前天和客户聊天，约一个晚饭。
我本来想发的是：
明天晚上您有时间吗 我们可以约个晚饭
这是我平时打字的习惯。中间不加逗号，用一个空格断一下。它没有那么规范，但像我自己发出来的。
结果语音输入出来，经常变成：
明天晚上您有时间吗，我们可以约个晚饭
就多了一个逗号。
这个逗号很小，小到正常人可能都不会在意。但我自己看着会有点别扭。因为它太标准了，标准到不像我。尤其是在和客户聊天的时候，很多时候不是越正式越好。太正式，反而像隔了一层东西。
我不是想假装自己没有用语音输入。只是客户聊天这件事，本来就有一点微妙。你发出去的不是一段文字，是一种距离。语气轻一点，对面会觉得舒服一点。语气太规整，有时候就像从输入法里刚刚烫出来的。
销售和客户沟通里，有很多这种很小的东西。
比如一句“您看明天下午方便吗”，和“明天下午您有时间吗 我们可以简单聊一下”，意思差不多，但质感完全不一样。
前一句很安全，像一个预约动作。后一句更像一个人真的在跟另一个人说话。它没那么精致，也没那么完整，但它有一点现场感。
我以前没有认真想过这个问题。因为打字的时候，手会自然处理这些细节。哪里停一下，哪里空一格，哪里不用标点，基本不用经过脑子。
语音输入一进来，这些小习惯就突然被看见了。
工具会帮你把话变正确。它会补逗号，补句号，把句子切开，让文字看起来更像一段正式中文。
但客户聊天不是文档。
客户聊天有时候要保留一点不完整。你不能每句话都像在递交申请表。尤其是刚开始接触客户的时候，对方还没有完全信任你，你的语言如果太顺、太满、太像模板，反而会让人退半步。
它能把话识别出来，但它不太懂我的语言习惯。它默认我要一段正确的中文，可我有时候要的不是正确，是像我。
所以后来我发现，我真正想做的不是一个语音输入工具，而是一个不把我改成别人的工具。
另一个场景是客户资料收集。
最近和客户聊得多，很多信息都要随手记下来。客户现在遇到什么问题，预算大概在哪个范围，谁是决策人，下一步要补什么材料，哪些话只是客套，哪些话可能是真需求。
这些东西如果靠打字记，速度有点跟不上。尤其是刚聊完的时候，脑子里还留着对话的热度，最适合马上录下来。但普通语音输入又会变成一大段。我说了三分钟，它就给我一坨三分钟的文字。看起来都在，实际下一次打开的时候，还是要重新拆。
到这里问题才变清楚：我其实不是在找一个“更智能”的语音输入。
我在聊天框里用它的时候，希望它别动我太多。错字可以修，语气不要替我换。
但录客户记录的时候又不一样。我说一大段，它最好能帮我拆开，把背景、需求、顾虑、下一步动作拎出来。
这两个需求放在一起，就很尴尬。市面上的工具通常会选一个方向。要么它只是输入法，负责把语音变文字。要么它很智能，会帮你润色、总结、改写、分点。
但我不总是需要智能。有些话被改得太好，反而不像我说的。
Typeless 之前让我心动过。它确实能解决一部分问题，尤其是语音转文字和整理这块，比普通输入法聪明很多。对于很多人来说，可能已经足够好用了。
但我看了一圈，还是卡住了。
一个是价格。一年差不多 1000 块。另一个是它没法刚好解决我最在意的那个点：不要在我不想加逗号的地方加逗号。
我不是觉得它不好。只是我的需求太窄了，窄到有点私人。商业工具当然要照顾更多人，它不可能为了我这种“客户聊天不要显得太像语音输入”的小毛病，专门做一个开关。
以前遇到这种需求，我大概率会忍一下。用现成工具，然后每次手动删逗号。客户记录录完以后，再手动分点。久了也能用，只是每天多一点点摩擦。
但现在有了 vibe coding，这件事的性质变了。
还没开始做的时候，我脑子里全是问题。
macOS 上怎么全局监听快捷键，怎么录音，怎么调用系统语音识别，怎么把文字插回当前输入框，怎么处理权限，怎么让它不要乱加逗号，怎么让客户记录自动分点。
这些问题只要停在脑子里，就会越想越大。打开 Codex，把需求一句一句说出来，它就从“我要做一个语音输入工具”，变成了几个很具体的小动作。
先跑通一个最小闭环。
GIF
按一个快捷键，开始录音。再按一下或者按空格，结束录音。拿到系统语音识别的结果。做一点文本处理。插回当前光标的位置。
这几步跑通以后，事情就没有那么吓人了。后面的权限、浮窗、设置项、大模型接口，还是会有坑，但都变成了具体的坑。具体的坑就好办一点，至少你知道自己掉在哪里。
所以我最后做了两个模式。
普通模式，用来聊天。
它的目标不是把话变漂亮，而是尽量保留我的表达。该口语就口语，该松一点就松一点，不要把一句很自然的话改成公文。尤其是不要乱加逗号。
分点模式，用来记客户资料。
它的目标刚好相反。录完以后，不要把所有内容堆成一段，而是整理成编号。客户背景、需求、顾虑、下一步动作，最好一眼能看出来。
这两个模式之间的差别，其实就是我日常工作里最常切换的两个状态。
我在和客户说话的时候，需要像一个人。
我在整理客户信息的时候，需要像一个稍微清醒一点的人。
我还给它留了大模型开关。
普通模式下，大模型可以帮我修一点语音识别错误，但默认不应该大幅改写。你明明只是想说“明天晚上您有时间吗”，它给你变成“请问您明晚是否方便安排一次会面”，那就完了。
分点模式下，大模型可以更主动一点。因为这时候我不是在发消息，而是在整理资料。它可以把一段口述拆成几个点，也可以把废话少留一点。
同一个语音输入，到了不同场景里，应该有不同性格。
这可能是我这次最想要的东西。
30 分钟当然不是做出一个完美产品。
更准确地说，是 30 分钟先把那个最关键的动作做出来：我可以在聊天框里说话，然后得到一段更像我自己会发出去的文字；也可以在记客户资料时，说一段话，然后得到一组能看的分点。
后面还有很多细节要补。但这些都不是这篇文章最想说的部分。
让我觉得有意思的是，以前这种需求根本不会被做。它太小了，小到你不好意思写成需求文档。你跟别人说“我想要一个语音输入工具，主要是不要乱加逗号”，听起来有点矫情。
很多私人工具的价值，就藏在这一点里。
它不一定功能多，也不一定比商业软件更强。它只是刚好贴着你自己的动作长出来。你不用为了适应工具改变习惯，工具反过来迁就你一点。
表面看，我省的是 Typeless 那 1000 块。
但真实省下来的，可能是很多很小的停顿。
每次语音输入完，我不用再看一遍：这里是不是太正式了？这个逗号是不是多余了？这句话像不像我？这段客户记录是不是还要重新整理？
顺手的意思不是功能多。顺手是它不会在你的动作里一直冒出来提醒你：你还要改一下。
我现在越来越觉得，vibe coding 最适合做的，不一定是很大的产品。反而是这种小到有点不好意思提的东西：一个自己用着别扭的标点，一个每天都要重复的小整理，一个商业工具不会专门为你改的习惯。
以前我会觉得，做工具是为了增加功能。现在发现，有时候做工具只是为了删掉一个不属于自己的逗号。
这个钱省得挺小气的。
