Gemini na Maca z inteligentnym dyktowaniem i trybem podglądu ekranu

W środę, 29 lipca 2026 roku, Google ogłosiło dwie nowe funkcje głosowe dla aplikacji Gemini na macOS: inteligentne dyktando dostępne dla wszystkich użytkowników oraz opcjonalny, wymagający zgody użytkownika tryb Świadomości Ekranu, który pozwala Gemini widzieć zawartość pulpitu . Oto szczegółowe omówienie.

Co ogłoszono

Google udostępniło warstwę interakcji głosowej w aplikacji Gemini na macOS. Użytkownicy mogą mówić do Gemini z dowolnego okna na pulpicie, przytrzymując klawisz Fn . Aktualizacja oferuje dwa tryby.

Dwa tryby i jak działają

1. Inteligentne dyktando (domyślne, zawsze włączone)

• Przytrzymaj klawisz Fn w dowolnej aplikacji i mów naturalnie .
• Gemini transkrybuje słowa na czysty, sformatowany tekst – automatycznie dodaje interpunkcję, wielkie litery i usuwa słowa-wypełniacze („yyy”, „aaa” oraz poprawki w trakcie mówienia) .
• Tekst pojawia się bezpośrednio w aktywnej aplikacji lub polu tekstowym. To inteligentniejsza alternatywa dla wbudowanego dyktanda macOS .

2. Świadomość Ekranu (wymaga zgody)

• Funkcję trzeba ręcznie włączyć .
• Po aktywacji Gemini może „widzieć” zawartość ekranu, uzyskując dostęp do nagrywania ekranu .
• Można wydawać polecenia głosowe odnoszące się do treści na ekranie, np. „podsumuj ten dokument” lub „edytuj ten akapit” – Gemini wykonuje zadania na widocznej treści .
• Redakcja The Verge opisuje to jako pozwolenie Gemini na „wykonywanie zadań w otwartych oknach” .

Kwestie prywatności

• Inteligentne dyktando przetwarza audio w chmurze Google; obowiązują standardowe zasady prywatności Gemini (czaty domyślnie przechowywane przez 18 miesięcy, z opcjami 3/36 miesięcy lub automatycznego usuwania, a w przypadku wyrażenia zgody możliwy jest wgląd człowieka) .
• Świadomość Ekranu budzi większe obawy: wymaga przyznania uprawnień do nagrywania ekranu. Ponieważ jest opcjonalna, nic nie jest udostępniane, dopóki użytkownik nie włączy jej ręcznie . Po włączeniu Google może widzieć zawartość aktywnych okien, co rodzi ryzyko przypadkowego ujawnienia poufnych danych. Google deklaruje, że pyta o zgodę przed podjęciem ważnych działań, ale dane ekranu są przetwarzane na serwerach Google .

Porównanie: Gemini vs ChatGPT Desktop vs Apple Intelligence

Funkcja	Gemini macOS (29 lipca)	ChatGPT Desktop (23 lipca)	Apple Intelligence (Siri)
Wywołanie	Długie przytrzymanie Fn	Przycisk głosowy / skrót klawiszowy	„Hey Siri” lub przycisk
Zasięg	Systemowy, dowolne okno	W aplikacji ChatGPT (Work/Codex)	Systemowy przez Siri
Świadomość ekranu	Tak, opcjonalnie	Tak (Work/Codex, Appshots na macOS)	Ograniczona (kontekst w niektórych aplikacjach)
Model głosowy	Transkrypcja + wnioskowanie Gemini	GPT-Live-1 (dwukierunkowy, z możliwością przerywania)	Modele Siri na urządzeniu
Dwukierunkowa rozmowa	Skupione na dyktandzie, nie pełny dupleks	Pełny dupleks (jednoczesne mówienie i słuchanie)	Pojedyncze zapytania
Automatyzacja pulpitu	Polecenia Świadomości Ekranu	Bezpośrednie sterowanie agentami (Codex, Work)	Skróty + intencje aplikacji
Platforma	Tylko macOS (w tym tygodniu)	macOS + Windows	macOS, iOS, iPadOS (ekosystem Apple)

Kluczowe różnice: ChatGPT Desktop z GPT-Live-1 oferuje prawdziwy konwersacyjny tryb głosowy – może słuchać i mówić jednocześnie, obsługiwać przerwy i kierować agentami AI w czasie rzeczywistym . Gemini jest bardziej zadaniowy: dyktando plus polecenia związane z ekranem, bez płynnej konwersacji. Apple Intelligence działa głównie na urządzeniu i jest głęboko zintegrowane z systemem, ale brak mu głębi generatywnej i autonomii międzykrypcyjnej Gemini czy ChatGPT.

Szczegóły dostępności

Nowe sterowanie głosowe (29 lipca 2026)

• Język: Na razie tylko angielski; nie opublikowano oficjalnej listy dodatkowych języków .
• Wersja aplikacji: Najnowsza wersja Gemini na macOS (aktualizacja stopniowa, bez podanego konkretnego numeru) .
• Globalne wdrożenie: Rozpoczęło się 29 lipca na całym świecie, może potrwać kilka dni, zanim dotrze do wszystkich regionów .
• Ograniczenie wiekowe: 18+ (standardowa polityka wiekowa Gemini).
• Subskrypcja: Inteligentne dyktando jest bezpłatne; Świadomość Ekranu również jest bezpłatna na starcie – żadna z funkcji głosowych nie wymaga subskrypcji Google AI Ultra .

Gemini Spark (premiera 30 czerwca 2026)

• Co to jest: Całodobowy agent AI działający w chmurze Google, nawet gdy urządzenia są wyłączone. Automatyzuje zadania w Gmailu, Dokumentach, Kalendarzu, plikach i usługach zewnętrznych, korzystając z harmonogramów i umiejętności .
• Język: Na razie tylko angielski .
• Wersja aplikacji: Wymaga najnowszej wersji Gemini na macOS (beta); Spark działa też na Androidzie, iOS i w przeglądarce .
• Globalne wdrożenie: Ograniczona beta – tylko USA według stanu na 30 czerwca . Osobno odnotowano premierę w Indiach 29 lipca .
• Ograniczenie wiekowe: 18+.
• Subskrypcja: Tylko dla subskrybentów Google AI Ultra (płatny plan). Niedostępne w darmowej wersji Gemini .
• Kluczowa różnica: Spark to agent działający w tle (proaktywny, 24/7), podczas gdy sterowanie głosowe to metoda wprowadzania danych w czasie rzeczywistym (reaktywna, na żądanie). Spark działa autonomicznie w chmurze; sterowanie głosowe wymaga obecności przy Macu i aktywnego mówienia. Spark jest płatny; sterowanie głosowe – darmowe.