在工作中，不少职场人都需要借助一定的软件来提高工作效率，比如结合通义听悟或飞书妙记的语音转文字功能，来辅助业务的进行。这篇文章里，作者就对通义听悟这款产品进行了拆解分析，不妨来看一下。

过去我是飞书妙记的重度用户，现在我几乎完全放弃它。

只是因为新产品的出现：通义听悟！

它将语音转文字的操作一键完成，转换准确率大幅提升，支持多种导出格式，更重要的是还具备强大的AI分析能力，实现智能提炼、总结等功能。

想象一下，复杂的工作可以被简化，重复的劳动可以被自动化，难以获取的价值可以被发掘。

下面让我带你一起，重新感受AI的力量 : )

Take Away：

• 通义听悟如何利用AI能力，改善语音转文字的使用体验？
• 通义听悟相较其他产品的独特优势在哪里？
• 它的产品演化路径是怎样的？
• 它的产品主体框架是什么？
• 通义听悟可能的商业模式和发展前景？
• 通义听悟产品迭代的几点建议

一、通义听悟Super已经重度使用了！

给大家看我的界面：

很多音频文件我都是用通义听悟来处理，有哪些场景会用到呢？给大家说说几个典型的例子啊：

1. 听播客

我们现在时间有限，很多优秀的播客内容又想听，那怎么办呢？可以使用下面的方法来把音频文件导出来，丢给通义听悟，转成文字版本，还带有总结呢，方便多了：

将小宇宙的单集节目分享到微信里；

再用电脑浏览器打开单集节目的链接；

在播放按钮上右键，选择检查；

在右侧的源代码界面，找到Audio Src=“xxx”；

双击复制，打开一个新窗口，粘贴后打开该链接；

在播放器下面的三个小点按钮那点击一下，选择下载；

把这个mp3丢给通义听悟，几分钟，就可以开始看文字了。

2. 前采总结

我做访谈节目，有些会有个前采环节，相当于预先的采访，这里会产生2-3小时的对话内容，我习惯说把过程录音下来，然后回来丢给通义听悟，基于转文字之后，来做提炼总结。

甚至更进一步，我会把访谈内容导出成word，丢给Claude，请它来总结嘉宾的成长经历：

以及给出对应的访谈提纲：

这样能非常快速地帮助我们提炼内容，并且我们可以根据最后的内容做调整和修改。

有关我是如何用Claude来提高效率的，大家可以等我下一篇文章。

3. 视频&播客剪辑配合

因为每一期播客音频的时长会在2个小时以上，需要剪辑成40-50分钟的内容，就需要对着文字来做删减，我会先把视频里面的音频提取出来，丢给通义听悟，然后对着里面的文字做标注，方便回头用Audition来做删减：

文字上标注蓝色的，是我会保留的内容，其他的会删掉。

这样在Audition操作的时候，就可以对照着看，快速的找到时间点做处理了。

4. 播客高亮和Shownotes提取

我做播客，习惯把一些精彩的对话片段放在音频一开头，吸引到听众。

怎么做呢？

通义听悟有一个功能叫实验室，里面会提取出一些值得关注的内容，根据我的几次测试，里面推荐的文字，不少确实是整段对话中的精彩片段！这就很省事了！

除此之外呢，通义听悟还有章节速览的功能，对于辅助我做好Shownotes颇有帮助，可以借助来快速找到对应的内容段落：

二、为什么通义听悟可以取代飞书妙记

在是用通义听悟之前，我一直在用飞书妙记，飞书妙记的核心功能，也是视频/语音转文字，但我现在只会在需要分享给嘉宾的时候，才会回到飞书妙记上，因为目前通义听悟还不大能分享。

