近发布的AI录音笔Magic，走的就是这条线。它没有去比模型参数，而是把“说”这件事，接成了AI的输入。 瓶颈从“能不能干”挪到了“怎么交付” 这两年行业里讨论最多的，是模型还能多做点什么。但落到具体工作，多数人缺的不是能力，是把手上的活顺当地递过去。 现在交给AI的方式基本只有一种：打字。它要求你把脑子里模糊的想法，先整理成有条理的书面语，再压缩成一段提示词，还得把相关材料复制粘贴进去。这套动作门槛不低，而且每次都要重来一遍。 代价是隐性的。很多人并非不想用AI，是在“要不要为这件事先写一段小作文”上犹豫了一下，然后就算了。本该交出去的工作，最后留在了自己手上。 从这个角度看，输入方式不是体验问题，是产能问题。谁能把这截路径缩短，谁就能多交出一些活。 被省略的那几步 假设你刚开完一场两小时的会，想让AI整理出纪要和待办。按现在的习惯，流程大致是：把录音导出、转成文字，复制出来，打开AI对话框粘贴，再补一段提示词说明要什么，最后等结果，觉得不对再改一版。 五步里，真正消耗人的不是操作，而是第四步——你要把会上发生的事，重新用书面语压缩成一段指令。这一步走不下去，前面导出的文字就白导了。 说话没有这个问题。正常语速一分钟能说两三百字，不用组织成书面语，想到哪说到哪，说半句对方也能接上。口语本来就是人最熟练的表达方式。 问题在于，现有的AI入口几乎都长在屏幕和键盘上。它听得见你打字，听不见你说话。 Magic做的事：把五步并成一步 Magic是一支手持式录音笔，3.2英寸OLED彩屏，可以握持，也可以挂上挂绳挂在胸前。它真正不同的地方在软件层：通过MCP协议连接办公类Agent，把你说的话直接变成给Agent的指令。 MCP（Model Context Protocol）可以简单理解成一套让模型和外部工具互相调用的接口约定。对Magic来说，这意味着它对接的不是某一个固定的AI，而是所有支持这套协议的办公Agent——写作、检索、文档处理，都可以是接收方。具体接哪个、怎么配，取决于你在电脑端使用的Agent工具，而不是设备本身。 举个具体的用法。上午的会关于预算分歧讨论了二十分钟，散会往外走的时候，你握着Magic说一句：“把刚才会上关于预算的分歧整理成三个选项，每个写清代价。”这句话被转写成文字，经由MCP交给Agent，Agent回去定位那段录音、理解要求、产出结果。等你回到工位，文件已经在那里了。 原本要走五步的交付，现在是一次开口。 不过这条链路能不能跑通，取决于Agent端是否支持MCP、配置是否到位。设备提供的是一个更自然的输入口，并不负责替你把整套工作流装好。 不接Agent时，它是一支能随时记录的麦克风 即便不涉及Agent，Magic还有另一个身份：电脑的语音输入设备。通过蓝牙连上电脑，握着说话，文字实时出现在光标所在的位置。这个功能听起来朴素，但它缩短的是最基础的那截路——你和电脑之间。 写长文档时，键盘的瓶颈很少是手速，而是思路被打断：一边想内容，一边还要顾及措辞和格式，注意力就被切碎了。而说话的时候，你只需要想“我要说什么”。做脑暴时更明显。念头冒出来的速度远快于打字速度，往往等第一句敲完，第三句已经过去了。还有一个容易被忽略的场景是改代码。跟AI说明“这一段要改成什么样”，用说比用打更接近人本来的表达方式——你平时跟同事解释需求，也是这么说的。 转写是讯飞的老本行。 按官方公布的数据，Magic搭载讯飞语音识别大模型，普通话转写准确率98.6%，支持200多种方言免切换识别，内置16大行业专业词库。这类指标的实际体感，还要看具体口音、术语密度和环境噪音；但对整天说专业名词的人来说，少一遍校对，省下的是真时间。 为什么在办公室开口需要专门设备 这里有个绕不过去的问题：既然说话效率更高，直接用电脑或手机上的语音输入不行吗。 差别在场合。开放工位旁边坐着同事，咖啡馆旁边坐着陌生人。举着手机或对着电脑大声说完整一段话，既打扰别人，也等于把工作内容当场播报一遍。多数人不是不能，是不愿意。 不愿意，等于这条路走不通。所以“敢不敢在办公室开口”，直接决定了一种交付方式能不能成立。 Magic的解法偏硬件：限定较窄的收音范围，耳语音量也能录清。设备凑近，用自己刚好听得见的音量说完，内