口述ai修图靠不靠谱？语音指令修图的实测

先说结论之外的两层出错：听错词是一层，听对了却会错意是另一层

语音修图的错分两层：识别层把词听错，解析层词全对但理解歪了。前一层换个说法能救，后一层只能换回文字指令。分清这两层，你就知道该重说一遍还是该低头打字。

说翻车，今年3月那场直播到现在还有人在弹幕里提——我对着修图工具说「把左边的人去掉」，画面左边是个入镜的路人，右边是我朋友举着的自拍杆。AI安静了两秒，把右边的人整个抹掉了，路人原封不动站着。切片当晚就上了热门，网友玩了半个多月的梗，评论区最高赞是「AI的左边和你的左边隔着一个坐标系」。

复盘下来，问题出在解析层。我说的话它一个字都没听错，「左边」「人」「去掉」三个词识别日志里全对。它是把「去掉左边的人」理解成了「去掉右边的主体」——训练数据里可能见过太多主体居中的图，模型对「左边」这个方位词的权重本来就不稳。这层错你重说一百遍也没用，得换表达方式。

识别层的错就普通多了。8月底我整理了20条常用指令做回归测试，「锐化一点」在五轮里有两次被听成「软化一点」，方向直接反掉；「饱和度」更惨，10次里3次被转写成「包货度」或者干脆丢字。这就像小时候玩的传话游戏，一句话过三张嘴，到最后一个人口中变成了完全另一句。识别层的错有个好处：你换个说法往往能绕过去，「让照片更清楚」比「锐化」识别稳得多。

哪些指令能放心说，哪些必须换回键盘

单步指令是语音的安全区：消除杂物、翻转、整体调亮这类成功率能到九成上下；多步操作、带方位和程度的指令，失败率过半，建议直接打字。张嘴之前先判断你的活落在哪一边。

我把8月底那轮测试的数字摊开说。同一批20条指令，安静室内、标准普通话，连测三轮共60次：消除类（去路人、去水印、去电线）54次成功，成功率90%；水平翻转和旋转60次全对；「整体调亮一点」「稍微暖一点」这类全局调整成功53次，88%。这三类你放心说，说完瞄一眼预览图就行。

多步指令是另一个世界。「把背景换成海边，人物往左挪一点，再加点暖光」——三个动作，它在一次对话里要么只做第一个，要么三个全做但人物手臂直接糊成一片。位置关系也是重灾区，「左边第二个人」「右上角那个招牌」这种描述，它数数的水平约等于定位失败。还有程度词，「亮一点」和「亮很多」在它耳朵里区别不大，我遇到过调四次才到位的，每次都是重新说一遍整句。

所以我现在干活用的是混合流：语音起手，文字精修。上个月赶一批9张图的客片我掐过表——纯打字每条指令平均40秒，包括改错别字的时间；纯语音25秒，但有两张因为听错返工，算上返工摊到每张31秒；混合流是语音说大方向、键盘补关键参数，每张28秒且零返工。纯语音最快只是账面数字，混合才是真快。

有一类人从语音修图里拿到的好处比我们大得多。我爸七十岁，拼音忘得只剩个声母，触屏打一个字要翻三页候选词。教他说「把照片调亮点」「把后面的人去掉」，十分钟他就会了，现在每个月把老战友聚会的照片发我之前都自己先修一遍。对打字困难的人来说，语音不是锦上添花，是入场券。

方言和噪音环境，口述ai修图还剩几分靠谱？

安静环境说标准普通话，识别率在九成上下；带方言口音降到六成多；菜市场那种噪音环境再打对折。口音重的用户建议说短句，一条指令压在八个字以内。

8月底到9月初，我专门做了组方言和噪音的对比测试。固定10条指令，三种条件各说一遍：安静房间的普通话，28次识别正确；我妈那种带浓重家乡口音的「塑料普通话」，30次里对19次，识别最稳的是「消除」「调亮」这类短动词指令，「饱和度」「对比度」这种双音节专业词基本全军覆没，要么丢字要么转成一个不相干的词。第三种条件我把手机带到楼下菜市场，同样的普通话，30次里只对了14次，环境噪音一上来，工具连「翻转」都听成别的。

直接说方言更没法看。我拉了个四川朋友用川话喊指令，试了两款主流工具，方言没有被当成独立语料支持，识别率是个位数，十条里对不了一条。话说回来，这不能全怪AI——主流语音模型的训练数据里方言占比本来就小，这是行业现状，不是修图工具单独的锅。

噪音环境里有几个实操技巧能把成功率拉回来一些。手机举近，距离从一米缩到二十厘米以内，菜市场环境的正确识别从14次涨到21次；把长指令拆短，「消除」两个字单独说，比「帮我把画面里多余的人消除掉」稳；说完等预览刷新再说下一条，别连珠炮。这些技巧救得了七八成的场面，救不了全部——风声大的户外，我的建议就是别张嘴了，回去打字。

如果你想系统研究指令怎么写才能让AI少理解歪，不管是打字还是语音，那篇讲修图ai语句怎么写才管用的客服视角指令集可以接着看，里面对方位词和程度词的坑挖得更细。

嘴比手快这件事，前提是活儿足够简单。口述ai修图给我的真实体验是：单步指令它是合格的懒人神器，多步操作它是需要盯着的实习生，方言和噪音面前它还是个偏科生。3月那次删错人的直播我到现在还会被老观众刷梗，但它也逼明白了一件事——张嘴之前先想清楚这条指令是不是一句话能说完的，想不清楚，就低头用键盘。嘴和手不冲突，会用两个的人干活最快。