「画中画」这个词，你可能在三个地方见过：电视遥控器上的 PIP 按钮、视频网站的浮窗按钮、还有 Mac 播放器上的那个小图标。它们其实是同一件事的不同实现。
画中画（Picture-in-Picture，缩写 PiP）指的是：在主画面之上叠加一个小窗口，播放另一路画面。
它最早出现在 1980 年代的电视上——主画面看球赛，角落小窗看另一场。当时的实现很物理：电视内部有两套调谐器，把两路信号合成到一个画面上。
到了电脑时代，这个概念被移植过来，但实现方式完全不同：不再是硬件合成，而是软件把一路视频渲染成一个独立的小浮层。
macOS 从 Sierra（2016）开始提供系统级画中画，技术上是 AVKit 框架的一个能力：播放器调用系统接口，系统把视频画面「摘」出来，渲染成一个独立的浮层窗口，浮在所有应用之上。
关键点在这里：触发方是播放器，不是用户，也不是系统。
这意味着：
这是最多人问的问题：「为什么聊天窗口、终端、网页不能画中画？」
因为系统里根本没有「把任意窗口变成 PiP」这条路径。PiP 的实现前提是：播放器主动交出一路视频流。聊天窗口没有「视频流」可交，系统也就无从渲染。
想在系统层面浮任意窗口，需要另一套机制——窗口捕获（ScreenCaptureKit）：从窗口读取画面帧，自己渲染成浮层。这是 macOS 13 之后才开放的能力，而且要用户授权「屏幕录制」权限。
这也是 PipNow 和原生 PiP 的根本差别：
| 原生 PiP | PipNow | |
|---|---|---|
| 机制 | 播放器交出视频流 | 捕获整个窗口画面 |
| 对象 | 视频媒体 | 任意窗口 |
| 前提 | 播放器支持 | 屏幕录制权限 |
| 数量 | 1 个 | 不限 |
「画中画就是小窗」 —— 不完全。小窗只是形态，PiP 的关键是内容保持实时。把窗口缩小不算 PiP，把窗口画面镜像出来才算。
「画中画会占资源」 —— 取决于内容。静态画面（文档、代码）开销极低；视频会持续解码，和直接播放差不多。
「PiP 会录制我的屏幕」 —— 原生 PiP 不会（它只是渲染视频）；用窗口捕获的第三方工具需要「屏幕录制」权限，但那是实时镜像是内存处理，不等于录像。这点值得单独解释：为什么画中画应用需要屏幕录制权限。
画中画 = 把一路画面缩小后浮在主画面之上。 电视时代靠硬件，视频网站靠播放器接口，Mac 上的通用方案靠窗口捕获。前两者只能处理视频，只有第三种能处理任意窗口。
如果你要的是「看视频时干别的」，系统自带的够了；如果你要的是「盯着聊天/终端/行情」，那需要的是窗口级方案——见这类需求怎么解。
You’ve probably met “picture-in-picture” in three places: the PIP button on an old TV remote, the floating-video icon on a streaming site, and that little rectangle in a Mac video player. They’re the same idea with three different implementations.
Picture-in-Picture means one picture overlaid on top of another — a small window playing a second feed above the main one.
It started on televisions in the 1980s: main screen for the match, corner window for the other one. Back then it was physical — two tuners inside the TV, composited into one image.
On a computer, the concept survived but the implementation changed entirely. Nothing is composited in hardware; software renders one video stream as a separate floating layer.
Since Sierra (2016), macOS has had system-level PiP, implemented through AVKit. A player calls the system API, and the system lifts the video out into an independent floating window above all apps.
The crucial detail: the player triggers it. Not the user, not the system.
Which means:
This is the question everyone asks: why can’t a chat window, a terminal, or a web page use PiP?
Because there is no system path for “turn any window into PiP”. The mechanism requires a player handing over a video stream. A chat window has no video stream to hand over, so the system has nothing to render.
Floating arbitrary windows needs a different mechanism: window capture (ScreenCaptureKit), which reads frames from a window and renders them yourself. That only became available with macOS 13, and it requires the user to grant Screen Recording permission.
