L'API Multimodal Live consente interazioni vocali e video bidirezionali con latenza ridotta con Gemini. Con l'API Multimodal Live, puoi offrire agli utenti finali l'esperienza di conversazioni vocali naturali e simili a quelle umane, nonché la possibilità di interrompere le risposte del modello utilizzando i comandi vocali. Il modello può elaborare input di testo, audio e video e fornire output di testo e audio.
Funzionalità
L'API Multimodal Live include le seguenti funzionalità principali:
- Multimodalità:il modello può vedere, sentire e parlare.
- Interazione in tempo reale a bassa latenza:fornisce risposte rapide.
- Memoria di sessione:il modello conserva la memoria di tutte le interazioni all'interno di una singola sessione, richiamando le informazioni ascoltate o viste in precedenza.
- Supporto per chiamate di funzioni, esecuzione di codice e Ricerca come strumento: consente l'integrazione con servizi e origini dati esterni.
- Rilevamento automatico dell'attività vocale (VAD): il modello è in grado di riconoscere con precisione quando l'utente inizia e interrompe a parlare. Ciò consente interazioni conversazionali naturali e consente agli utenti di interrompere il modello in qualsiasi momento.
Puoi provare l'API Multimodal Live in Google AI Studio.
Inizia
L'API Multimodal Live è un'API con stato che utilizza WebSockets.
Questa sezione mostra un esempio di come utilizzare l'API Multimodal Live per la generazione di testo in testo utilizzando Python 3.9 e versioni successive.
Installa la libreria dell'API Gemini
Per installare il
package google-genai
, utilizza il seguente comando pip
:
!pip3 install google-genai
Importa le dipendenze
Per importare le dipendenze:
from google import genai
Inviare e ricevere un SMS
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())
Guida all'integrazione
Questa sezione descrive il funzionamento dell'integrazione con l'API Multimodal Live.
Sessioni
Una sessione rappresenta una singola connessione WebSocket tra il client e il server Gemini.
Dopo che un client ha avviato una nuova connessione, la sessione può scambiare messaggi con il server per:
- Invia testo, audio o video al server Gemini.
- Ricevere risposte audio, di testo o di chiamata di funzione dal server Gemini.
La configurazione della sessione viene inviata nel primo messaggio dopo la connessione. Una configurazione della sessione include il modello, i parametri di generazione, le istruzioni di sistema e gli strumenti.
Vedi la seguente configurazione di esempio:
{
"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":[]
}
Per ulteriori informazioni, consulta BidiGenerateContentSetup.
Inviare messaggi
I messaggi sono stringhe in formato JSON scambiate tramite la connessione WebSocket.
Per inviare un messaggio, il client deve inviare un messaggio client supportato in una stringa formattata in JSON con uno dei metodi sopra indicati tramite una connessione WebSocket aperta.
Messaggi client supportati
Consulta i messaggi client supportati nella tabella seguente:
Messaggio | Descrizione |
---|---|
BidiGenerateContentSetup |
Configurazione della sessione da inviare nel primo messaggio |
BidiGenerateContentClientContent |
Aggiornamento incrementale dei contenuti della conversazione corrente inviati dal client |
BidiGenerateContentRealtimeInput |
Input audio o video in tempo reale |
BidiGenerateContentToolResponse |
Risposta a un ToolCallMessage ricevuto dal server |
Ricevere messaggi
Per ricevere messaggi da Gemini, ascolta l'evento "message" di WebSocket, quindi analizza il risultato in base alla definizione dei messaggi del server supportati.
Consulta quanto segue:
ws.addEventListener("message", async (evt) => {
if (evt.data instanceof Blob) {
// Process the received data (audio, video, etc.)
