Loqua vs Typeless：面向上下文、编程和深度工作流的替代方案

核心摘要（TL;DR）

Typeless 是一款成熟的跨平台语音输入产品，支持 Mac、Windows、Linux、iOS 和 Android。Loqua 则是一款面向 Mac 和 Windows 用户的 Typeless 替代方案，将应用感知格式调整、编程工作流、屏幕内容理解和语音操作功能结合在一起。如果你需要一款同时覆盖桌面端和移动端的工具，Typeless 的适用范围更广。如果你的工作主要在 Mac 或 Windows 上完成，Loqua 则提供了更多与屏幕内容交互、通过语音执行任务的方式。

Loqua 是一款支持 Mac 和 Windows 的上下文感知 AI 语音输入工具。本文主要面向正在寻找 Typeless 替代方案的桌面端用户，而非需要在所有设备上使用同一款语音输入工具的人群。Typeless 的跨平台覆盖能力值得肯定：其官网显示，产品支持 Mac、Windows、Linux、iOS 和 Android；其数据控制说明也指出，Typeless 采用云端处理机制，仅使用有限的上下文信息，并承诺处理后不保留相关数据。

因此，真正值得讨论的并不是“Typeless 能否胜任语音输入”，它当然可以。问题在于，对于长期在桌面端工作的开发者、写作者和 AI 编程用户来说，Loqua 将上下文感知语音输入、屏幕内容理解与语音操作相结合的方式，是否更符合他们的实际工作流程。

核心功能对比

平台策略

Typeless 支持五个平台。如果你在工作时使用 Windows 笔记本，在通勤途中使用 iPhone，回家后又切换到 Mac，这种跨平台能力就具有实际价值。

不过，不同平台有各自的技术限制：iOS 需要使用自定义键盘，Android 依赖输入法服务，Windows 拥有自己的辅助功能 API，macOS 则需要相应的辅助功能权限，而 Linux 也有独立的桌面集成要求。要在五个平台上保持功能一致，就必须针对不同系统的能力进行适配。

Loqua 目前支持 Mac 和 Windows，并以桌面端为重点，将产品能力从语音输入延伸到更完整的工作流程。我们通过辅助功能权限实现文本输入和部分桌面工作流操作，同时利用 Capture to Ask、Speak to Edit 和 Command to Go，将屏幕内容理解、文本编辑和语音操作整合到同一工作流程中。

这些功能在不同操作系统上的支持范围并不完全相同。目前，Mac 版支持的语音操作范围更广，Windows 版的相关能力仍在持续扩展。我们的重点是不断深化桌面端的使用体验，而不是承诺所有设备都具有完全相同的功能。

上下文理解深度

不能简单地将 Typeless 理解为“输入音频，输出转录文本”的工具。根据其公开的数据控制说明，Typeless 在处理语音时，也可以利用应用程序和相关文本等有限的上下文信息，并在处理完成后丢弃这些内容。这本身就是一种具有实际价值的上下文感知方案。

Loqua 的差异化优势在于对桌面工作流的深入支持，尤其是 Mac 和 Windows 上的技术写作及屏幕内容相关任务。它支持根据上下文调整文本格式，也能通过语音编辑选中的文本。借助 Capture to Ask，用户可以主动截取屏幕上的特定区域，并围绕其中的代码、报错信息或其他可见内容进行提问。

同一句话，可以根据不同使用场景被整理成简洁的 Slack 回复、代码注释、符合规范的 Git 提交信息，或一段 PR 描述。

在普通消息沟通场景中，两种方案都能提供成熟、流畅的体验。但对于代码编写和 AI 编程提示词而言，关键在于工具能否有效结合用户的语音指令与其主动提供的上下文信息。

你说（在 Cursor 聊天窗口中，已提供相关代码作为上下文）：

"explain the bug and ask it to add a regression test before changing the implementation"

Loqua 输出（作为 Cursor 提示词）：

上下文：将提供的代码视为出现问题的执行路径。首先解释可能存在的 Bug，然后添加一个回归测试，用于复现当前行为。在确认测试因预期问题而失败之前，不要修改原有实现。

面向编程场景的输出

用于编程的语音输入，与日常聊天中的语音输入有着不同的要求。

标识符必须拼写准确；大小写必须符合编程语言的命名规范；代码注释需要遵循正确的语法；Git 提交信息和 PR 描述也有各自的格式要求。

Loqua 的技术词汇处理能力正是为这些场景设计的。无论是库名称、模型名称、函数名称还是文件路径，用户都应该能够直接说出这些内容，而不必逐字母拼写每一个技术术语。

你说：

"add a fixture for sqlalchemy session that uses an in-memory sqlite database and yields then closes"