那在哪些点上，通义听悟做的比飞书妙记要好呢？

主要有三层：

1. AI总结能力
2. 用户体验层面
3. 产品颗粒度

我们分别来讲讲。

1. AI总结能力

飞书妙记主体还是以语音转录为主，然后我们看右上方也提炼了一些关键词，点击之后相当于搜索关键词。

除此之外，几乎就没有了AI总结的能力。

那我们反过来看通义听悟，至少有这么几个AI能力：

1）关键词、全文摘要、章节速览、发言总结

分别从不同维度使用AI做了内容摘要。

2）问题回顾

打开后，它会对原文内容中的问题，做高亮显示。

我看了下，基本覆盖得很全面。

3）值得关注

提取了算法觉得一些重点的内容片段，鼠标移上去会出现浮窗，可以点回顾，正文会跳转到内容所在的位置，可以点摘取，会把语句复制到右侧的编辑区。

4）待办事项

会自动的提取出正文内容里可能需要代办的事项。

值得关注、待办事项两个区域，都可以自己手动新增记录。

5）翻译能力

6）自定义专属词汇

如果希望有很多专有词汇，希望语音转的比较准确，可以自己增加。这个我倒是没用过，普通的转译已经挺准的了。

2. 用户体验层面

1）易用性角度

通义听悟支持微信小程序，并且可以从微信里直接读取文件。

而飞书妙记必须使用PC网页端才能上传文件，使得你的文件必须要首先同步到电脑上，就很麻烦了。

2）为了工作学习打造

因此右侧给了一半的编辑区域，可以把正文部分的内容一键摘取过来，也可以把标记的内容一键摘取。

编辑器也做的挺丰富的，基本的功能也都支持。

3）标注的部分会在时间轴上显示，方便用户查找

4）时间轴会显示所处的段落

5）导出格式友好

飞书妙记只支持飞书文档、TXT之类的，麻烦得很。通义听悟则直接支持主流的PDF、Word。

其他的还有不少细节，大家可以自己去挖掘一下。

3. 产品颗粒度

飞书妙记，如果你想使用，得注册飞书账号，并且必须是企业账号，这带来了使用门槛。

同时，飞书妙记是飞书All in One工具体系的其中一个模块，也让它的易用性收到了飞书整体系统的复杂度。

整体容量在免费版本里面，上限就是10个G：

之前我使用，都经常需要删除内容来保留空间。

那通义听悟，则更加小巧灵活。因为它就是一个独立的产品，可以更加专注的做用户场景的优化。

之前是网页版，现在针对微信增加了小程序版，体验更加丝滑了。小程序使用微信手机接口授权就可以登录，使用门槛大幅降低。

容量空间只有2个G，但是呢，它打通了阿里云盘，在上传音视频界面里，可以选择直接从阿里云盘里面导入，这个时候是不占用空间的。

因为Super使用阿里云盘比较早，我的阿里云盘空间是1.79TB，足够足够了。

对我来讲，通义听悟+阿里云盘=免费的无限空间。

小结来看，飞书妙记只是针对飞书本身的应用场景，比如使用飞书在线会议时，可以一键转录成飞书妙记，并自动转写成文字，这是非常方便的。

但也恰巧是All in One限制了它，它并不是作为一个独立产品快速迭代更新的。使用飞书妙记有一两年的时间了吧，我几乎没有看到过它在什么地方有过更新。。。

但通义听悟有后发优势，独立团队开发，也瞄准了更加广阔的工作学习AI助手的场景，快速迭代，推出的功能也非常符合用户需求，加上AI的赋能，很快就有了不少黑科技的突破。

就我自己来讲，已经推荐了身边很多朋友使用：

三、通义听悟产品演化

根据【三五环】《No.121 对谈志杰：从通义听悟看，当 AI 不再是工具，而是个人助手》；

志杰是阿里云通义听悟产品&研发负责人，根据播客内的交流，我们可以得知，通义听悟的诞生至少有这么几个大阶段：

1. 构建技术底盘：招AI人才，做算法的研究等等，是一个纯技术打造的环节；
2. 技术服务内部：阿里内部的呼叫中心会产生大量数据，如何用算法提供产品服务于场景的课题就产生了；
3. 云端产品演化：基于阿里云，使用API输出技术，其他的B端企业就可以使用这一服务，别客户集成使用；
4. 服务内部同事：公司同事出现例会，战略会，有音频整理的需求，就做了个网站，接着发现投资部门做背景调查也会用到，发布会会用到，年会的外籍员工比较多，也有“同声传译”的需求出现，加上大模型的出现，就开始变成产品化正式立项了。
5. 免费产品公测：做一款ToC产品，搜集用户反馈，探索用户真正的需求。