} else {
// Process JSON response
}
});
Messaggi del server supportati
Consulta i messaggi del server supportati nella tabella seguente:
Messaggio | Descrizione |
---|---|
BidiGenerateContentSetupComplete |
Un messaggio BidiGenerateContentSetup inviato dal cliente al termine della configurazione |
BidiGenerateContentServerContent |
Contenuti generati dal modello in risposta a un messaggio del cliente |
BidiGenerateContentToolCall |
Richiesta al client di eseguire le chiamate alle funzioni e restituire le risposte con gli ID corrispondenti |
BidiGenerateContentToolCallCancellation |
Inviato quando una chiamata di funzione viene annullata perché l'utente ha interrotto l'output del modello |
Aggiornamenti incrementali dei contenuti
Utilizza gli aggiornamenti incrementali per inviare input di testo, stabilire o ripristinare il contesto della sessione. Per contesti brevi, puoi inviare interazioni passo passo per rappresentare la sequenza esatta di eventi. Per contesti più lunghi, è consigliabile fornire un riepilogo di un singolo messaggio per liberare la finestra del contesto per le interazioni successive.
Vedi il seguente esempio di messaggio contestuale:
{
"client_content": {
"turns": [
{
"parts":[
{
"text": ""
}
],
"role":"user"
},
{
"parts":[
{
"text": ""
}
],
"role":"model"
}
],
"turn_complete": true
}
}
Tieni presente che, anche se le parti di contenuto possono essere di tipo functionResponse
,
BidiGenerateContentClientContent
non deve essere utilizzato per fornire una risposta
alle chiamate di funzione emesse dal modello. Dovresti utilizzare BidiGenerateContentToolResponse
. BidiGenerateContentClientContent
deve essere utilizzato solo per stabilire il contesto precedente o fornire input di testo alla conversazione.
Riproduzione in streaming di audio e video
Chiamata di funzione
Tutte le funzioni devono essere dichiarate all'inizio della sessione inviando le definizioni degli strumenti come parte del messaggio BidiGenerateContentSetup
.
Consulta il tutorial sulle chiamate di funzione per scoprire di più sulle chiamate di funzione.
Da un singolo prompt, il modello può generare più chiamate di funzione e il codice necessario per collegarne gli output. Questo codice viene eseguito in un ambiente sandbox, generando messaggi BidiGenerateContentToolCall
successivi. L'esecuzione viene messa in pausa fino a quando non sono disponibili i risultati di ogni chiamata di funzione, il che garantisce l'elaborazione sequenziale.
Il cliente deve rispondere con BidiGenerateContentToolResponse
.
Gli input e gli output audio influiscono negativamente sulla capacità del modello di utilizzare le chiamate di funzione.
Formati audio
L'API Multimodal Live supporta i seguenti formati audio:
- Formato audio di input: audio PCM non compresso a 16 bit a 16 kHz little-endian
- Formato audio di output: audio PCM non compresso a 16 bit a 24 kHz little-endian
Istruzioni di sistema
Puoi fornire istruzioni di sistema per controllare meglio l'output del modello e specificare il tono e il sentiment delle risposte audio.
Le istruzioni di sistema vengono aggiunte al prompt prima dell'inizio dell'interazione e rimangono in vigore per l'intera sessione.
Le istruzioni di sistema possono essere impostate solo all'inizio di una sessione, subito dopo la connessione iniziale. Per fornire ulteriori input al modello durante la sessione, utilizza gli aggiornamenti incrementali dei contenuti.
Interruzioni
Gli utenti possono interrompere l'output del modello in qualsiasi momento. Quando il Rilevamento attività vocale (VAD) rileva un'interruzione, la generazione in corso viene annullata e ignorata. Nella cronologia della sessione vengono conservate solo le informazioni già inviate al cliente. Il server invia quindi un messaggio BidiGenerateContentServerContent
per segnalare l'interruzione.
Inoltre, il server Gemini ignora le chiamate di funzione in attesa e invia un messaggio BidiGenerateContentServerContent
con gli ID delle chiamate annullate.
