简短回答：问卷开放题的语音回答通常比打字回答长两到三倍，作答用时也更短，但跳过的人要多得多。在一项 2024 年针对 1,001 名德国受访者的随机化智能手机实验中，39% 的人跳过了口头追问，而书面追问只有 8%。应把语音作为获取深度的可选项，而不是唯一的作答方式。
最后更新：2026 年 9 月 11 日
开放题是问卷获得"为什么"的地方，也是受访者最容易放弃的地方：在手机上用拇指打出的回答往往只有寥寥几个词。让人们直接说话是显而易见的解决办法，而问卷方法学者已经在足够多的随机实验中检验过它，可以说清它能带来什么、不能带来什么。本文总结问卷语音回答的相关证据，补充 2026 年关于自动转写的研究发现，并给出一个何时使用语音的决策矩阵。
核心要点
- 语音回答更长。各项研究中，口头回答的长度大约是打字回答的两到三倍。
- 语音回答更常被跳过。在一项 2024 年实验中，口头追问的无应答是书面追问的四到五倍。
- 更长不等于更丰富。同一实验发现两种方式得到的主题相近。
- 自动转写成为新的薄弱环节。2026 年一项对三种语音识别工具的比较发现，每种工具的失败方式各不相同。
- 最佳实践是提供选择，而不是替代。保留文字输入，并在编码前审核转写稿。
什么是问卷中的语音回答？
语音回答是指受访者通过说话（通常对着智能手机）而非打字来回答问卷开放题。问卷保存音频，之后经人工或自动语音识别转写，再像其他开放文本一样编码。听写是一种相关但不同的选项：手机键盘实时把语音转成文字，研究者只能看到文字。
研究发现了什么？
现有证据主要来自德国和西班牙在线样本库中的随机实验，结论相当一致。
回答更长、更快
在一项关于敏感话题的智能手机实验中，Höhne、Gavras 与 Claassen（2024）发现，在全部四道敏感开放题上，语音回答的长度都是文字回答的两倍以上，而作答用时更短。在一项网络追问实验中，Lenzner、Höhne 与 Gavras（2024）报告口头回答的词数约为三倍：第一道追问为 43.82 对 14.18 个词，第二道为 41.19 对 12.08 个词。
不作答的人多得多
同一网络追问研究（N = 1,001，Forsa Omninet 样本库）发现，口头组约 39% 的人没有回答第一道追问，书面组仅为 8%。Höhne 等人引用的早期研究报告语音回答的流失率约为 45%，文字约为 13%。Revilla、Couper、Bosch 与 Asensio（2020）发现，录音作答的无应答明显高于打字，听写则略高。作答意愿也因人而异：Lenzner 与 Höhne（2022）研究了谁愿意使用语音输入以及原因——这很重要，因为选择性无应答是一种偏差，而不只是样本变小。
多出来的词不一定带来多出来的洞见
Lenzner、Höhne 与 Gavras 发现两种方式得到的主题相近，口头回答仅在第一道追问上提及的主题略多。他们的总体结论是结果喜忧参半，没有明显的赢家。口头回答包含更多停顿、重复和语境，这对解读有价值，但并不保证产生新的编码。
AI 能可靠地转写问卷语音回答吗？
不经核查就不能。Revilla、Ochoa、Höhne 与 Couper（2026）用三种工具转写了 859 条西班牙语语音回答：
| 工具 | 主要优势 | 主要问题 |
|---|---|---|
| Google Cloud Speech-to-Text | 94.2% 的转写稿被评为非常清晰 | 26% 的音频文件未能转写，尤其是较长的录音 |
| OpenAI Whisper | 99.8% 的案例生成了转写稿 | 28.5% 至少多出一个词，19.2% 缺词；有效率 79.6% |
| Vosk | 覆盖率 90% | 标点薄弱；仅 10.7% 被评为非常清晰 |
