Open Typeless Harness
一种 correction-native 的语音输入方式，从你真实做出的编辑中学习个人词汇。
结论先行
GitHub: OpenCodexLabs/open-typeless-harness.
Open Typeless Harness 来自一个简单挫败感：通用 speech-to-text 总是在那些对你最重要的词上失败。项目名、论文术语、产品名、中英混合短语和个人写作习惯，恰好是普通 dictation 最笨的地方。
这个项目问的是另一个问题：如果语音输入能从文本落地后你实际做出的编辑里学习，会怎样？
为什么需要它
痛点不是 dictation 犯了一次错，而是它明天还会犯同样的错。你说一个 repo 名，修一次；说一个论文缩写，修一次；中英混说，再修一次。系统完全看不到这些 correction history。
这意味着用户手动变成了学习循环。每一次 correction 都是一个微小训练信号，但普通语音输入会把它丢掉。
核心想法
语音输入不应该是一个单独的写作框，而应该是覆盖在你已有工作字段上的输入层。你在当前 App 里说话，让模型 polish transcript，把它插入当前 focused field，然后观察短窗口内跟随发生的编辑。
这些编辑才是真正的产品信号。稳定 correction 可以成为本地 speech skills；模糊 correction 可以保持可审阅。这个 loop 会变好，但不要求用户变成 prompt engineer。
| 阶段 | 发生什么 | 为什么重要 |
|---|---|---|
| Listen | 捕获语音并生成 ASR transcript。 | 用户可以留在当前写作上下文中。 |
| Polish | 使用相关 speech skills 和 LLM polish step。 | 个人词汇可以在插入前被应用。 |
| Insert | 把文本写入当前 focused field。 | App 像输入层，而不是另一个编辑器。 |
| Learn | 观察插入后的短窗口编辑。 | 真实 correction 成为产品反馈。 |
| Adapt | 把稳定模式提升为本地 speech skills。 | 下一次 dictation 可以改进，而不需要手动调 prompt。 |
工作流
这个 workflow 是一个反馈循环：listen、polish、insert、learn、adapt。每一步都很小，但合在一起就把产品类别从 “speech-to-text” 变成了 correction-native input。
重要边界是：它仍然是输入层，不是自主 agent。它应该写入用户正在使用的字段，从用户编辑中学习，并把本地词汇控制权留给用户。
为什么重要
AI-native work 不只是让 agent 操作文件，也包括改变人表达意图的方式。语音带宽很高，但前提是系统理解个人词汇和上下文相关表达。
Open Typeless Harness 让语音输入不再像一次性转写服务，而更像一种会随着使用而改进的本地写作习惯。
什么时候使用
| 适合使用 | 需要小心 |
|---|---|
| 你经常口述技术内容或中英混合内容。 | 目标字段包含你不想被监控的私密文本。 |
| 你反复纠正同样的词汇错误。 | 你需要严格的法律、医疗或金融转写。 |
| 你想在现有 App 内使用语音输入。 | 一个简单快捷键已经足够完成任务。 |
一句话故事
语音输入不应该止步于 transcription。更有意思的产品 primitive 是 correction loop：用户修了什么，哪些修正反复出现，哪些应该变成本地 skill？
Open Typeless Harness 把 dictation 变成一个由真实编辑驱动的本地学习循环。