Google AI Edge Foresight 是 Google 在 macOS 上出的会议笔记 App，免费，没有云订阅这一项。
转写、整理、检索全在这台电脑上算，手写的短句会被补成完整笔记。
官方把它定位成实验性应用，眼下只为 Apple 芯片的 Mac 优化。
装之前先知道一件事：下载页在 Google 开发者站，国内直连打不开，要有个能访问 Google 的网络环境。
能干哪几件事：边开会边记，剩下的交给本机
开会时一直在听。 Foresight 接的是系统音频和麦克风，Zoom、Google Meet、Teams 还是面对面开会都接得住，不用往会议里塞一个机器人。
短句会被补成完整笔记。 会上随手敲两个词，App 拿实时转写把这两个词展开成能读的句子。人负责想到，句子由它补全。
用一句话找东西。 图片、文档、转写原文、自己写的笔记，都能用自然语言检索，不必先给文件起好名字、分好类。
能接自己的资料。 把项目文件夹、参考资料、图表、日历指给它，也可以上传 PDF、Google Docs、Office 文档、纯文本、Markdown、网页书签，攒成一个本地知识库。
会中提问。 问一句，它从转写和知识库里找依据答；Live Assistance 那一档会跟着会议内容走，自动把问题答出来。
全程不连网。 转写、检索、生成笔记都在本机算完，飞行模式下这套流程照走。
好在哪：数据不出设备，没有云端账单，也不挑会议软件
敏感内容不出这台电脑。 官方把话说得很直：文件、会议音频和笔记都不会离开你的电脑。
不用按月付费。 官方明确写了没有云端订阅成本，App 本身也是免费的。
任何会议软件都能用。 它从系统音频和麦克风取声音，不依赖某家的会议客户端，也不用拿到参会各方授权才肯进会。
跑得动，是因为模型小。 背后那个 EmbeddingGemma 2 把文本、图像、视频帧、音频映射进同一个向量空间，参数量 740M。官方给的数字是：只用文本编码时激活内存约 191MB，多模态整包约 567MB（在 Pixel 11 Pro 上实测）。在 MacBook M5 Pro 的 GPU 上，编一张图用 37.3 毫秒。
适合谁。 会议多、又不想把录音交给云端的人；经常同时用两三个会议软件的人；在飞机上、客户现场这类没网的地方还要整理纪要的人。
不适合谁。 机器不是 Apple 芯片、或者系统版本太老的，现在装不上。要团队共享文件夹、把笔记同步进 Notion 或 HubSpot 这类工作流的，Foresight 帮不上忙，那一块是 Granola 和 Superhuman 们的战场。界面语言本地化到什么程度，这一版还没看到官方说明。
横向对比：和 Granola、Wispr Flow Notetaker 比
| Foresight | Granola | Wispr Flow Notetaker | |
|---|---|---|---|
| 价格 | 免费，官方写明没有云端订阅费 | Basic 每位用户每月 0 美元，会议历史条数受限；多开会话要付费版 | 官网写免费下载，转写与笔记是两条产品线 |
| 平台 | 只有 macOS，目前为 Apple 芯片优化 | macOS、Windows、iOS、Android | Windows 和 Mac |
| 处理位置 | 本机，官方写明数据不出设备 | 官网写默认私有、可自行决定是否分享，本地还是云端没明说 | 首页没有说明处理位置 |
| 离线可用 | 官方写明完全离线 | 没有明说 | 没有明说 |
| 怎么拿到会议声音 | 系统音频加麦克风，不请机器人进会 | 用电脑音频，同样不请机器人 | 没有说明 |
| 界面语言 | 未见官方说明 | 官网列了多语言支持 | 没有说明 |
Granola 与 Wispr Flow 那两列，来自各自官网首页和定价页的原文；系统要求、版本号、付费档位都没有逐项实测。
怎么选：要团队协作、要把笔记接进已有工作流，Granola 那一档更成熟。想在本机把这件事做完、不想按月付钱、又要中文之外还想少折腾的，Foresight 这条路更短，代价是它现在只服务 Apple 芯片的 Mac。
补充：Google 的 Mac 三件套，和它背后那个小模型
Foresight 是 Google AI Edge 家族在 Mac 上的第三款应用。另两款是 AI Edge Gallery，以及做离线转写的 AI Edge Eloquent。
它背后的 EmbeddingGemma 2 是开放权重模型，740M 参数，Apache 2.0 协议，权重在 Hugging Face 和 Kaggle 上都能拿到。Google 把 Foresight 和 Gallery 里那两套演示放在一起，用途是展示这颗模型能做什么，不是把它当一款成熟的商业产品卖。
Google 官方博客把 EmbeddingGemma 2 的取舍写在明面上：用模块化编码器，只加载需要的部分；训练时做量化感知，权重压到 INT4 和 INT8；输出用 MRL 切片，按需截断向量维度，本地索引占用的空间最多能省到八分之一。
同一篇博客里，模型权重、部署方式、性能表的出处都指向官方模型卡。Foresight 自己在下载页上写着，它用的是本机算力，不需要账号。
下载地址：https://developers.google.com/edge/foresight
评论区