作者还比较了人工编码与 GPT-4o 对转写稿的编码。两者一致性为弱到中等，Cohen's kappa 随质量维度不同在 0.00 到 0.63 之间。实践启示：转写环节会悄无声息地塑造你的数据，而且失败方式各异（丢文件还是凭空加词）。要有意识地选择工具，并抽查音频与文字是否一致。
语音回答决策矩阵
这个矩阵是 Qualitati 基于上述研究的自有归纳。可以逐题判断语音是否值得付出无应答的代价。
| 情境 | 建议 | 原因 |
|---|---|---|
| 叙事型问题（"请讲讲您上一次…"） | 在文字之外提供语音选项 | 这类问题最看重长度和语境 |
| 简短的事实或列举题 | 仅文字 | 语音只增加无应答，不增加内容 |
| 必须人人作答的关键结果题 | 默认文字，语音可选 | 语音的无应答可能高出四到五倍 |
| 读写能力较低或打字困难的受访者 | 醒目地提供语音 | 消除作答障碍 |
| 回答将被大规模自动编码 | 仅在审核转写稿的前提下使用语音 | 语音识别工具会丢文件或加词 |
| 需要语气、语速或情绪 | 使用语音，并作为音频分析 | 转写稿会丢失声学信号 |
语音回答准备清单
- 每道启用语音的题目都保留文字输入。
- 知情同意页说明音频会被录制、存储和转写。
- 预测试检查 iOS 和 Android 上的录音按钮与麦克风权限。
- 合并结果前，比较选择语音与选择文字的人群。
- 抽取一部分转写稿（例如 10%）与音频核对。
- 编码方案在两种方式间一致地处理停顿和重复。
何时不应使用语音回答
- 当某道题的全面覆盖比深度更重要时。
- 当受访者在公共或共享空间作答时，例如通勤者或职场样本。
- 当伦理审批或数据政策不允许存储音频时。
- 当转写工具对所涉语言或口音支持较差时。
Qualitati 的定位
Qualitati 是面向产品、UX 和客户洞察团队的 AI 用户研究平台。其对话式问卷会由 AI 提出追问，并可嵌入以文字或实时语音进行的 AI 主持访谈题，让想说话的受访者可以说，而问卷其余部分保持结构化。对于口头数据，AI 主持访谈支持 10 种语言的语音或文字访谈，Voice Analytics 提取音高、响度变化和语速等声学特征，ThemeLens 可跨最多 100 份访谈记录归纳主题并附上受访者原话。在任何平台上都应同样谨慎：报告前请审核转写稿和编码。
这些证据的局限
大多数实验来自德国和西班牙的在线样本库以及少数几个研究团队，因此在其他国家、语言和人群中结果可能不同。无应答率也在很大程度上取决于界面设计以及语音选项的引入方式。请把上述数字视为方向而非对你研究的预测，并进行预测试。
常见问题
问卷中语音回答比打字回答更好吗？
语音回答更长、作答更快，但被跳过的频率高得多，也不一定产生更多主题。它适合获取叙事深度，而不是覆盖面。
受访者为什么会跳过语音题？
研究指向隐私顾虑、身处公共场所、不习惯录音，以及麦克风权限等技术障碍。不同受访者群体的意愿也不同。
应该用听写还是录音？
在 Revilla 等人 2020 年的研究中，听写把回答保留为文字，无应答仅比打字略高；录音保留了更丰富的音频，但无应答明显更高。
哪种语音识别工具最适合问卷回答？
在 2026 年 JSSAM 的比较中没有工具全面胜出。Google 文字最清晰但漏掉了许多文件；Whisper 几乎全覆盖但会加词。无论选哪种都要抽样审核。
LLM 能代替人工编码语音回答吗？
可以辅助，但在 2026 年的研究中 GPT-4o 与人工编码者的一致性只有弱到中等。请保留经人工审核的编码手册，并在依赖它之前检验一致性。
结论
问卷语音回答是用覆盖面换深度。在叙事型问题上提供语音，保留文字输入，审核转写，并在合并前检查各方式的作答人群。想并排尝试口头与文字回答，可免费开始，获得 30 积分，或查看透明定价。
本文是对已发表研究的独立编辑摘要。方法学建议应结合你自己的研究设计和伦理要求进行审阅。