我们看到这种演化过程，它就会更加像是，先有技术积累，逐步服务更多用户之后，进一步的扩展成C端产品，去搜集用户反馈，反过来看在具体的场景里要去突破什么技术要点：

从目前可见的产品迭代来说，确实是如此，比如下面提到的PPT提取就很典型。

当然，我觉得这一章节里面，通义听悟的诉求绝不仅仅是持续的做好技术和产品的相互促进，其实他们的产品定位也非常的清晰“你的工作学习AI助手”，对于这个市场的渴望绝对是很强的。

当前能找到新市场增量的产品不多，有潜在的机会，放过太可惜了，所以我们也看到通义听悟在快速迭代，包括多个渠道的产品覆盖等等。从动作回推，市场化的欲望骗不了人。

另一方面，我们看完通义听悟的诞生和演化过程，也能理解，在战略上的思考，也直接决定了产品的大小：

飞书妙记是为了飞书服务的，通义听悟是从为客户服务，到为用户服务的独立产品，背靠阿里云、钉钉资源。结果似乎必然。

四、通义听悟产品设计

Super理解，通义听悟的技术层面，由下面的架构构成：

技术层面不多说，我们来看看toC侧，它的整体产品框架设计：

它的产品构成是：

• 语音转写是地基
• AI分析是高楼

怎么理解呢？

我们看到通义听悟，名称里的听悟，就是听了悟了，是先听再悟！

把听到的语音，转化成文字，然后就可以使用AI的能力对文字进行语义理解，再做各种黑科技操作。

因为日常工作和生活中，人类接受信息的方式，除了看就是听：

根据美国哈佛商学院有关研究人员的分析资料表明，人的大脑每天通过五种感官接受外部信息的比例分别为：视觉83%，听觉11%，嗅觉3.5%，触觉1.5%，味觉1%.

视觉信息包含大量细节，存储和处理成本很大。声音信息特别是人类的对话信息，则信息量小很多，AI好做处理，把声音信息处理好，能够解决大量的工作生活学习的场景，比如听课、听播客、对话等等。

所以在处理信息时，优先选择容易做的声音信息，是很正确的逻辑。

我们可以看到，通义听悟也可以处理视频，不过更多的是基于视频里的音频转录成文字后，基于时间点对视频上的进度做对应关联。

这是通义听悟的基本盘。也就是语音转写是地基的含义。

这个也是飞书妙记的基本盘，甚至说飞书妙记的绝大部分功能都体现在语音转写上面。

超越飞书妙记的通义听悟，发力就发力在了AI分析上。

我们前面提到的通义听悟之所以能够取代飞书妙记，就是在AI总结部分有很多发力。

AI分析是高楼。这座高楼使得通义听悟在使用体验上，远超飞书妙记。

除了上面说的这两点，通义听悟还有一个功能最近更新的很有意思：

上传视频文件后，通义听悟将自动识别和总结视频中的PPT，你可以在视频下方阅读图文总结，点击图片全屏查看，还支持导出PPT文件哦！

我自己倒是用不上，但是看这个功能，对于上网课，学视频课程的，还是很有意义的。结合了视频中的图片识别、提取、关联、摘要总结、分段等。

也是彻底贯彻了通义听悟的slogan“你的工作学习AI助手”

五、通义听悟的商业前景

我们首先要了解，通义听悟背靠阿里云，意味着有强大的AI技术积累和算力支持！这是其商业化的重要支撑！

2022年，阿里云在中国云市场占有率为36%，为市场最大者。

基于按使用量付费的模式，结合阿里云市场，可以快速打入到大客户。

另外，阿里的云钉一体，通义听悟可以与钉钉深度打通，成为协同办公场景下的智能产品，提高产品的附加值。

截至2022年9月30日，钉钉用户数破6亿人，企业组织数超过2300万家，付费DAU（日活用户数）突破1500万人。

嵌入到钉钉的会议里面还是有比较大的价值的，就看是用什么方式嵌入，以及企业的需求量多大了。

我自己是比较乐观的，特别是如果能够和云存储捆绑的话，就比较有增值服务的意义。

我们看腾讯会议就有类似的服务，按月收25元，包含了会议语音转文字等功能：

以上是B端的市场前景。

在C端，通义听悟也非常有机会，目前是免费内测阶段，从公司重要Ai产品阶段出发，通义听悟完全可以继续用免费的C端逻辑，来继续快速打开市场，并且获得用户反馈，这样可以快速迭代产品，不断地占有更大的市场。