Loqua 输出（在 VS Code 的 Python 文件中）：

@pytest.fixture
def session():
engine = create_engine("sqlite:///:memory:")
Session = sessionmaker(bind=engine)
s = Session()
yield s
s.close()

Typeless 同样支持技术词汇识别和编程工作流。但当输出内容需要符合代码格式时，标识符、语法和格式的准确性仍然至关重要。

模型架构

Typeless 公开介绍了其云端处理和上下文处理机制，但并未公布完整的模型架构。因此，将 Typeless 简单描述为“只有自动语音识别（ASR）功能”并不准确。

更合理的区别在于两款产品的侧重点：Typeless 致力于提供跨平台一致的云端使用体验，而 Loqua 则通过针对不同任务设计的处理模块，优化 Mac 和 Windows 上具备上下文感知能力的桌面工作流。Loqua 同样使用在线服务处理语音及相关 AI 功能，同时将历史记录保存在本地。

Loqua 的模型架构将语音识别、语言智能处理和多模态上下文理解区分为不同层次。

其中，上下文理解层是关键的差异化能力。它让语音输入不再只是“记录我说了什么”，而是进一步理解“我真正想表达什么，以及这些内容应该出现在哪里”。

如果想深入了解背后的研究思路，可以阅读我们的文章：当语音遇见视觉：用于语音输入的全模态模型（Voice Meets Vision） 。

准确率与速度

Loqua 当前的内部性能目标包括：在 Apple Silicon 设备上实现约 200 毫秒的端到端延迟，在特定技术领域的专有名词识别中保持较高准确率，并在支持的语言和测试条件下，将词错误率（WER）控制在个位数百分比区间内的较低水平。

这些数据属于内部性能目标和团队日常使用测试中的观察结果，并非公开的第三方对比评测。它们对应的是特定测试条件，不代表 Loqua 在所有受支持的 Mac 和 Windows 设备上都能达到同样的表现。

Typeless 在官网上展示了较强的通用语音输入能力，但如果双方采用的测试方法并不一致，直接进行数字上的比较反而可能造成误导。

根据我们的实际观察，两款产品在技术词汇处理和针对目标应用的格式调整方面存在值得关注的差异，具体涉及文件路径、库名称、Git 提交信息格式以及提示词结构等场景。

多语言混合输入

跨平台工具通常采用单一语言模式来处理多语言输入。例如，当你需要使用普通话时，必须先将工具切换到普通话模式。

Loqua 同样支持句内多语言混合输入。例如，当你说出“this fixes the 那个 race condition in session_manager when 用户 logs out twice”时，Loqua 无需手动切换语言模式，就能生成清晰、准确的中英混合文本。这是因为 Loqua 的语言智能处理层专门针对语码转换（Code-switching，即不同语言之间的自然切换）进行了训练，而非将其视为需要额外处理的特殊情况。

你说（在 Slack 中与双语同事私聊）：

"那个 PR 我看了大体OK 就是 cache invalidation 的逻辑要再看一下 边界 case 可能漏了"

Loqua 输出（在 Slack 中）：

那个 PR 我看了，大体 OK。就是 cache invalidation 的逻辑要再看一下 —— 边界 case 可能漏了。

七、价格与套餐

Loqua 提供免费套餐，包括基础语音输入、智能文本清理和基础上下文感知功能，同时提供 14 天 Pro 免费试用。最新订阅价格请查看 Loqua 官方定价页面 。

Typeless 也采用订阅制，具体价格可查看 Typeless 官网 。

两款产品都提供免费使用的入门方案。

如果你主要在 Mac 或 Windows 上工作，Loqua 面向桌面工作流的功能可能更值得考虑；如果你需要在五个平台之间频繁切换，Typeless 则能让你通过一份订阅覆盖更多设备。

如何选择 Loqua 或 Typeless？

如果你在日常工作中经常切换 Mac、Windows、iOS 和 Android，而且语音输入需求主要集中在普通英文办公写作，那么 Typeless 可能更适合你。跨平台功能的一致性具有实际价值，不应该被低估。

如果你主要使用 Mac 或 Windows，需要编写代码或技术内容，重视屏幕上下文感知，希望在同一句话中自然混合英语和中文，或者需要通过语音编辑文本、执行受支持的桌面操作，那么 Loqua 可能更符合你的工作方式。

我们是一支由算法研究人员和 AI 产品深度用户组成的小团队。在开发 Loqua 之前，我们也尝试过市面上覆盖多个平台的工具。但我们始终没有找到一款能够提供理想中的 Mac 深度使用体验的产品，因此决定自己打造 Loqua。

如果你更看重工作流的深度体验，使用 Loqua 的第一个小时，你可能就会感受到这种差异。如果你更需要广泛的平台覆盖，那么 Typeless 同样是合理的选择。

归根结底，最适合你的工具，应该与自己的日常工作方式相匹配。