That’s the fundamental difference between native PiP and a window-level tool:
| Native PiP | PipNow | |
|---|---|---|
| Mechanism | player hands over a video stream | captures the whole window |
| Target | video media | any window |
| Requirement | player support | Screen Recording permission |
| Count | one | unlimited |
“PiP is just a small window.” Not quite. Small is the shape; the defining property is that the content stays live. Shrinking a window isn’t PiP. Mirroring its contents is.
“PiP is expensive.” Depends on the content. A static page (code, a document) costs almost nothing. Video keeps decoding, roughly the same as playing it normally.
“PiP records my screen.” Native PiP doesn’t — it only renders video. Tools that use window capture do need Screen Recording, but that’s a live in-memory mirror, not a recording. Worth a full explanation: why PiP apps need screen recording.
PiP = shrinking one picture and floating it above another. TVs did it in hardware, browsers do it through the player API, and a general solution on the Mac does it through window capture. The first two handle video only; the third handles anything.
If your need is “watch video while doing something else”, the built-in feature is enough. If it’s “keep an eye on a chat, a terminal, or a chart”, you need the window-level approach — here’s how that works.
「畫中畫」這個詞，你可能在三個地方見過：電視遙控器上的 PIP 按鈕、影片網站的浮窗按鈕、還有 Mac 播放器上的那個小圖示。它們其實是同一件事的不同實現。
畫中畫（Picture-in-Picture，縮寫 PiP）指的是：在主畫面之上疊加一個小視窗，播放另一路畫面。
它最早出現在 1980 年代的電視上——主畫面看球賽，角落小窗看另一場。當時的實現很物理：電視內部有兩套調諧器，把兩路訊號合成到一個畫面上。
到了電腦時代，這個概念被移植過來，但實現方式完全不同：不再是硬體合成，而是軟體把一路影片渲染成一個獨立的小浮層。
macOS 從 Sierra（2016）開始提供系統級畫中畫，技術上是 AVKit 框架的一個能力：播放器呼叫系統介面，系統把影片畫面「摘」出來，渲染成一個獨立的浮層視窗，浮在所有應用之上。
關鍵點在這裡：觸發方是播放器，不是使用者，也不是系統。
這意味著：
這是最多人問的問題：「為什麼聊天視窗、終端、網頁不能畫中畫？」
因為系統里根本沒有「把任意視窗變成 PiP」這條路徑。PiP 的實現前提是：播放器主動交出一路影片流。聊天視窗沒有「影片流」可交，系統也就無從渲染。
想在系統層面浮任意視窗，需要另一套機制——視窗捕獲（ScreenCaptureKit）：從視窗讀取畫面幀，自己渲染成浮層。這是 macOS 13 之後才開放的能力，而且要使用者授權「螢幕錄製」許可權。
這也是 PipNow 和原生 PiP 的根本差別：
| 原生 PiP | PipNow | |
|---|---|---|
| 機制 | 播放器交出影片流 | 捕獲整個視窗畫面 |
| 物件 | 影片媒體 | 任意視窗 |
| 前提 | 播放器支援 | 螢幕錄製許可權 |
| 數量 | 1 個 | 不限 |
「畫中畫就是小窗」 —— 不完全。小窗只是形態，PiP 的關鍵是內容保持實時。把視窗縮小不算 PiP，把視窗畫面映象出來才算。
「畫中畫會佔資源」 —— 取決於內容。靜態畫面（文件、程式碼）開銷極低；影片會持續解碼，和直接播放差不多。