免费的逻辑，可以这么设计：

1）免费使用，但需要和现在一样积累转写时长。

2）转写时长可以增加获得难度，比如每天登录只能获得1小时转写时长，重度使用用户可以通过邀请好友获得转写时长，或者是付费进行购买转写时长。

利用稀缺资源卡脖子，关注用户的动作行为来评估产品对用户的重要程度，再持续的调整商业逻辑。

同时，从功能层面来说，目前在产品体验上是远超飞书，但是功能体验层面，或许不构成护城河，核心还是单纯的产品是否能够很强的解决用户的刚需，按照当前的情况，竞品包括飞书和腾讯会议，其转写功能是附着在主体（飞书、腾讯会议）本身的，脱离了主体，目前只剩下通义听悟可以单独去解决用户需求。

还是有比较大的先发市场机会的。

六、产品迭代方向

通义听悟目前在产品设计层面，主体框架已经比较稳定了，底层的大模型技术迭代，我们就不说了，下面从几个方面简单讲讲后续可以做的方向：

1）覆盖更多渠道：除了浏览器插件，增加iOS、安卓App覆盖，使得用户在应用商店搜索时，可以找到应用下载。

2）支持更多音频输入来源：目前仅限于本地上传音频文件，如果可以直接解析网页里的音频链接，会更加方便，比如BiBiGPT可以丢链接直接获得总结的结果：

我们看播客、视频场景，是需要在通义听悟里面上传文件的，如果可以自动解析链接里的音视频内容，就有大幅简化了用户的操作流程。

3）打通云存储服务：除了阿里云盘，也可以增加更多云盘的支持，比如夸克网盘等常用的云盘，扩展用户场景，夸克也同样是阿里系产品。

、

4）用户体系打通：现在通义听悟是一个独立产品，也是个比较轻量化的产品，可以考虑和flomo一样，像水那样融入到其他产品里面。除了钉钉，也可以考虑找到有类似场景的产品融合。

5）提供个性化定制功能：当前支持用户自定义专有词汇，后面可以考虑增加不同的模型，比如美剧字幕模型、专业英语考试模型等等。

6）增加快捷键：可以增加一些快捷键，提高操作效率。

比如选择文案后弹出的窗口，我还需要移动鼠标去选择功能操作，这里可以增加一个快捷键，免去了移动鼠标的动作。

7）输出格式多样化：目前的输出还是以文字为主，可以考虑增加思维导图的模式，对于用户理解全文结构会更加清晰直观。

8）开放API接口：现在需要进入到帮助页面才能找到，可以在官网首页更加直观的展示入口，鼓励开发者调用。

9）探索新商业模式：除了常规的接口调用后付费模式、可能的付费购买转写时长模式，还可以增加比如企业的语音监测等模式。

10）国际化：面向东南亚、欧美、非洲市场，开拓海外。

七、总结

今天在即刻上看到吕立青放出来的腾讯会议截图，在会议摘要上已经做到不输通义听悟的程度了。技术上，不觉得通义听悟有很强的护城河：

Super个人认为通义听悟比起飞书妙记、腾讯会议更厉害的一点，反而它是独立产品：

它是API，它是网页，它是小程序，它是App，它是水，可以流动在一切需要它的地方。也正是如此，它的技术架构反而能够无限聚焦在工作学习领域扩展：

不断在用户最有需求的地方延展自己的能力。

今天我们文章就在这里正式进入了尾声，来一段正式的总结吧：

数字化时代，语音转文字成为提高工作效率的利器。通义听悟作为新晋玩家，凭借独立产品的灵活迭代优势，在AI能力上不断突破，领先于同类产品。

然而技术迭代速度无止境，用户体验至上。通义听悟仍需在易用性、商业模式等方面不断优化，与用户场景和需求零距离贴合，才能在激烈竞争中脱颖而出。

期待通义听悟能继续发力AI，以“你的工作学习AI助手”为使命，助力用户提升工作学习效率，创造更大价值。也欢迎更多优秀产品加入这场让人类生活变得更美好的竞赛。

AI改变世界！

参考：【三五环】《No.121 对谈志杰：从通义听悟看，当 AI 不再是工具，而是个人助手》 包括产品演化，产品架构部分