Google ampliou as capacidades da aplicación Gemini para macOS cun novo sistema de interacción por voz que permite crear, editar e resumir contidos mediante linguaxe natural sen abandonar a aplicación na que estea a traballar o usuario.
A principal novidade consiste na posibilidade de activar Gemini mantendo premida a tecla Fn. A partir dese momento, o usuario pode falar directamente en calquera fiestra do escritorio. De xeito predeterminado, a función actúa como un sistema de ditado intelixente que transcribe a voz en texto depurado, eliminando expresións de recheo, corrixindo interrupcións ou rectificacións durante a fala e inserindo o resultado directamente na posición do cursor.
Os usuarios que activen nas preferencias o modo de razoamento de Gemini dispoñen ademais de funcións máis avanzadas. A aplicación pode comprender o contexto do contido que aparece na pantalla para executar tarefas máis complexas a partir de instrucións de voz.
Entre as novas capacidades figura a análise de ficheiros locais, documentos ou imaxes seleccionadas para extraer e resumir información. Google pon como exemplo a posibilidade de seleccionar documentos veterinarios e solicitar que Gemini redacte un correo electrónico resumindo o historial médico dun can.
Tamén permite reescribir textos en calquera aplicación, modificando o ton ou adaptando o formato segundo as indicacións do usuario. Así, unhas notas poden transformarse automaticamente nun resumo executivo cunha síntese inicial.
Outra das incorporacións é a xeración e edición de imaxes mediante ordes de voz. A ferramenta pode crear ilustracións a partir dunha descrición ou modificar deseños existentes, como xerar unha versión adaptada ao modo escuro dunha ilustración.
Estas novas funcións de voz están a despregarse de maneira gradual para todos os usuarios da aplicación Gemini para macOS en inglés, coa intención de chegar a máis linguas proximamente.
