זהו מדריך מקיף שכולל את היכולות וההגדרות שזמינות ב-API בזמן אמת. במאמר תחילת העבודה עם Live API מופיע סקירה כללית וקוד לדוגמה לתרחישי שימוש נפוצים.
לפני שמתחילים
- כדאי להכיר את המושגים העיקריים: אם עדיין לא עשיתם את זה, קודם כדאי לקרוא את המאמר תחילת העבודה עם Live API . במאמר הזה נסביר על העקרונות הבסיסיים של Live API, איך הוא עובד ועל גישות שונות להטמעה.
- התנסות ב-Live API ב-AI Studio: מומלץ להתנסות ב-Live API ב-Google AI Studio לפני שמתחילים לפתח. כדי להשתמש ב-Live API ב-Google AI Studio, בוחרים באפשרות Stream (סטרימינג).
השוואה בין מודלים
בטבלה הבאה מפורטים ההבדלים העיקריים בין המודלים של Gemini 3.1 Flash בתצוגה מקדימה ושל Gemini 2.5 Flash בתצוגה מקדימה:
| תכונה | Gemini 3.1 Flash Live Preview | גרסת טרום-השקה של Gemini 2.5 Flash |
|---|---|---|
| תהליך החשיבה | משתמש ב-thinkingLevel כדי לשלוט בעומק החשיבה באמצעות הגדרות כמו minimal, low, medium ו-high. ברירת המחדל היא minimal כדי לבצע אופטימיזציה לזמן האחזור הנמוך ביותר. מידע על רמות ותקציבים |
הפרמטר הזה thinkingBudget מגדיר למודל בכמה טוקנים להשתמש כשהוא חושב ויוצר את התשובה. התכונה 'חשיבה דינמית' מופעלת כברירת מחדל. כדי להשבית, מגדירים את thinkingBudget לערך 0. מידע על רמות ותקציבים |
| קבלת תשובה | אירוע יחיד בשרת יכול להכיל כמה חלקי תוכן בו-זמנית (לדוגמה, inlineData ותמליל). כדי שלא יחסר תוכן, חשוב לוודא שהקוד מעבד את כל החלקים בכל אירוע. |
כל אירוע שרת מכיל רק חלק תוכן אחד. החלקים מועברים באירועים נפרדים. |
| תוכן של לקוחות | send_client_content נתמך רק כדי להזין את ההיסטוריה של ההקשר הראשוני (נדרשת הגדרה של initial_history_in_client_content בהגדרות הסשן). כדי לשלוח עדכוני טקסט במהלך השיחה, משתמשים במקום זאת בsend_realtime_input. |
send_client_content נתמך לאורך השיחה כדי לשלוח עדכוני תוכן מצטברים וליצור הקשר. |
| הפעלת כיסוי | ברירת המחדל היא TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO. התור של המודל כולל פעילות אודיו שזוהתה וכל פריים של וידאו. |
ברירת המחדל היא TURN_INCLUDES_ONLY_ACTIVITY. התור של המודל כולל רק את הפעילות שזוהתה. |
VAD מותאם אישית (activity_start/activity_end) |
נתמך. משביתים את ה-VAD האוטומטי ושולחים הודעות activityStart ו-activityEnd באופן ידני כדי לשלוט בגבולות של כל תור. |
נתמך. משביתים את ה-VAD האוטומטי ושולחים הודעות activityStart ו-activityEnd באופן ידני כדי לשלוט בגבולות של כל תור. |
| הגדרה אוטומטית של VAD | נתמך. מגדירים פרמטרים כמו start_of_speech_sensitivity, end_of_speech_sensitivity, prefix_padding_ms ו-silence_duration_ms. |
נתמך. מגדירים פרמטרים כמו start_of_speech_sensitivity, end_of_speech_sensitivity, prefix_padding_ms ו-silence_duration_ms. |
קריאה אסינכרונית לפונקציה (behavior: NON_BLOCKING) |
לא נתמך. הקריאה להפעלת פונקציות היא רק רציפה. המודל לא יתחיל להגיב עד שתשלחו את התשובה של הכלי. | נתמך. כדי שהמודל ימשיך באינטראקציה בזמן שהפונקציה פועלת, צריך להגדיר את behavior ל-NON_BLOCKING בהצהרת הפונקציה. אפשר לשלוט באופן שבו המודל מטפל בתשובות באמצעות הפרמטר scheduling (INTERRUPT, WHEN_IDLE או SILENT). |
| סינון אודיו יזום | לא נתמך | נתמך. כשההגדרה הזו מופעלת, המודל יכול להחליט באופן יזום לא להגיב אם תוכן הקלט לא רלוונטי. מגדירים את proactive_audio ל-true בתצורה proactivity (נדרש v1beta). |
| שיחה מותאמת-רגש | לא נתמך | נתמך. סגנון התשובה של המודל מותאם לסגנון ולטון של הקלט. מגדירים את enable_affective_dialog ל-true בהגדרות הסשן (נדרש v1beta). |
כדי לעבור מ-Gemini 2.5 Flash Live ל-Gemini 3.1 Flash Live, אפשר לעיין במדריך להעברת נתונים.
