Mac 语音输入：macOS 自带听写怎么开，边界在哪

2026-10-19 更新

关于 Mac 上的语音转文字，网上的文章有个共同毛病：上来就推荐第三方工具，仿佛 系统自带的那个不存在。

实际上 macOS 的听写（Dictation）在多数场景下够用、免费、不需要装任何东西， 而且可以完全在本机跑。真正值得讨论的不是"它行不行"，而是"它在哪些地方到不了， 到不了的时候有什么别的办法"。

先把它打开

路径是：系统设置 → 键盘 → 听写，把开关打到开启。

第一次开启时系统会要求授予麦克风权限，并提示下载对应语言的资源。同一页里有 几个值得先设好的选项：

• 语言：可以添加多种语言，但一次听写只按当前选中的那一种识别
• 麦克风来源：默认跟随系统输入设备，接了外置麦克风可以在这里指定
• 快捷键：默认是连按两下 Control，下拉菜单里可以换成其他组合或自定义

设好之后，把光标放进任意一个文本框——备忘录、浏览器的输入框、邮件正文都行—— 连按两下 Control，屏幕上出现麦克风图标就可以说了。说完再按一次快捷键或者点一下 图标结束。

标点可以直接念出来（"逗号"、"句号"、"换行"）。部分语言和部分系统版本支持自动 加标点，这个行为在各版本之间不一致，建议在自己机器上试一次再决定要不要手动念。

它能用到什么程度

比很多人以为的要好。

写邮件、发微信、在备忘录里口述一段想法、填写网页表单、在搜索框里输入一个长 查询——这些场景系统听写都能胜任，而且因为它是系统级的，你不需要为了用它去 切换到某个特定的 App。

更关键的是离线这件事。macOS 支持把部分语言的听写放在本机完成：旧版本里 这是一个叫「增强听写」的显式开关，新版本在 Apple 芯片的机器上对支持的语言 默认走设备端处理。无论哪种形态，前提都是对应的语言包已经下载到本地。做到了 这一点，音频就不离开你的机器，断网也能用。

这个隐私属性是很多付费工具拿来当卖点的东西，而系统自带的已经给了。

需要留一句：到底哪些语言、哪个系统版本是什么行为，Apple 在不同版本之间调整过 多次，上面这段只给方向，具体请在自己的机器上确认。

它在哪些场景会卡住

理解边界要先理解它的工作方式：系统听写把识别结果交给当前获得焦点的标准文本 控件，走的是 macOS 的辅助功能（Accessibility）接口。普通应用用的是 NSTextField、NSTextView 这类系统控件，系统知道光标在哪、该把字插在哪。

一旦目标不是标准文本控件，这条链就断了。具体会遇到的情况：

终端模拟器。 Terminal、iTerm2、Warp、Alacritty 自己绘制字符网格，把键盘 输入直接转成字节流送给伪终端，对系统而言更像一块画布而不是文本框。文字插不 进去或插错位置都很常见。这一条我们单独写过，细节见 Mac 终端里怎么用语音输入。

跑在终端里的程序。 Vim、各类 REPL、以及 Claude Code、Codex CLI 这类终端里的 AI 工具，都继承了上面那条——它们处理字节流，不碰图形层的文本控件。

以 canvas 渲染正文的网页编辑器。 有一类在线编辑器把正文画在 canvas 上而不是 用浏览器原生的文本元素（Google Docs 已经改成这种渲染方式）。这类界面是否还向 系统暴露可用的文本接口，取决于它自己的实现，不能一概而论——值得在自己常用的 那个工具里试一次。

远程桌面和虚拟机窗口。 VNC、Parallels 之类客户端把远端画面当图像呈现， 里面的"输入框"对本机系统来说并不存在。能不能用取决于那个客户端做了什么， 同样建议自己验证。

除了"插不进去"这一类，还有两种更日常的卡点：

长时间连续口述。 系统听写有会话的概念，说一段后会自行结束，需要再次触发。 想一口气口述一篇初稿或者记一整场会议，节奏会被反复打断。（具体时长上限随版本 变化，需要自行确认。）

中英混说和专业术语。 一次听写只按当前选定的语言走，中文模式下夹英文单词， 常见结果是被硬转成中文近音词。这里要说句公道话：这是所有语音方案的共同难点， 不是系统听写独有的短板，任何宣称"完美支持中英混输"的说法都值得怀疑。实际 可行的做法只有一条——说完扫一眼再提交。

卡住了，有哪些办法

先排除一个最容易被误判的原因：系统输入音量太低。

Mac 的输入电平默认不一定在合适的位置，调低过之后很容易忘。表现是听写能触发、 界面也在动，就是识别不出东西，或者只出来零星几个字。去「系统设置 → 声音 → 输入」说一句话看电平条有没有跳，这一步能省掉大量瞎猜。

确认不是音量问题之后，按场景选办法：

"先转写再粘贴"值得被认真对待。 在备忘录里用系统听写说完，复制，粘贴到目标 位置。听上去笨，但如果你一周只需要三五次，它零成本、零权限、零风险，比装一个 常驻后台的工具划算。

模拟键盘输入是另一条路：不走"插入文本"的接口，而是把识别结果作为键盘事件 发给系统，目标应用收到的和你真敲键盘没有区别。好处是不依赖应用暴露任何文本 接口，只要那个窗口有焦点就行；代价是要授予辅助功能和输入监听两项权限—— 这两项权限能力很大，所以装之前值得确认这个工具是否把音频上传、数据流向有没有 说清楚。

语音狗子 走的就是这条路：长按右 Option 说话，松开后文字作为键盘输入落在 光标处，终端、编辑器、浏览器一视同仁。识别用本地模型，不联网、不需要 API Key、 永久免费。限制也说清楚：只支持 Apple Silicon 的 Mac，需要 macOS 13 或更新的 版本；另外终端开启「安全键盘输入」时，系统会停止向第三方程序派发按键事件， 这时按住右 Option 会完全没反应且没有任何提示——这个限制对所有依赖按键监听的 工具一视同仁。

怎么决定用哪个

一个够用的判断顺序：

1. 你主要在普通应用里说话（邮件、文档、聊天、表单）→ 系统听写就够了， 先把语言包下好，把输入音量调对
2. 你偶尔需要在终端里说一段 → 转写后粘贴，不值得为此装东西
3. 你每天都要在终端、编辑器、浏览器之间来回说 → 考虑模拟键盘输入的工具， 并确认它的数据流向
4. 你想完全掌控识别模型和后处理 → 自己接 ASR

大部分人停在第 1 条就可以了。真正会被边界卡住的是第 3 类人——终端里跑 AI 工具、 一天要输入几十段自然语言描述的那种。系统听写覆盖不到这个场景，不是因为它做得 不好，而是因为它从设计上就不是为自绘界面准备的。