「PiP 會錄製我的螢幕」 —— 原生 PiP 不會（它只是渲染影片）；用視窗捕獲的第三方工具需要「螢幕錄製」許可權，但那是實時映象是記憶體處理，不等於錄影。這點值得單獨解釋：為什麼畫中畫應用需要螢幕錄製許可權。
畫中畫 = 把一路畫面縮小後浮在主畫面之上。 電視時代靠硬體，影片網站靠播放器介面，Mac 上的通用方案靠視窗捕獲。前兩者只能處理影片，只有第三種能處理任意視窗。
如果你要的是「看影片時幹別的」，系統自帶的夠了；如果你要的是「盯著聊天/終端/行情」，那需要的是視窗級方案——見這類需求怎麼解。
「ピクチャーインピクチャ」という言葉は、たぶん 3 か所で見かけます。テレビのリモコンの PIP ボタン、動画サイトのフローティングボタン、そして Mac のプレーヤーにある小さなアイコン。どれも同じ考え方の、異なる実装です。
ピクチャーインピクチャ（PiP）とは、主画面の上に小さなウィンドウを重ね、別の映像を流すことです。
始まりは 1980 年代のテレビでした。主画面で試合を、隅の小窓でもう 1 試合を。当時は物理的な実装で、テレビ内部にチューナーが 2 基あり、1 つの映像に合成していました。
コンピュータ時代になると、概念は引き継がれましたが実装は一変します。ハードウェアで合成するのではなく、ソフトウェアが 1 本の映像を独立した浮動レイヤーとして描画するのです。
macOS は Sierra（2016）からシステムレベルの PiP を持ち、技術的には AVKit の機能です。プレーヤーがシステム API を呼ぶと、システムが映像を切り出し、すべてのアプリの上に浮く独立ウィンドウとして描画します。
重要なのはここです。起動するのはプレーヤーであり、ユーザーでもシステムでもありません。
つまり：
最もよく聞かれる質問です。チャット、ターミナル、Web ページはなぜ PiP にできないのか。
システムに「任意のウィンドウを PiP にする」経路が存在しないからです。この仕組みはプレーヤーが映像ストリームを差し出すことが前提です。チャットウィンドウには差し出せる映像がなく、システムは描画する対象を持ちません。
任意のウィンドウを浮かせるには別の仕組みが必要です。ウィンドウキャプチャ（ScreenCaptureKit）でウィンドウからフレームを読み、自分で描画します。これは macOS 13 以降に開放された機能で、ユーザーによる「画面収録」権限が必要です。
これが標準 PiP とウィンドウ単位ツールの根本的な違いです。
| 標準 PiP | PipNow | |
|---|---|---|
| 仕組み | プレーヤーが映像を渡す | ウィンドウ全体をキャプチャ |
| 対象 | 動画メディア | 任意のウィンドウ |
| 前提 | プレーヤーの対応 | 画面収録の権限 |
| 数 | 1 つ | 制限なし |
「PiP は小さいウィンドウのこと」 —— 半分正解。小さいのは形で、本質は内容が生きていることです。ウィンドウを縮めるだけでは PiP ではありません。画面をミラーして初めて PiP です。
「PiP はリソースを食う」 —— 内容次第。静止画（コード、書類）はほぼゼロ。動画はデコードが続くので、普通に再生するのと同程度です。
「PiP は画面を録画している」 —— 標準 PiP はしません（映像を描画するだけ）。ウィンドウキャプチャを使うツールは画面収録の権限が必要ですが、それはメモリ内のリアルタイムミラーで、録画ではありません。詳しくはなぜ画面収録が必要なのか。
PiP = 1 つの画面を縮めて、別の画面の上に浮かせること。 テレビはハードで、ブラウザはプレーヤー API で、Mac の汎用解はウィンドウキャプチャで実現します。前者 2 つは動画だけ、3 つ目だけが任意のウィンドウを扱えます。
「動画を見ながら別のことをする」だけなら標準機能で十分。「チャットやターミナル、相場を見張りたい」ならウィンドウ単位の方法が必要です——その仕組みはこちら。
‘화면 속 화면’이라는 말은 아마 세 곳에서 봤을 겁니다. TV 리모컨의 PIP 버튼, 동영상 사이트의 플로팅 버튼, 그리고 Mac 플레이어의 작은 아이콘. 모두 같은 개념의 다른 구현입니다.
화면 속 화면(Picture-in-Picture, PiP)은 주 화면 위에 작은 창을 겹쳐 다른 영상을 재생하는 것입니다.
시작은 1980년대 TV였습니다. 주 화면으로 경기를, 구석 작은 창으로 다른 경기를. 당시엔 물리적 구현이었습니다. TV 안에 튜너가 두 개 있고, 하나의 영상으로 합성했습니다.
컴퓨터 시대가 되자 개념은 이어졌지만 구현은 완전히 바뀝니다. 하드웨어 합성이 아니라, 소프트웨어가 하나의 영상을 독립된 플로팅 레이어로 그리는 것입니다.
macOS는 Sierra(2016)부터 시스템 수준 PiP를 제공하며, 기술적으로는 AVKit의 기능입니다. 플레이어가 시스템 API를 호출하면 시스템이 영상을 분리해 모든 앱 위에 뜨는 독립 창으로 그립니다.