יצירת חיבור
בדוגמה הבאה מוצג אופן היצירה של חיבור באמצעות מפתח API:
Python
import asyncio
from google import genai
client = genai.Client()
model = "gemini-3.1-flash-live-preview"
config = {"response_modalities": ["AUDIO"]}
async def main():
async with client.aio.live.connect(model=model, config=config) as session:
print("Session started")
# Send content...
if __name__ == "__main__":
asyncio.run(main())
JavaScript
import { GoogleGenAI, Modality } from '@google/genai';
const ai = new GoogleGenAI({});
const model = 'gemini-3.1-flash-live-preview';
const config = { responseModalities: [Modality.AUDIO] };
async function main() {
const session = await ai.live.connect({
model: model,
callbacks: {
onopen: function () {
console.debug('Opened');
},
onmessage: function (message) {
console.debug(message);
},
onerror: function (e) {
console.debug('Error:', e.message);
},
onclose: function (e) {
console.debug('Close:', e.reason);
},
},
config: config,
});
console.debug("Session started");
// Send content...
session.close();
}
main();
אופני אינטראקציה
בקטעים הבאים מופיעות דוגמאות והקשר תומך למצבי הקלט והפלט השונים שזמינים ב-Live API.
שליחת אודיו
צריך לשלוח את האודיו כנתוני PCM גולמיים (אודיו PCM גולמי של 16 ביט, 16kHz, little-endian).
Python
# Assuming 'chunk' is your raw PCM audio bytes
await session.send_realtime_input(
audio=types.Blob(
data=chunk,
mime_type="audio/pcm;rate=16000"
)
)
JavaScript
// Assuming 'chunk' is a Buffer of raw PCM audio
session.sendRealtimeInput({
audio: {
data: chunk.toString('base64'),
mimeType: 'audio/pcm;rate=16000'
}
});
פורמטים של אודיו
נתוני האודיו ב-Live API הם תמיד גולמיים, בפורמט little-endian, PCM של 16 ביט. פלט האודיו תמיד משתמש בתדירות דגימה של 24kHz. השמע שמוזן הוא 16kHz באופן מקורי, אבל Live API ידגום מחדש אם צריך, כך שאפשר לשלוח כל תדירות דגימה. כדי להעביר את תדירות הדגימה של אודיו מהקלט, צריך להגדיר את סוג ה-MIME של כל Blob שמכיל אודיו לערך כמו audio/pcm;rate=16000.
קבלת אודיו
התשובות הקוליות של המודל מתקבלות כנתונים בחלקים.
Python
async for response in session.receive():
if response.server_content and response.server_content.model_turn:
for part in response.server_content.model_turn.parts:
if part.inline_data:
audio_data = part.inline_data.data
# Process or play the audio data
JavaScript
// Inside the onmessage callback
const content = response.serverContent;
if (content?.modelTurn?.parts) {
for (const part of content.modelTurn.parts) {
if (part.inlineData) {
const audioData = part.inlineData.data;
// Process or play audioData (base64 encoded string)
}
}
}
נשלחת הודעת טקסט
אפשר לשלוח טקסט באמצעות send_realtime_input (Python) או sendRealtimeInput (JavaScript).
Python
await session.send_realtime_input(text="Hello, how are you?")
JavaScript
session.sendRealtimeInput({
text: 'Hello, how are you?'
});
שליחת הסרטון מתבצעת
פריימים של סרטונים נשלחים כתמונות נפרדות (למשל, JPEG או PNG) בקצב פריימים ספציפי (עד פריים אחד לשנייה).
