Gemini for Mac อัปเดตใหญ่! ควบคุมด้วยเสียง กด Fn ค้างเพื่อสั่งงาน พร้อมโหมด ‘Screen Awareness’ ให้ AI มองเห็นหน้าจอคุณ

สิ่งที่ประกาศ

Google เพิ่มเลเยอร์การโต้ตอบด้วยเสียงแบบกดค้าง (press-and-hold) ให้กับแอป Gemini บน macOS ช่วยให้ผู้ใช้พูดคุยกับ Gemini จากหน้าต่างใดก็ได้บนเดสก์ท็อปโดยการกด ปุ่ม Fn ค้างไว้ การอัปเดตนี้มีสองโหมดหลัก

สองโหมดและวิธีการทำงาน

1. Intelligent Dictation (ค่าเริ่มต้น เปิดตลอดเวลา)

• กด ปุ่ม Fn ค้างไว้ในแอปใดก็ได้ แล้วพูดตามธรรมชาติ
• Gemini จะถอดเสียงคำพูดของคุณเป็น ข้อความที่สะอาดและเรียบร้อย ซึ่งจัดรูปแบบเองโดยอัตโนมัติ — จัดการเครื่องหมายวรรคตอน ตัวพิมพ์ใหญ่ และแม้แต่ลบคำเติม ('เอ่อ' 'อ่า' และการแก้ไขประโยคกลางคัน) ออก
• ข้อความที่ออกมาจะปรากฏทันทีในแอปหรือช่องข้อความที่คุณใช้งานอยู่ ออกแบบมาเพื่อแทนที่ระบบป้อนตามคำสั่ง (dictation) ในตัวของ macOS ที่ชาญฉลาดกว่า

2. Screen Awareness (เลือกเปิดใช้เอง)

• คุณต้อง เปิดใช้งานด้วยตนเอง (ต้องยินยอมเท่านั้น)
• เมื่อเปิดแล้ว Gemini จะสามารถ 'เห็น' สิ่งที่อยู่บนหน้าจอของคุณผ่านการอนุญาตแชร์หน้าจอ
• คุณสามารถออกคำสั่งเสียงที่อ้างอิงเนื้อหาบนหน้าจอได้ เช่น 'สรุปเอกสารนี้' หรือ 'แก้ไขย่อหน้านั้น' แล้ว Gemini จะทำตามเนื้อหาที่เห็น
• The Verge อธิบายว่าฟีเจอร์นี้ทำให้ Gemini 'ทำงานภายในหน้าต่างที่เปิดอยู่ของคุณ'

ข้อแลกเปลี่ยนเรื่องความเป็นส่วนตัว

• Intelligent Dictation จะประมวลผลเสียงในคลาวด์ของ Google นโยบายความเป็นส่วนตัวของ Gemini ปกติจะใช้บังคับ (แชทถูกเก็บบันทึกโดยค่าเริ่มต้นนาน 18 เดือน โดยมีตัวเลือกให้ตั้งเป็น 3/36 เดือนหรือลบอัตโนมัติ และอาจมีการตรวจสอบโดยมนุษย์ในแชทที่เลือกเปิด)
• Screen Awareness เป็นประเด็นด้านความเป็นส่วนตัวที่ใหญ่กว่า: ต้องให้สิทธิ์แก่ Gemini ในการบันทึกหน้าจอ เนื่องจากเป็นแบบเลือกเปิดเอง จะไม่มีอะไรถูกแชร์จนกว่าคุณจะเปิดใช้งานอย่างชัดเจน เมื่อเปิดแล้ว Google สามารถเห็นเนื้อหาของหน้าต่างที่ใช้งานอยู่ของคุณ ซึ่งทำให้เกิดความกังวลเช่นเดียวกับเครื่องมือ AI ที่อ่านหน้าจออื่นๆ (การแชร์ข้อมูลที่ละเอียดอ่อนโดยไม่ตั้งใจ การมองเห็นข้อมูลรับรอง ฯลฯ) Google บอกว่าจะตรวจสอบกับคุณก่อนดำเนินการสำคัญใดๆ แต่ข้อมูลหน้าจอจะถูกประมวลผลบนเซิร์ฟเวอร์ของ Google

