Die Multimodal Live API ermöglicht bidirektionale Sprach- und Videointeraktionen mit Gemini bei niedriger Latenz. Mit der Multimodal Live API können Sie Endnutzern natürliche, menschliche Konversationen bieten und ihnen die Möglichkeit geben, die Antworten des Modells per Sprachbefehl zu unterbrechen. Das Modell kann Text-, Audio- und Videoeingaben verarbeiten und Text- und Audioausgaben liefern.
Leistungsspektrum
Die Multimodal Live API bietet folgende Hauptfunktionen:
- Multimodalität:Das Modell kann sehen, hören und sprechen.
- Echtzeitinteraktion mit geringer Latenz:Ermöglicht schnelle Antworten.
- Sitzungsspeicher: Das Modell speichert alle Interaktionen innerhalb einer einzelnen Sitzung und ruft zuvor gehörte oder gesehene Informationen ab.
- Unterstützung für Funktionsaufrufe, Codeausführung und „Suchen als Tool“:Ermöglicht die Einbindung in externe Dienste und Datenquellen.
- Automatische Sprachaktivitätserkennung (VAD): Das Modell kann genau erkennen, wann der Nutzer zu sprechen beginnt und aufhört. Das ermöglicht natürliche, konversationelle Interaktionen und Nutzer können das Modell jederzeit unterbrechen.
Sie können die Multimodal Live API in Google AI Studio testen.
Jetzt starten
Die Multimodal Live API ist eine zustandsorientierte API, die WebSockets verwendet.
In diesem Abschnitt wird ein Beispiel für die Verwendung der Multimodal Live API für die Text-zu-Text-Generierung mit Python 3.9 oder höher gezeigt.
Gemini API-Bibliothek installieren
Verwenden Sie den folgenden pip
-Befehl, um das Paket google-genai
zu installieren:
!pip3 install google-genai
Abhängigkeiten importieren
So importieren Sie Abhängigkeiten:
from google import genai
SMS senden und empfangen
import asyncio
from google import genai
client = genai.Client(api_key="GEMINI_API_KEY", http_options={'api_version': 'v1alpha'})
model_id = "gemini-2.0-flash-exp"
config = {"response_modalities": ["TEXT"]}
async def main():
async with client.aio.live.connect(model=model_id, config=config) as session:
while True:
message = input("User> ")
if message.lower() == "exit":
break
await session.send(message, end_of_turn=True)
async for response in session.receive():
if response.text is None:
continue
print(response.text, end="")
if __name__ == "__main__":
asyncio.run(main())
Integrationsleitfaden
In diesem Abschnitt wird beschrieben, wie die Integration mit der Multimodal Live API funktioniert.
Sitzungen
Eine Sitzung stellt eine einzelne WebSocket-Verbindung zwischen dem Client und dem Gemini-Server dar.
Nachdem ein Client eine neue Verbindung gestartet hat, kann die Sitzung Nachrichten mit dem Server austauschen, um:
- Text, Audio oder Video an den Gemini-Server senden
- Audio-, Text- oder Funktionsaufrufantworten vom Gemini-Server empfangen.
Die Sitzungskonfiguration wird in der ersten Nachricht nach der Verbindung gesendet. Eine Sitzungskonfiguration umfasst das Modell, die Generierungsparameter, Systemanweisungen und Tools.
Hier eine Beispielkonfiguration:
{
"model": string,
"generation_config": {
"candidate_count": integer,
"max_output_tokens": integer,
"temperature": number,
"top_p": number,
"top_k": integer,
"presence_penalty": number,
"frequency_penalty": number,
"response_modalities": string,
"speech_config":object
},
"system_instruction": "",
"tools":[]
}
Weitere Informationen finden Sie unter BidiGenerateContentSetup.
Nachrichten senden
Nachrichten sind JSON-formatierte Strings, die über die WebSocket-Verbindung ausgetauscht werden.
Um eine Nachricht zu senden, muss der Client eine unterstützte Clientnachricht in einem JSON-formatierten String über eine offene WebSocket-Verbindung senden.
Unterstützte Clientnachrichten
Die unterstützten Clientnachrichten findest du in der folgenden Tabelle:
Nachricht senden | Beschreibung |
---|---|
BidiGenerateContentSetup |
Sitzungskonfiguration, die in der ersten Nachricht gesendet werden soll |
BidiGenerateContentClientContent |
Inkrementenelle Inhaltsaktualisierung der aktuellen Unterhaltung, die vom Client gesendet wird |
BidiGenerateContentRealtimeInput |
Audio- oder Videoeingabe in Echtzeit |
BidiGenerateContentToolResponse |
Antwort auf eine vom Server empfangene ToolCallMessage |
Nachrichten empfangen
Wenn Sie Nachrichten von Gemini empfangen möchten, warten Sie auf das WebSocket-Ereignis „message“ und analysieren Sie das Ergebnis dann gemäß der Definition der unterstützten Servernachrichten.