Voci
L'API Multimodal Live supporta le seguenti voci: Aoede, Charon, Fenrir, Kore e Puck.
Per specificare una voce, imposta voice_name
all'interno dell'oggetto speech_config
,
come parte della configurazione della sessione.
Consulta la seguente rappresentazione JSON di un oggetto speech_config
:
{
"voice_config": {
"prebuilt_voice_config ": {
"voice_name": <var>VOICE_NAME</var>
}
}
}
Limitazioni
Quando pianifichi il tuo progetto, tieni presente i seguenti limiti dell'API Multimodal Live e di Gemini 2.0.
Autenticazione client
L'API Multimodal Live fornisce solo l'autenticazione server-to-server e non è consigliata per l'utilizzo diretto del client. L'input del client deve essere instradato tramite un server di applicazioni intermedio per l'autenticazione sicura con l'API Multimodal Live.
Per le app web e mobile, ti consigliamo di utilizzare l'integrazione dei nostri partner su Daily.
Cronologia conversazione
Sebbene il modello tenga traccia delle interazioni all'interno della sessione, la cronologia delle conversazioni non viene archiviata. Al termine di una sessione, il contesto corrispondente viene cancellato.
Per ripristinare una sessione precedente o fornire al modello il contesto storico delle interazioni utente, l'applicazione deve gestire il proprio log delle conversazioni e utilizzare un messaggio BidiGenerateContentClientContent
per inviare queste informazioni all'inizio di una nuova sessione.
Durata massima della sessione
La durata della sessione è limitata a 15 minuti per l'audio o a 2 minuti per audio e video. Quando la durata della sessione supera il limite, la connessione viene interrotta.
Il modello è limitato anche dalle dimensioni del contesto. L'invio di grandi blocchi di contenuti insieme agli stream video e audio potrebbe comportare l'interruzione anticipata della sessione.
Rilevamento attività vocale (VAD)
Il modello esegue automaticamente il rilevamento dell'attività vocale (VAD) su un stream di input audio continuo. La funzionalità VAD è sempre attiva e i relativi parametri non sono configurabili.
Conteggio token
Il conteggio dei token non è supportato.
Limiti di frequenza
Si applicano i seguenti limiti di frequenza:
- 3 sessioni simultanee per chiave API
- 4 milioni di token al minuto
Messaggi ed eventi
BidiGenerateContentClientContent
Aggiornamento incrementale della conversazione corrente inviata dal client. Tutti i contenuti qui presenti vengono aggiunti incondizionatamente alla cronologia delle conversazioni e utilizzati come parte del prompt per il modello per generare contenuti.
Un messaggio qui interromperà qualsiasi generazione di modelli in corso.
Campi | |
---|---|
turns[] |
(Facoltativo) I contenuti aggiunti alla conversazione corrente con il modello. Per le query con un solo tratto, si tratta di una singola istanza. Per le query con più turni, si tratta di un campo ripetuto che contiene la cronologia della conversazione e l'ultima richiesta. |
turn_ |
(Facoltativo) Se true, indica che la generazione dei contenuti del server deve iniziare con il prompt attualmente accumulato. In caso contrario, il server attende altri messaggi prima di iniziare la generazione. |
BidiGenerateContentRealtimeInput
Input utente inviati in tempo reale.
È diverso da BidiGenerateContentClientContent
in alcuni modi:
- Possono essere inviati continuamente senza interruzioni per la generazione del modello.
- Se è necessario combinare i dati interlacciati in
BidiGenerateContentClientContent
eBidiGenerateContentRealtimeInput
, il server tenta di ottimizzare per la risposta migliore, ma non ci sono garanzie. - La fine del turno non è specificata esplicitamente, ma deriva dall'attività dell'utente (ad esempio, la fine del discorso).
- Anche prima della fine del turno, i dati vengono elaborati in modo incrementale per ottimizzare l'avvio rapido della risposta del modello.
