Speak to Window de Gemini: dictar y dar órdenes viendo tu pantalla

La idea es sencilla: Google ha metido un micrófono dentro del sistema. Mantienes pulsada una tecla (la que tú elijas), hablas y lo que dices se escribe directamente en la ventana que tengas abierta, ya sea Gmail, un documento de Google o WhatsApp Web.

Dictar en cualquier ventana ya era posible. Yo uso a diario Wispr Flow para eso. Lo que cambia aquí es que esas herramientas solo pasan el audio a texto, y Gemini, además, ve lo que estás viendo en pantalla y puede razonar sobre lo que le dices. Por eso no solo le dictas: también le puedes pedir cosas sobre lo que tienes delante.

Se activa desde la aplicación de escritorio. En la versión web no aparece, porque necesita permisos sobre el ordenador que una web no puede tener.

1. Abre la aplicación de escritorio de Gemini y entra en los ajustes, abajo a la izquierda.
2. En la ventana que se abre, ve a Speak to Window.
3. Elige la combinación de teclas que activa la función, de las que te propone o una personalizada. También está la opción de mantener pulsada la tecla mientras hablas.
4. Revisa la opción usar razonamiento: es la que permite que Gemini vaya más allá de transcribir y te ayude a editar, resumir o crear contenido a partir de cualquier ventana.
5. Pulsa Siguiente, cierra la ventana y ya puedes usarla.

Es el uso básico, el que casi todo el mundo probará el primer día. En un documento de Google pulsé dos veces la tecla que había elegido, hablé y la transcripción salió perfecta.

Luego lo probé en un correo: «Hola Juan, ¿cómo estás? ¿Podrías enviarme, por favor, el informe que me comentaste el otro día? Un saludo, Ernesto». No solo escribió el texto: puso los signos de puntuación, los de interrogación y hasta los saltos de línea típicos de un correo.

Lo que más me gustó es cómo limpia lo que dices. Al hablar metemos muletillas, nos paramos y nos corregimos. Hice la prueba a propósito: dije «el informe que me mandaste el otro día eh trataba sobre la educación… bueno, no, la educación no, la salud». Y escribió solo «el informe que mandaste el otro día trataba sobre la salud». Entendió que me había equivocado y se quedó con la frase buena.

Aquí es donde se nota el primer salto respecto a otras herramientas de dictado. Tenía abierto el correo de una propuesta de colaboración, le di a responder, activé la función y, en lugar de dictar la respuesta, le dije lo que quería:

Mira, este es un correo electrónico que me ha llegado para una colaboración, quiero que lo analices y generes una respuesta diciéndoles que sí, que me interesa, pero que quiero algo más de información.

Se puso a pensar y escribió la respuesta: «Hola Marta, muchas gracias por escribirnos y por tus palabras sobre el contenido del canal. Nos parece una propuesta muy interesante y nos gustaría explorar la colaboración…», otra vez con sus saltos de línea y su puntuación. Como ve el correo que tienes abierto, sirve igual para cualquier otro mensaje que tengas que contestar.

Es para esos documentos de catorce o quince páginas con palabras complicadas: un contrato, una póliza de seguro, un informe largo. Abrí un contrato de prestación de servicios de mantenimiento informático y, con el PDF en pantalla, le pedí esto:

Este PDF que estás viendo en pantalla es un documento que no logro entender, es un contrato, y yo soy el cliente y quiero que me expliques de manera clara y sencilla qué significa la cláusula tercera de precio y revisión.

Después fui a un Google Docs (vale cualquier sitio donde Gemini pueda pegar el texto) y allí apareció la explicación: la cláusula tercera establece cómo se te cobra por el servicio y cómo puede subir el precio con el tiempo, y se divide en tres partes, la cuota mensual fija, la revisión y subida anual del precio, y la forma y condiciones de pago.

No se queda en documentos de texto: también interpreta páginas web. Abrí arena.ai, una web donde se comparan modelos de IA, en un ranking con muchas columnas en inglés, y le dije:

Hola, Gemini. Tienes aquí un ranking de los mejores modelos de inteligencia artificial y quiero que interpretes todos estos números y me des una explicación clara y sencilla de lo que significa.

En unos segundos tenía la respuesta en el documento: me explicaba qué era ese ranking de Agent Arena (rendimiento de los modelos en tareas con agentes y uso de herramientas), qué significaba cada columna y cuáles eran las principales conclusiones.

Es mi favorito. Estaba en Artificial Analysis, una web que compara modelos de IA en distintos benchmarks (pruebas de rendimiento), delante de una gráfica que los junta todos. Le pedí que me ayudara a escribir un prompt para crear una infografía:

Gemini, quiero que analices esta gráfica que ves aquí. Estoy en la página web de Artificial Analysis y en este gráfico podemos ver diferentes modelos de inteligencia artificial. Quiero que me ayudes a generar un prompt para ejecutar dentro de Gemini con la funcionalidad de Canvas con el objetivo de generar una infografía que me explique esta gráfica.

Me escribió un prompt que empezaba por «Crea una infografía interactiva y visualmente atractiva en HTML, CSS y JavaScript». Lo pegué en Gemini con Canvas activado y, tras unos segundos generando el código, apareció la infografía interactiva: el panorama global de inteligencia (con el mejor modelo, Claude Opus 5, con 63 puntos), el ranking del índice de inteligencia y una tabla de clasificación detallada.

Me llamó la atención que, sin pedírselo de forma explícita, hizo una búsqueda en internet en Artificial Analysis para completar la información, porque yo había nombrado la web en el prompt. Es decir, además de ver la pantalla, puede buscar en internet para mejorar la respuesta.

• Anuncio de Google: Gemini llega a macOS con nuevas capacidades de voz
• Gemini
• Wispr Flow
• Agent Arena (ranking de modelos)
• Artificial Analysis (benchmarks comparados)