중요한 지점은 여기입니다. 시작하는 것은 플레이어이고, 사용자도 시스템도 아닙니다.
즉:
가장 많이 나오는 질문입니다. 채팅, 터미널, 웹 페이지는 왜 PiP가 안 될까요.
시스템에 ‘아무 창이나 PiP로 만드는’ 경로가 없기 때문입니다. 이 메커니즘은 플레이어가 영상 스트림을 내주는 것을 전제로 합니다. 채팅 창에는 내줄 영상이 없고, 시스템은 그릴 대상이 없습니다.
아무 창이나 띄우려면 다른 메커니즘이 필요합니다. 창 캡처(ScreenCaptureKit)로 창에서 프레임을 읽어 직접 그리는 것입니다. macOS 13 이후에 열린 기능이고, 사용자의 ‘화면 기록’ 권한이 필요합니다.
이것이 기본 PiP와 창 단위 도구의 근본 차이입니다.
| 기본 PiP | PipNow | |
|---|---|---|
| 방식 | 플레이어가 영상을 넘김 | 창 전체를 캡처 |
| 대상 | 영상 미디어 | 아무 창 |
| 전제 | 플레이어 지원 | 화면 기록 권한 |
| 개수 | 1개 | 제한 없음 |
“PiP는 작은 창이다” — 절반만 맞습니다. 작은 것은 형태이고, 본질은 내용이 살아 있다는 점입니다. 창을 줄이는 것만으로는 PiP가 아닙니다. 화면을 미러해야 PiP입니다.
“PiP는 자원을 많이 쓴다” — 내용에 따라 다릅니다. 정지 화면(코드, 문서)은 거의 0. 영상은 디코딩이 계속되므로 일반 재생과 비슷합니다.
“PiP는 화면을 녹화한다” — 기본 PiP는 안 합니다(영상을 그릴 뿐). 창 캡처를 쓰는 도구는 화면 기록 권한이 필요하지만, 그것은 메모리 안의 실시간 미러이고 녹화가 아닙니다. 자세한 내용은 왜 화면 기록이 필요한가.
PiP = 하나의 화면을 줄여 다른 화면 위에 띄우는 것. TV는 하드웨어로, 브라우저는 플레이어 API로, Mac의 범용 해법은 창 캡처로 구현합니다. 앞의 둘은 영상만, 세 번째만 아무 창이나 다룹니다.
“영상 보면서 다른 일”만 필요하면 기본 기능으로 충분합니다. “채팅이나 터미널, 시세를 지켜보고 싶다”면 창 단위 방식이 필요합니다 — 그 원리는 여기.
Der Begriff begegnet dir wahrscheinlich an drei Stellen: als PIP-Taste auf einer alten Fernbedienung, als Bild-in-Bild-Symbol auf Streaming-Seiten und als kleines Rechteck im Mac-Player. Dreimal dieselbe Idee, drei Umsetzungen.
Bild-in-Bild heißt: ein Bild über ein anderes legen — ein kleines Fenster, das einen zweiten Feed über dem Hauptbild abspielt.
Angefangen hat es in den 1980er-Jahren im Fernsehen: Hauptbild das Spiel, Eckfenster das andere. Damals physisch — zwei Tuner im Gerät, zu einem Bild zusammengesetzt.
Am Computer überlebte die Idee, die Umsetzung änderte sich vollständig. Nichts wird in Hardware komponiert; Software rendert einen Videostream als eigene schwebende Ebene.
Seit Sierra (2016) gibt es systemweites Bild-in-Bild, technisch über AVKit. Ein Player ruft die System-API auf, das System hebt das Video in ein eigenständiges schwebendes Fenster über allen Apps.
Der entscheidende Punkt: Der Player löst es aus. Nicht der Nutzer, nicht das System.
Das bedeutet:
Das ist die häufigste Frage: Warum geht das nicht mit einem Chatfenster, einem Terminal, einer Webseite?
Weil es keinen Systemweg für „mach irgendein Fenster zu PiP” gibt. Der Mechanismus setzt voraus, dass ein Player einen Videostream übergibt. Ein Chatfenster hat keinen Stream, also gibt es nichts zu rendern.