Weitere Informationen finden Sie hier:
ws.addEventListener("message", async (evt) => {
if (evt.data instanceof Blob) {
// Process the received data (audio, video, etc.)
} else {
// Process JSON response
}
});
Unterstützte Servernachrichten
Die unterstützten Servernachrichten finden Sie in der folgenden Tabelle:
Nachricht senden | Beschreibung |
---|---|
BidiGenerateContentSetupComplete |
Eine BidiGenerateContentSetup -Nachricht vom Client, die gesendet wird, wenn die Einrichtung abgeschlossen ist |
BidiGenerateContentServerContent |
Vom Modell generierte Inhalte als Antwort auf eine Kundennachricht |
BidiGenerateContentToolCall |
Der Client wird aufgefordert, die Funktionsaufrufe auszuführen und die Antworten mit den übereinstimmenden IDs zurückzugeben. |
BidiGenerateContentToolCallCancellation |
Wird gesendet, wenn ein Funktionsaufruf abgebrochen wird, weil der Nutzer die Modellausgabe unterbrochen hat. |
Inkrementelle Inhaltsaktualisierungen
Verwenden Sie inkrementelle Updates, um Texteingaben zu senden, den Sitzungskontext zu erstellen oder wiederherzustellen. Bei kurzen Kontexten können Sie Schritt-für-Schritt-Interaktionen senden, um die genaue Abfolge der Ereignisse darzustellen. Bei längeren Kontexten wird empfohlen, eine einzelne Nachrichtenzusammenfassung anzugeben, um das Kontextfenster für die nachfolgenden Interaktionen freizugeben.
Hier ein Beispiel für eine Kontextnachricht:
{
"client_content": {
"turns": [
{
"parts":[
{
"text": ""
}
],
"role":"user"
},
{
"parts":[
{
"text": ""
}
],
"role":"model"
}
],
"turn_complete": true
}
}
Inhaltsteile können zwar vom Typ functionResponse
sein, BidiGenerateContentClientContent
sollte jedoch nicht verwendet werden, um eine Antwort auf die vom Modell gesendeten Funktionsaufrufe zu geben. Stattdessen sollte BidiGenerateContentToolResponse
verwendet werden. BidiGenerateContentClientContent
sollte nur verwendet werden, um den vorherigen Kontext herzustellen oder Text in die Unterhaltung einzugeben.
Audio- und Videostreaming
Funktionsaufrufe
Alle Funktionen müssen zu Beginn der Sitzung deklariert werden. Dazu müssen Sie Tooldefinitionen als Teil der BidiGenerateContentSetup
-Nachricht senden.
Weitere Informationen zu Funktionsaufrufen finden Sie im Leitfaden zu Funktionsaufrufen.
Anhand eines einzelnen Prompts kann das Modell mehrere Funktionsaufrufe und den Code generieren, der zum Verketten der Ausgaben erforderlich ist. Dieser Code wird in einer Sandbox-Umgebung ausgeführt und generiert nachfolgende BidiGenerateContentToolCall
-Nachrichten. Die Ausführung wird pausiert, bis die Ergebnisse der einzelnen Funktionsaufrufe verfügbar sind. So wird eine sequenzielle Verarbeitung sichergestellt.
Der Client sollte mit BidiGenerateContentToolResponse
antworten.
Audioeingaben und ‑ausgaben beeinträchtigen die Fähigkeit des Modells, Funktionsaufrufe zu verwenden.
Audioformate
Die Multimodal Live API unterstützt die folgenden Audioformate:
- Audioformat für Eingabe: Rohes 16-Bit-PCM-Audio mit 16 kHz und Little Endian
- Audioausgabeformat: Rohes 16-Bit-PCM-Audio mit 24 kHz, Little Endian
Systemanweisungen
Sie können Systemanweisungen bereitstellen, um die Ausgabe des Modells besser zu steuern und den Ton und die Stimmung der Audioantworten anzugeben.
Systemanweisungen werden dem Prompt vor Beginn der Interaktion hinzugefügt und bleiben für die gesamte Sitzung aktiv.
Systemanweisungen können nur zu Beginn einer Sitzung festgelegt werden, unmittelbar nach der ersten Verbindung. Wenn Sie dem Modell während der Sitzung weitere Eingaben zur Verfügung stellen möchten, verwenden Sie inkrementelle Inhaltsaktualisierungen.
Unterbrechungen
Nutzer können die Ausgabe des Modells jederzeit unterbrechen. Wenn die Sprachaktivitätserkennung (VAD) eine Unterbrechung erkennt, wird die laufende Generierung abgebrochen und verworfen. Im Sitzungsverlauf werden nur die Informationen aufbewahrt, die bereits an den Client gesendet wurden. Der Server sendet dann eine BidiGenerateContentServerContent
-Nachricht, um die Unterbrechung zu melden.