- È sempre un input diretto dell'utente inviato in tempo reale. Possono essere inviati continuamente senza interruzioni. Il modello rileva automaticamente l'inizio e la fine del parlato dell'utente e avvia o termina lo streaming della risposta di conseguenza. I dati vengono elaborati in modo incrementale man mano che arrivano, riducendo al minimo la latenza.
Campi | |
---|---|
media_ |
(Facoltativo) Dati in linea in byte per l'input multimediale. |
BidiGenerateContentServerContent
Aggiornamento incrementale del server generato dal modello in risposta ai messaggi del client.
I contenuti vengono generati il più rapidamente possibile e non in tempo reale. I client possono scegliere di mettere in buffer e riprodurre i contenuti in tempo reale.
Campi | |
---|---|
turn_ |
Solo output. Se true, indica che la generazione del modello è stata completata. La generazione inizierà solo in risposta a ulteriori messaggi del client. Può essere impostato insieme a |
interrupted |
Solo output. Se true, indica che un messaggio del client ha interrotto la generazione del modello corrente. Se il client riproduce i contenuti in tempo reale, è un buon segnale per interrompere e svuotare la coda di riproduzione corrente. |
grounding_ |
Solo output. Metadati di base per i contenuti generati. |
model_ |
Solo output. I contenuti generati dal modello nell'ambito della conversazione in corso con l'utente. |
BidiGenerateContentSetup
Messaggio da inviare nel primo e unico messaggio del cliente. Contiene la configurazione che verrà applicata per tutta la durata della sessione di streaming.
I client devono attendere un messaggio BidiGenerateContentSetupComplete
prima di inviare altri messaggi.
Campi | |
---|---|
model |
Obbligatorio. Il nome della risorsa del modello. che funge da ID per il modello. Formato: |
generation_ |
(Facoltativo) Configurazione della generazione. I seguenti campi non sono supportati:
|
system_ |
(Facoltativo) L'utente ha fornito le istruzioni di sistema per il modello. Nota: nelle parti deve essere utilizzato solo testo e i contenuti di ogni parte saranno in un paragrafo separato. |
tools[] |
(Facoltativo) Un elenco di Un |
BidiGenerateContentSetupComplete
Questo tipo non contiene campi.
Inviato in risposta a un messaggio BidiGenerateContentSetup
del cliente.
BidiGenerateContentToolCall
Chiedi al client di eseguire il function_calls
e di restituire le risposte con i id
corrispondenti.
Campi | |
---|---|
function_ |
Solo output. La chiamata funzione da eseguire. |
BidiGenerateContentToolCallCancellation
Notifica al cliente che un ToolCallMessage
emesso in precedenza con i id
specificati non deve essere stato eseguito e deve essere annullato. Se le chiamate allo strumento hanno avuto effetti collaterali, i client potrebbero tentare di annullarle. Questo messaggio si verifica solo nei casi in cui i client interrompono i turni del server.
Campi | |
---|---|
ids[] |
Solo output. Gli ID delle chiamate allo strumento da annullare. |
BidiGenerateContentToolResponse
Risposta generata dal client a un ToolCall
ricevuto dal server. I singoli oggetti FunctionResponse
vengono associati ai rispettivi oggetti FunctionCall
in base al campo id
.
Tieni presente che nelle API GenerateContent con streaming lato server e con un solo parametro la chiamata di funzione avviene scambiando le parti Content
, mentre nelle API GenerateContent bidirezionali la chiamata di funzione avviene tramite questo insieme di messaggi dedicato.
Campi | |
---|---|
function_ |
(Facoltativo) La risposta alle chiamate di funzione. |
Ulteriori informazioni sui tipi comuni
Per saperne di più sui tipi di risorse API di uso comune Blob
,
Content
, FunctionCall
, FunctionResponse
, GenerationConfig
,
GroundingMetadata
e Tool
, consulta
Generare contenuti.