Um beliebige Fenster schweben zu lassen, braucht es einen anderen Mechanismus: Fensteraufnahme (ScreenCaptureKit), die Frames aus einem Fenster liest und selbst rendert. Das gibt es erst ab macOS 13, und es verlangt die Berechtigung zur Bildschirmaufnahme.
Das ist der grundlegende Unterschied:
| Natives PiP | PipNow | |
|---|---|---|
| Mechanismus | Player übergibt Videostream | erfasst das ganze Fenster |
| Ziel | Videomedium | beliebiges Fenster |
| Voraussetzung | Player-Unterstützung | Bildschirmaufnahme-Recht |
| Anzahl | eins | unbegrenzt |
„PiP ist einfach ein kleines Fenster.” Nicht ganz. Klein ist die Form; entscheidend ist, dass der Inhalt live bleibt. Ein Fenster zu verkleinern ist kein PiP. Seinen Inhalt zu spiegeln schon.
„PiP kostet Leistung.” Kommt auf den Inhalt an. Ein statisches Dokument kostet fast nichts. Video dekodiert weiter, etwa wie bei normaler Wiedergabe.
„PiP nimmt meinen Bildschirm auf.” Natives PiP nicht — es rendert nur Video. Tools mit Fensteraufnahme brauchen die Berechtigung, aber das ist ein Live-Spiegel im Speicher, keine Aufzeichnung. Ausführlich: warum PiP-Apps Bildschirmaufnahme brauchen.
PiP = ein Bild verkleinern und über einem anderen schweben lassen. Fernseher lösten es in Hardware, Browser über die Player-API, eine allgemeine Mac-Lösung über Fensteraufnahme. Die ersten beiden können nur Video, die dritte alles.
Wenn dein Bedürfnis „Video schauen und dabei etwas anderes tun” ist, reicht die eingebaute Funktion. Wenn es „Chat, Terminal oder Chart im Blick behalten” ist, brauchst du den Fenster-Ansatz — so funktioniert er.
Vous avez probablement rencontré l’expression à trois endroits : la touche PIP d’une vieille télécommande, l’icône de vidéo flottante sur les sites de streaming, et ce petit rectangle dans un lecteur Mac. Trois fois la même idée, trois implémentations.
L’image dans l’image consiste à superposer une image sur une autre : une petite fenêtre diffusant un second flux au-dessus de l’image principale.
Elle apparaît dans les téléviseurs des années 1980 : écran principal pour le match, fenêtre en coin pour l’autre. À l’époque, c’était physique — deux tuners dans l’appareil, composés en une seule image.
À l’ère informatique, l’idée survit mais l’implémentation change totalement. Rien n’est composé en matériel ; le logiciel rend un flux vidéo comme une couche flottante indépendante.
Depuis Sierra (2016), macOS propose l’image dans l’image au niveau système, techniquement via AVKit. Un lecteur appelle l’API, le système extrait la vidéo dans une fenêtre flottante indépendante au-dessus de toutes les apps.
Le point crucial : c’est le lecteur qui déclenche. Ni l’utilisateur, ni le système.
Conséquences :
C’est la question la plus fréquente : pourquoi pas une fenêtre de chat, un terminal, une page web ?
Parce qu’il n’existe aucun chemin système pour « transformer n’importe quelle fenêtre en image dans l’image ». Le mécanisme suppose qu’un lecteur remette un flux vidéo. Une fenêtre de chat n’en a pas, donc le système n’a rien à rendre.
Faire flotter des fenêtres arbitraires demande un autre mécanisme : la capture de fenêtre (ScreenCaptureKit), qui lit les images d’une fenêtre et les rend soi-même. Disponible depuis macOS 13, et soumise à l’autorisation « Enregistrement de l’écran ».
C’est la différence fondamentale :
| Image dans l’image native | PipNow | |
|---|---|---|
| Mécanisme | le lecteur remet un flux | capture la fenêtre entière |
| Cible | média vidéo | n’importe quelle fenêtre |
| Prérequis | support du lecteur | autorisation d’enregistrement |
| Nombre | une | illimité |
« L’image dans l’image, c’est une petite fenêtre. » Pas tout à fait. Petit, c’est la forme ; l’essentiel est que le contenu reste vivant. Réduire une fenêtre n’est pas de l’image dans l’image. En dupliquer le contenu, oui.