Außerdem verwirft der Gemini-Server alle ausstehenden Funktionsaufrufe und sendet eine BidiGenerateContentServerContent
-Nachricht mit den IDs der abgebrochenen Aufrufe.
Stimmen
Die Multimodal Live API unterstützt die folgenden Stimmen: Aoede, Charon, Fenrir, Kore und Puck.
Wenn Sie eine Stimme angeben möchten, legen Sie das voice_name
im Objekt speech_config
als Teil der Sitzungskonfiguration fest.
Hier sehen Sie die JSON-Darstellung eines speech_config
-Objekts:
{
"voice_config": {
"prebuilt_voice_config ": {
"voice_name": <var>VOICE_NAME</var>
}
}
}
Beschränkungen
Beachten Sie bei der Planung Ihres Projekts die folgenden Einschränkungen der Multimodal Live API und Gemini 2.0.
Clientauthentifizierung
Die Multimodal Live API bietet nur eine Server-zu-Server-Authentifizierung und wird für die direkte Verwendung durch Clients nicht empfohlen. Die Clienteingabe sollte für eine sichere Authentifizierung mit der Multimodal Live API über einen Zwischenanwendungsserver geleitet werden.
Für Web- und mobile Apps empfehlen wir die Integration über unsere Partner von Daily.
Unterhaltungsverlauf
Das Modell überwacht zwar die Interaktionen während einer Sitzung, der Unterhaltungsverlauf wird jedoch nicht gespeichert. Wenn eine Sitzung endet, wird der entsprechende Kontext gelöscht.
Um eine vorherige Sitzung wiederherzustellen oder dem Modell den bisherigen Kontext der Nutzerinteraktionen zur Verfügung zu stellen, sollte die Anwendung ein eigenes Unterhaltungsprotokoll führen und diese Informationen zu Beginn einer neuen Sitzung mit einer BidiGenerateContentClientContent
-Nachricht senden.
Maximale Sitzungsdauer
Die Sitzungsdauer ist auf 15 Minuten für Audio oder 2 Minuten für Audio und Video beschränkt. Wenn die Sitzungsdauer das Limit überschreitet, wird die Verbindung beendet.
Das Modell ist außerdem durch die Kontextgröße begrenzt. Wenn du neben den Video- und Audiostreams große Inhaltsblöcke sendest, kann die Sitzung früher beendet werden.
Erkennung der Sprachaktivitäten (VAD)
Das Modell führt automatisch eine Sprachaktivitätserkennung (VAD) auf einem kontinuierlichen Audioeingangsstream aus. Die Sprachaktivitätserkennung ist immer aktiviert und ihre Parameter können nicht konfiguriert werden.
Tokenanzahl
Die Tokenanzahl wird nicht unterstützt.
Ratenlimits
Es gelten die folgenden Ratenbegrenzungen:
- 3 gleichzeitige Sitzungen pro API-Schlüssel
- 4 Millionen Tokens pro Minute
Nachrichten und Ereignisse
BidiGenerateContentClientContent
Inkrementelle Aktualisierung der aktuellen Unterhaltung, die vom Client gesendet wird. Alle Inhalte hier werden dem Unterhaltungsverlauf angefügt und als Teil des Prompts an das Modell zur Generierung von Inhalten verwendet.
Eine Nachricht hier unterbricht die aktuelle Modellgenerierung.
Felder | |
---|---|
turns[] |
Optional. Der Inhalt, der an die aktuelle Unterhaltung mit dem Modell angehängt wird. Bei Einzelabfragen ist dies eine einzelne Instanz. Bei Mehrfachabfragen ist dies ein wiederkehrendes Feld, das den Unterhaltungsverlauf und die letzte Anfrage enthält. |
turn_ |
Optional. Wenn „wahr“ ist, sollte die Serverinhaltsgenerierung mit dem aktuell angesammelten Prompt beginnen. Andernfalls wartet der Server auf weitere Nachrichten, bevor die Generierung gestartet wird. |
BidiGenerateContentRealtimeInput
Nutzereingaben, die in Echtzeit gesendet werden.
Dieser unterscheidet sich in einigen Punkten von BidiGenerateContentClientContent
:
- Kann kontinuierlich und ohne Unterbrechung an die Modellgenerierung gesendet werden.
- Wenn Daten zwischen
BidiGenerateContentClientContent
undBidiGenerateContentRealtimeInput
verschachtelt werden müssen, versucht der Server, die beste Antwort zu optimieren. Es gibt jedoch keine Garantien. - „Ende der Äußerung“ wird nicht explizit angegeben, sondern wird vielmehr aus der Nutzeraktivität abgeleitet (z. B. Ende der Spracheingabe).
