Google 在 Gemini 的 Mac 应用中加入系统级语音编辑功能

Why it matters

Google is using Gemini's reach to claim the Mac cursor as an AI interface, raising the bar from transcription to context-aware editing, file analysis and generation.

Google 在 7 月 29 日向 Gemini macOS app 添加了语音驱动的写作和编辑功能，为用户提供了一个 Fn 键快捷键，可以将口述文本、重写、文件摘要和生成的图像直接放入活动窗口。

该功能名为 Speak to Window，Google 在一则 三条帖文的 X 线程 和其 发行说明 中表示，正在向所有 Gemini Mac 用户推送英文版本。标准的听写默认启用。用户在说话时按住 Fn 键，然后松开即可将 Gemini 的输出插入光标处。双击可开启免提录音以处理较长段落。

Google 表示，听写模式会移除填充词，遵循句中修正，并将语音格式化为段落或项目符号。这使 Gemini 不再是字面转录：模型在文字到达文档之前就对说话者的话进行了编辑。

推理模式深入活动窗口

一个单独的推理选项（用户必须在应用的 Speak to Window 设置中启用）允许 Gemini 使用屏幕上下文。用户可以在电子邮件、文档或其他应用中高亮文本，并口头要求 Gemini 更改语气、重写或重新格式化。相同的工作流可以从所选文档、PDF 和图像中提取信息，或生成视觉内容并插入到用户正在工作的地方。

Google 表示，Gemini 能区分普通听写和需要推理的请求。公司还将本地文件访问限制为用户所选的材料或用户明确连接的目录。读取完整浏览器页面或共享文件夹中的文件需要 macOS Accessibility 权限。

这种区分很重要，因为 Google 将一个通用模型放在通常与基础操作系统听写相关的快捷键后面。该产品可以转换光标周围的材料，而不强迫用户打开聊天机器人、提供上下文并将结果复制回另一个应用程序。

此次推送紧随 Google 4 月 15 日 推出原生 Gemini Mac 应用 之后。该免费应用可在运行 macOS Sequoia 15.0 或更高版本的 Apple Silicon 机器上运行。它已提供 Option+Space 的迷你聊天、Option+Shift+Space 打开的完整聊天，以及通过同时使用两个 Command 键的快捷方式进行窗口共享。

桌面端的推动由 Josh Woodward 负责，他是负责 Google Labs、Gemini 应用和 AI Studio 的 Google 副总裁。Woodward 之前参与创立了 Google 的 Next Billion Users 计划并参与 Chromebook 项目。他现在的职责范围包括将 Gemini 打造为跨桌面持续存在的界面，而不是用户在浏览器标签中访问的目的地。

AI 助手为 Mac 快捷键展开竞争

Google 正进入一场争夺用户与应用之间这一层的激烈竞争。Claude Desktop 的 Quick Entry 可以从任何应用打开、捕获屏幕截图，并通过 Caps Lock 快捷键接受语音听写。Anthropic 目前的工作流会先将消息转录以供审核，然后用户再将其发送给 Claude。

ChatGPT 的 Work with Apps 可以从受支持的编辑器、终端和编码工具读取上下文，并可以在集成开发环境中应用建议的编辑。OpenAI 在与已连接应用协作时也支持语音，尽管其文档指出语音模式不支持代码编辑。

在输入点上，Gemini 的定位更广：在活动文本字段中讲话，在需要上下文时选择附近内容，并在光标处接收结果。它能够通过相同的语音快捷键生成并插入图像，这为 Google 将其多模态模型与日常桌面工作绑定提供了另一种途径。

Google 在分发该功能方面有充足的渠道。Sundar Pichai 在 Alphabet 7 月 22 日的财报电话会上 表示，Gemini 应用已达到 9.5 亿月活跃用户，日活跃用户较去年同期增长了三倍。以上为公司报告的数据，未单独列出 macOS 的采用情况。

此 Mac 更新显示了 Google 试图将这些覆盖转化为习惯的方向。竞争正从哪个聊天机器人能给出最佳独立答案，转向哪个助手能以最小摩擦最靠近用户的文件、屏幕和光标。Speak to Window 为 Google 在 Apple 自家操作系统上进入该工作流提供了直接途径。