« Ça consomme des ressources. » Cela dépend du contenu. Un document statique ne coûte presque rien. Une vidéo continue de décoder, à peu près comme en lecture normale.
« Ça enregistre mon écran. » La version native non — elle ne fait que rendre la vidéo. Les outils qui capturent des fenêtres ont besoin de l’autorisation, mais c’est un miroir en mémoire, pas un enregistrement. Explication détaillée : pourquoi les applis PiP demandent la capture d’écran.
Image dans l’image = réduire une image et la faire flotter au-dessus d’une autre. Les téléviseurs le faisaient en matériel, les navigateurs via l’API du lecteur, une solution générale sur Mac via la capture de fenêtre. Les deux premières ne gèrent que la vidéo ; la troisième gère tout.
Si votre besoin est « regarder une vidéo en faisant autre chose », la fonction intégrée suffit. Si c’est « surveiller un chat, un terminal ou un graphique », il faut l’approche par fenêtre — voici comment elle fonctionne.
Probablemente te has cruzado con el término en tres sitios: el botón PIP de un mando antiguo, el icono de vídeo flotante en sitios de streaming y ese pequeño rectángulo en un reproductor de Mac. La misma idea con tres implementaciones.
Imagen en imagen significa superponer una imagen sobre otra: una ventana pequeña que reproduce un segundo flujo sobre la imagen principal.
Empezó en los televisores de los años 80: pantalla principal para el partido, ventana en la esquina para el otro. Entonces era físico — dos sintonizadores dentro del aparato, compuestos en una sola imagen.
En la era informática la idea sobrevivió, pero la implementación cambió por completo. Nada se compone en hardware; el software dibuja un flujo de vídeo como una capa flotante independiente.
Desde Sierra (2016), macOS ofrece imagen en imagen a nivel de sistema, técnicamente mediante AVKit. Un reproductor llama a la API, el sistema extrae el vídeo a una ventana flotante independiente sobre todas las apps.
El detalle clave: lo dispara el reproductor. Ni el usuario ni el sistema.
Lo que implica:
Es la pregunta más frecuente: ¿por qué no una ventana de chat, un terminal o una página web?
Porque no existe una ruta del sistema para «convertir cualquier ventana en imagen en imagen». El mecanismo supone que un reproductor entrega un flujo de vídeo. Una ventana de chat no tiene ninguno, así que el sistema no tiene nada que dibujar.
Hacer flotar ventanas arbitrarias requiere otro mecanismo: captura de ventana (ScreenCaptureKit), que lee fotogramas de una ventana y los dibuja uno mismo. Disponible desde macOS 13 y sujeto al permiso de «Grabación de pantalla».
Esa es la diferencia de fondo:
| Imagen en imagen nativa | PipNow | |
|---|---|---|
| Mecanismo | el reproductor entrega un flujo | captura la ventana completa |
| Objetivo | medio de vídeo | cualquier ventana |
| Requisito | soporte del reproductor | permiso de grabación |
| Cantidad | una | ilimitada |
«La imagen en imagen es una ventana pequeña.» No del todo. Pequeño es la forma; lo esencial es que el contenido siga vivo. Encoger una ventana no es imagen en imagen. Duplicar su contenido, sí.
«Consume muchos recursos.» Depende del contenido. Un documento estático casi no cuesta. El vídeo sigue decodificando, más o menos como en reproducción normal.
«Está grabando mi pantalla.» La nativa no — solo dibuja vídeo. Las herramientas con captura de ventana sí necesitan el permiso, pero es un espejo en memoria, no una grabación. Explicación completa: por qué las apps de imagen en imagen piden grabación.
Imagen en imagen = reducir una imagen y hacerla flotar sobre otra. Los televisores lo hacían en hardware, los navegadores mediante la API del reproductor, una solución general en Mac mediante captura de ventana. Las dos primeras solo gestionan vídeo; la tercera gestiona todo.
Si tu necesidad es «ver vídeo mientras hago otra cosa», la función integrada basta. Si es «vigilar un chat, un terminal o un gráfico», necesitas el enfoque por ventana — así funciona.
在 Mac 上同时盯住所有窗口——立即试试 PipNow
免费下载