微软 Edge 上线 Copilot Vision 预览：能边看网页边跟你实时语音聊天

一个人在浏览器里开上几十个标签页查资料、选酒店或者比价，往往既费眼睛又容易看累。微软现在的想法是，既然独自上网有点冷清，不如直接给 Edge 浏览器装上一双眼睛和一张嘴，让 AI 坐在旁边陪你边看边聊。

微软正式面向 Copilot Pro 订阅用户开启了 Copilot Vision 的预览测试。这项功能最初在 10 月亮相，现在作为测试平台 Copilot Labs 的首批功能之一落地。它常驻在 Edge 浏览器底部，只要你主动开启，它就能实时识别你当前网页上的图文内容，通过语音和你实时讨论问题。

坐在浏览器底部的「毒舌」伴侣

和以前那种需要你截屏、复制粘贴文字再发给聊天框的用法不同，Copilot Vision 的交互要直接得多。你可以直接对它开口说话，让它帮你挑出页面上最合适的产品、解读祖母手写菜谱的照片，或者在选度假住处时帮你比对几家酒店的优劣。

负责微软消费级 AI 业务的 Mustafa Suleyman 表示，团队的目标是打造一个真正的「AI 伴侣」。这意味着它不仅要能看你所看、听你所听，说话的语气也得像个真人。

在微软的设定里，Copilot Vision 的语音非常流畅且支持随时打断，甚至能根据你的情绪调整语调。如果你语气低落、语速变慢，它会放缓节奏配合你；如果你兴高采烈，它也会跟着兴奋起来。Suleyman 甚至直言，真正的朋友不会一味阿谀奉承，因此这个 AI 偶尔还会带有态度地「怼」你一句。

顶着 Recall 的阴影，隐私怎么过关

让 AI 实时盯着屏幕，难免让人联想到微软此前饱受争议的 Windows Recall 截图功能。为了避免再次引发隐私恐慌，微软这次明显谨慎得多。

首先，Copilot Vision 是完全自愿开启的，只有用户主动授权它才会介入。其次，它采用了会话级的数据清除机制。用户一旦结束当前会话，Copilot 处理的页面内容和聊天记录就会被立即丢弃，官方只记录 Copilot 自身的回复用于安全评估。

在版权和网页内容方面，微软也设下了严格限制。目前 Vision 仅在少数经过挑选的网站上生效，并且被设定为绝不基于付费墙后的内容提供回答。微软还强调，系统不会储存或使用发布商的任何内容来训练模型，也会严格遵守网站禁止抓取的声明。

目前这项功能仅向每月 20 美元的 Copilot Pro 美区订阅用户小范围推送，微软计划在收集反馈后，于明年年初推向正式版（GA）。

为什么重要

我们认为，Copilot Vision 展现了微软在 AI 终端落地上的一个关键转向：它不再只想做一个答题工具，而是想抢占所有交互的入口。

从用户价值来看，这项功能切中了最日常的浏览痛点。如果你经常要比价购物、查阅长篇技术文档或者处理复杂表单，身边有一个懂上下文且能随时打断对话的声音，体验确实比在侧边栏反复复制粘贴高出一个维度。但每月 20 美元的门槛，加上当前仅支持少数白名单网站，普通用户现在没必要为了它特意付费，等明年全面开放再试也不迟。

对行业来说，这也是微软试图拉开与 OpenAI 差异化的重要一步。虽然底层技术紧密相连，但微软把视觉直接塞进拥有庞大分发渠道的 Edge 浏览器里，拼的是系统集成和交互深度。这种把「看屏幕」变成原生功能的操作，很可能会逼着 Google 进一步加快 Chrome 与 Gemini 的实时融合。

不过，微软的做法依然面临考验。哪怕设置了会话即焚和白名单，让商业公司的大模型实时看网页，依然会踩在用户隐私和内容版权的敏感线上。微软能否平衡好助手的实用性与外界的信任度，将直接决定这种伴随式 AI 能不能真正走出小众测试圈。