去年五月我们宣布A轮融资时，我关于语音的对话大多以对方解释为何怀疑开场。那种怀疑很自然。人们尝试语音工具已有15年，每次结果都如出一辙，因此合理的假设是这次也会让他们失望。

如今我不再听到这样的对话了。人们转而告诉我，用说的代替打字省下了多少时间，以及他们希望Flow接下来做什么。一年多的时间里，语音从人们观望的对象变成了他们依赖的工具，变化之快出乎我们所有人的意料。

正是这种转变促使我们完成了新一轮融资，更重要的是，它将塑造接下来的一切。今天，我们宣布获得2.8亿美元B轮融资，估值达20亿美元，由我们的长期投资伙伴Menlo Ventures领投。

更高的赌注，更高的标准

过去十年的大部分时间里，对着电脑说话意味着问天气或设定时器。我们的首席科学家Ariya Rastrow——Alexa背后团队的创始成员之一——曾撰文谈到这份清单在十年间变化甚微。门槛很低，但赌注也低，因为没有人用语音做对自己重要的事。如果它听错了，你再说一遍就继续了。

人们现在做的事情不同了。当语音成为你撰写重要信息和关键工作文档的方式时，一个错词就会让你付出实实在在的代价。你停下来，伸手去够键盘，修正它，等你抬起头时，刚才正在思考的东西已经消失了。这打断了你的心流，也损害了你对产品的信任。用说的而不是用打的全部意义在于保持在自己的思路里，而一个每隔几句话就把你拉出来的工具，并没有为你节省任何东西。

“之所以选择说话而非打字，是为了保持思维的连贯性。”

因此，准确性对我们而言并非众多功能之一。它决定了这一切能否成为人们生活与工作的方式，也是本轮工作中首要且最大的一部分投入所在。

新模型 Canto，为真实环境而生

伴随此次融资，我们推出了首款专有语音模型 Canto的预览版。大多数语音模型都是在安静房间、优质麦克风、且模型已多次听过类似口音的条件下进行训练和评估的。但几乎没有人生活在这样的环境中。你可能在车里、街上，或在开放式办公室里，离别人的谈话仅一英尺之遥。

我们打造这款模型，正是为了适应人们实际使用Flow的场景。在最艰难的条件下——背景噪音、风声、浓重口音或音乐声中，词错误率从超过30%降至5%到10%之间。在日常使用中，我们预计它能将需要编辑的听写次数减少30%至35%。

在最嘈杂的环境中，Flow的新模型将词错误率降低了4倍以上——从30%以上降至5-10%。📷

它也更擅长处理人们真实的说话方式。全球约有一半人口在日常中会切换语言，有时甚至在一句话内混用，而一次只训练一种语言的模型对此处理不佳。印地英语（Hinglish）就是一个体现细节的好例子。印地语使用者通常用天城文书写，但当他们说印地英语时，期望得到的是罗马字母的转写，因此即使每个词都听对了，也不足以提供可直接发送的内容。同样，针对个人生活中特有的词汇也是如此，这正是模型会参考你的词典及周围人姓名的原因。

多曼塔斯·萨博尼斯，三次入选NBA全明星的球员，这样说道：“我每天都在使用Flow。我从小就在英语、西班牙语和立陶宛语之间切换，无论我说哪种语言，它都能跟上我。因此，投资并支持一个我每天都在用且深信不疑的产品，对我来说是个毫不犹豫的决定。”

我们真正追求的数字

在内部，我们以所谓的“零编辑率”来衡量自己，即你所说的每一句话中，第一次就能正确返回且完全不需要你干预的比例。不是接近可发送，也不是快速修正，而是真正原封不动。这是一种刻意严苛的评分方式，也是我们未来几年工作所对标的标准。

本轮融资的大部分将投入于此，用于缩小这一差距的研究，以及让这项技术普及到人们日常交流和输入的地方。这个模型正是这一努力的起点。这也是我们成立Wispr高级交互实验室的原因，由Ariya加入并领导：同样的信念，延伸得更远，朝着能理解你意图、把握你正在做的事情的上下文，并将其转化为成果而非文本块的系统迈进。Flow是你对电脑说的话。Notetaker，我们上周推出的会议记录工具，是你对其他人说的话。随着底层模型的进步，两者都会变得更好。我们正在构建一个智能层，朝着无缝人机交互的愿景迈进，从语音开始，最终扩展到其他模态。

“能理解你意图、把握你正在做的事情的上下文，并将其转化为成果而非文本块的系统。”

六十亿字之程

人们如今已用Flow书写了超过六百亿字。每一个字，都是某人在某个瞬间决定，说话比打字更便捷。Flow现在也被几乎所有财富500强企业及超过一万家企业所采用。

这正是我们肩负的全部责任——确保你所说的下一个字，能如你所愿地传达回来。这笔资金旨在缩短这两者之间的距离，而未来数年，我们将以缩小这一距离的程度来评判自己。

感谢你一路陪伴至此。你是我们不断抬高标杆的动力，而我们不打算停止提升它。