เปรียบเทียบ: Gemini vs ChatGPT Desktop vs Apple Intelligence

จุดแตกต่างสำคัญ: GPT-Live-1 ของ ChatGPT Desktop เป็นโหมดเสียงสนทนาที่แท้จริง — สามารถฟังและพูดไปพร้อมกัน จัดการการขัดจังหวะ และสั่งงานเอเจนต์ AI แบบเรียลไทม์ แนวทางของ Gemini นั้นเน้นงานมากกว่า: การป้อนตามคำสั่งบวกกับคำสั่งที่รับรู้หน้าจอ มากกว่าการสนทนาแบบเป็นธรรมชาติ Apple Intelligence ทำงานบนอุปกรณ์เป็นหลักและผสานรวมกับระบบได้ดี แต่ขาดความลึกเชิงสร้างสรรค์และความอิสระข้ามแอปเช่น Gemini หรือ ChatGPT

รายละเอียดการวางจำหน่าย

ระบบควบคุมด้วยเสียงใหม่ (29 กรกฎาคม 2026)

• ภาษา: ภาษาอังกฤษก่อน; ยังไม่มีรายชื่อภาษาอื่นอย่างเป็นทางการ
• เวอร์ชันแอป: แอป Gemini สำหรับ macOS เวอร์ชันล่าสุด (อัปเดตแบบต่อเนื่อง ไม่มีการระบุหมายเลขเวอร์ชันเฉพาะ)
• การเปิดตัวทั่วโลก: เริ่มเปิดตัวทั่วโลกตั้งแต่วันที่ 29 กรกฎาคม แต่อาจใช้เวลาหลายวันกว่าจะถึงทุกภูมิภาค
• ข้อจำกัดอายุ: 18 ปีขึ้นไป (นโยบายอายุมาตรฐานของ Gemini)
• การสมัครสมาชิก: ฟรีสำหรับ Intelligent Dictation; Screen Awareness ก็ฟรีเมื่อเปิดตัวเช่นกัน — ไม่ต้องใช้ Google AI Ultra หรือระดับแบบชำระเงินสำหรับฟีเจอร์เสียงทั้งสอง

Gemini Spark (เปิดตัวเมื่อ 30 มิถุนายน 2026)

• มันคืออะไร: เอเจนต์ AI แบบถาวร 24/7 ที่ทำงานบน Google Cloud แม้ในขณะที่อุปกรณ์ของคุณปิดอยู่ มันทำงานอัตโนมัติข้าม Gmail, Docs, ปฏิทิน, ไฟล์ และบริการของบุคคลที่สามโดยใช้กำหนดการ(Schedules) และทักษะ(Skills)
• ภาษา: ภาษาอังกฤษเท่านั้นเมื่อเปิดตัว
• เวอร์ชันแอป: ต้องใช้แอป Gemini สำหรับ macOS เวอร์ชันล่าสุด (เบต้า); Spark ยังทำงานบน Android, iOS และเว็บได้ด้วย
• การเปิดตัวทั่วโลก: เบต้าแบบจำกัด — เฉพาะสหรัฐอเมริกาเท่านั้น ณ วันที่ 30 มิถุนายน มีรายงานแยกต่างหากเกี่ยวกับการเปิดตัวในอินเดียเมื่อวันที่ 29 กรกฎาคม
• ข้อจำกัดอายุ: 18 ปีขึ้นไป
• การสมัครสมาชิก: เฉพาะสมาชิก Google AI Ultra เท่านั้น (ระดับแบบชำระเงิน) ไม่มีให้บริการใน Gemini ฟรี
• ความแตกต่างหลักจากการควบคุมด้วยเสียง: Spark เป็นเอเจนต์เบื้องหลัง (ทำงานเชิงรุก ทำงานอัตโนมัติ 24/7) ในขณะที่การควบคุมด้วยเสียงเป็นวิธีการป้อนข้อมูลแบบเรียลไทม์ (ตอบสนองตามคำขอ) Spark ทำงานอัตโนมัติในคลาวด์ การควบคุมด้วยเสียงต้องให้คุณอยู่หน้า Mac และกำลังพูดอยู่ Spark มีค่าใช้จ่าย การควบคุมด้วยเสียงฟรี