- Die Daten werden bereits vor dem Ende des Gesprächsschritts inkrementell verarbeitet, um einen schnellen Start der Antwort des Modells zu ermöglichen.
- Ist immer eine direkte Nutzereingabe, die in Echtzeit gesendet wird. Kann kontinuierlich und ohne Unterbrechungen gesendet werden. Das Modell erkennt automatisch den Anfang und das Ende der Nutzersprache und startet oder beendet das Streaming der Antwort entsprechend. Die Daten werden nach und nach verarbeitet, sobald sie eingehen, wodurch die Latenz minimiert wird.
Felder | |
---|---|
media_ |
Optional. Inline-Byte-Daten für die Medieneingabe. |
BidiGenerateContentServerContent
Inkrementelle Serveraktualisierung, die vom Modell als Reaktion auf Clientnachrichten generiert wird.
Die Inhalte werden so schnell wie möglich und nicht in Echtzeit generiert. Clients können die Daten zwischenspeichern und in Echtzeit wiedergeben.
Felder | |
---|---|
turn_ |
Nur Ausgabe. Wenn „true“ (wahr) ist, ist die Generierung des Modells abgeschlossen. Die Generierung beginnt nur als Reaktion auf weitere Clientnachrichten. Kann zusammen mit |
interrupted |
Nur Ausgabe. Wenn dieser Wert „true“ ist, wurde die aktuelle Modellgenerierung durch eine Clientnachricht unterbrochen. Wenn der Client die Inhalte in Echtzeit wiedergibt, ist dies ein gutes Signal, die Wiedergabe zu beenden und die aktuelle Wiedergabeliste zu leeren. |
grounding_ |
Nur Ausgabe. Metadaten für die generierten Inhalte |
model_ |
Nur Ausgabe. Die Inhalte, die das Modell im Rahmen der aktuellen Unterhaltung mit dem Nutzer generiert hat. |
BidiGenerateContentSetup
Nachricht, die in der ersten und einzigen ersten Kundennachricht gesendet werden soll. Enthält die Konfiguration, die für die Dauer der Streamingsitzung gilt.
Clients sollten auf eine BidiGenerateContentSetupComplete
-Nachricht warten, bevor sie weitere Nachrichten senden.
Felder | |
---|---|
model |
Erforderlich. Der Ressourcenname des Modells. Diese dient als ID für das Modell. Format: |
generation_ |
Optional. Generierungskonfiguration Die folgenden Felder werden nicht unterstützt:
|
system_ |
Optional. Der Nutzer hat Systemanweisungen für das Modell bereitgestellt. Hinweis: In Teilen sollte nur Text verwendet werden. Der Inhalt jedes Teils wird in einem separaten Absatz angezeigt. |
tools[] |
Optional. Eine Liste von Ein |
BidiGenerateContentSetupComplete
Dieser Typ hat keine Felder.
Wird als Antwort auf eine BidiGenerateContentSetup
-Nachricht vom Client gesendet.
BidiGenerateContentToolCall
Bitte den Kunden, die function_calls
auszuführen und die Antworten mit den übereinstimmenden id
s zurückzugeben.
Felder | |
---|---|
function_ |
Nur Ausgabe. Der auszuführende Funktionsaufruf. |
BidiGenerateContentToolCallCancellation
Benachrichtigung für den Kunden, dass eine zuvor ausgestellte ToolCallMessage
mit den angegebenen id
s nicht ausgeführt und storniert werden sollte. Wenn diese Toolaufrufe Nebenwirkungen hatten, können Kunden versuchen, sie rückgängig zu machen. Diese Meldung wird nur angezeigt, wenn die Clients die Server-Runden unterbrechen.
Felder | |
---|---|
ids[] |
Nur Ausgabe. Die IDs der abzubrechenden Toolaufrufe. |
BidiGenerateContentToolResponse
Vom Client generierte Antwort auf eine vom Server empfangene ToolCall
. Einzelne FunctionResponse
-Objekte werden über das Feld id
mit den entsprechenden FunctionCall
-Objekten abgeglichen.
Bei den unary- und serverseitigen Streaming-GenerateContent APIs erfolgt der Funktionsaufruf durch den Austausch der Content
-Teile, während bei den bidi-GenerateContent APIs der Funktionsaufruf über diese speziellen Nachrichten erfolgt.
Felder | |
---|---|
function_ |
Optional. Die Antwort auf die Funktionsaufrufe. |
Weitere Informationen zu gängigen Typen
Weitere Informationen zu den gängigen API-Ressourcentypen Blob
, Content
, FunctionCall
, FunctionResponse
, GenerationConfig
, GroundingMetadata
und Tool
finden Sie unter Inhalte generieren.