Google近期为其AI助手Gemini的对话式语音模式Gemini Live加入了跨应用操作能力。据官方介绍以及部分用户反馈，该功能允许用户在保持全屏视频通话、观看视频或进行其他前台任务时，通过语音指令调用消息类应用发送文本，或控制部分Google自家应用执行特定操作。这一更新试图让Gemini在实用性上更接近苹果的Siri，但从实际体验来看，两者在系统级集成深度上仍存在显著差异。
Gemini Live跨应用操作的功能边界
根据Google的更新说明，Gemini Live的跨应用操作主要围绕“对话中执行任务”场景展开。例如，当用户在Google Meet中进行视频会议或正通过YouTube观看内容时，可以唤醒Gemini说出“给某人发短信”或“在WhatsApp里告诉XX我稍后回复”，Gemini会尝试打开对应的应用并填写信息。在CNET的对比测试中，该功能在Google自家的信息应用以及第三方应用WhatsApp上表现不同：在信息应用中，Gemini仅打开短信起草界面并要求用户手动确认发送；而在WhatsApp内，Gemini能够直接自动完成发送，省去确认步骤。这种不一致性表明，跨应用操作的权限与适配尚未完全打通，目前仍局限于部分经过深度适配的应用程序。
另一方面，Gemini Live的核心体验在于流畅的语音对话能力。用户无需说唤醒词即可连续交谈，并且支持随时打断和话题切换。这一交互模式的响应速度和拟人程度较传统语音助手有明显提升，但一旦涉及具体应用控制，Gemini仍需要将控制权移交给应用本身，缺乏类似Siri在iOS中那种直接发送短信、播放特定播放列表或调整系统设置的端到端执行能力。
Siri：系统级集成的代表及其局限性
苹果Siri的优势在于与iOS及macOS的深度绑定。用户可以通过语音指令完成发送信息、拨打电话、创建提醒、控制家庭设备等任务，这些操作大多不需要用户手动确认即可执行。从系统整合角度看，Siri已经实现了类似“端到端”的控制闭环。然而，Siri在自然语言理解、连续对话和上下文记忆方面长期落后于竞争对手。例如，Siri无法在一次唤醒中连续完成多个相关指令，也缺乏像Gemini Live那样的动态打断和话题切换能力。
苹果在WWDC上公布的Apple Intelligence计划试图借助大语言模型提升Siri的语义理解与生成能力，并开放部分App Intents框架实现更丰富的跨应用操作。但截至目前，这些改进尚未大规模落地。对于用户而言，Siri依然是一个“听话但不够聪明”的助手，而Gemini则展示了“聪明但不够听话”的另一面。理想中的AI助手应当同时具备深度的系统控制能力和灵活的对话智能，但目前两者处于割裂状态。
AI助手人性化困境：从工具到伙伴的距离
无论是Gemini还是Siri，当前的语音助手均以“指令响应”为核心模式——用户发起请求，助手执行或引导执行。这种模式的本质仍是一个语音控制的图形界面，而非具有主动性、记忆和个性化行为的智能体。CNET评论文章指出，用户真正需要的是一位能记住偏好、预判需求、甚至在适当时机主动提供帮助的“伙伴”，而不是一个只会等待指令的搜索引擎。从这一维度看，Gemini Live的跨应用更新并未改变助手的工具属性，而Siri对Apple Intelligence的整合也尚未展现出足够的主动性。
同时，跨应用操作面临隐私与安全挑战。苹果坚持设备端处理许多Siri请求以保护用户数据，这限制了其访问第三方应用内容和云端大模型能力。Google的Gemini则依赖云端模型来实现更复杂的多轮对话和语义理解，但在涉及敏感信息的应用交互时，用户信任成本更高。如何在智能化与隐私保护之间取得平衡，是所有AI助手厂商需要持续解决的课题。
从目前两个生态的进展来看，谷歌选择先打通对话流畅性，再逐步扩展应用控制；苹果则优先保障系统控制的安全性，再缓慢升级对话智能。两条路径各有取舍，但均未达到用户对“真正智能助手”的期待。未来AI助手的竞争可能不再局限于单一功能的优劣，而是谁能率先突破“被动响应”的边界，迈向融合上下文理解、长期记忆与主动服务的全新交互范式。
（本文基于CNET评论文章梳理事实与分析，不代表本站立场。）
本文参考来源：CNET