Python
# Assuming 'frame' is your JPEG-encoded image bytes
await session.send_realtime_input(
video=types.Blob(
data=frame,
mime_type="image/jpeg"
)
)
JavaScript
// Assuming 'frame' is a Buffer of JPEG-encoded image data
session.sendRealtimeInput({
video: {
data: frame.toString('base64'),
mimeType: 'image/jpeg'
}
});
עדכונים מצטברים של תוכן
אפשר להשתמש בעדכונים מצטברים כדי לשלוח קלט טקסט, ליצור הקשר של סשן או לשחזר את ההקשר של סשן. בהקשרים קצרים אפשר לשלוח אינטראקציות שלב אחר שלב כדי לייצג את רצף האירועים המדויק:
Python
turns = [
{"role": "user", "parts": [{"text": "What is the capital of France?"}]},
{"role": "model", "parts": [{"text": "Paris"}]},
]
await session.send_client_content(turns=turns, turn_complete=False)
turns = [{"role": "user", "parts": [{"text": "What is the capital of Germany?"}]}]
await session.send_client_content(turns=turns, turn_complete=True)
JavaScript
let inputTurns = [
{ "role": "user", "parts": [{ "text": "What is the capital of France?" }] },
{ "role": "model", "parts": [{ "text": "Paris" }] },
]
session.sendClientContent({ turns: inputTurns, turnComplete: false })
inputTurns = [{ "role": "user", "parts": [{ "text": "What is the capital of Germany?" }] }]
session.sendClientContent({ turns: inputTurns, turnComplete: true })
בהקשרים ארוכים יותר, מומלץ לספק סיכום של ההודעה כדי לפנות מקום בחלון ההקשר לאינטראקציות הבאות. במאמר בנושא המשכת סשן מוסבר על שיטה נוספת לטעינת הקשר של הסשן.
תמלולי אודיו
בנוסף לתשובה של המודל, אפשר גם לקבל תמלילים של פלט האודיו ושל קלט האודיו.
כדי להפעיל תמלול של פלט האודיו של המודל, שולחים את המחרוזת
output_audio_transcription בהגדרות. שפת התמלול נקבעת לפי התשובה של המודל.
Python
import asyncio
from google import genai
from google.genai import types
client = genai.Client()
model = "gemini-3.1-flash-live-preview"
config = {
"response_modalities": ["AUDIO"],
"output_audio_transcription": {}
}
async def main():
async with client.aio.live.connect(model=model, config=config) as session:
message = "Hello? Gemini are you there?"
await session.send_client_content(
turns={"role": "user", "parts": [{"text": message}]}, turn_complete=True
)
async for response in session.receive():
if response.server_content.model_turn:
print("Model turn:", response.server_content.model_turn)
if response.server_content.output_transcription:
print("Transcript:", response.server_content.output_transcription.text)
if __name__ == "__main__":
asyncio.run(main())
JavaScript
import { GoogleGenAI, Modality } from '@google/genai';
const ai = new GoogleGenAI({});
const model = 'gemini-3.1-flash-live-preview';
const config = {
responseModalities: [Modality.AUDIO],
outputAudioTranscription: {}
};
async function live() {
const responseQueue = [];
async function waitMessage() {
let done = false;
let message = undefined;
while (!done) {
message = responseQueue.shift();
if (message) {
done = true;
} else {
await new Promise((resolve) => setTimeout(resolve, 100));
}
}
return message;
}
async function handleTurn() {
const turns = [];
let done = false;
while (!done) {
const message = await waitMessage();
turns.push(message);
if (message.serverContent && message.serverContent.turnComplete) {
done = true;
}
}
return turns;
}
const session = await ai.live.connect({
model: model,
callbacks: {
onopen: function () {
console.debug('Opened');
},
onmessage: function (message) {
responseQueue.push(message);
},
onerror: function (e) {
console.debug('Error:', e.message);
},
onclose: function (e) {
console.debug('Close:', e.reason);
},
},
config: config,
});
const inputTurns = 'Hello how are you?';
session.sendClientContent({ turns: inputTurns });
const turns = await handleTurn();
for (const turn of turns) {
if (turn.serverContent && turn.serverContent.outputTranscription) {
console.debug('Received output transcription: %s\n', turn.serverContent.outputTranscription.text);
}
}
session.close();
}
async function main() {
await live().catch((e) => console.error('got error', e));
}
main();
כדי להפעיל תמלול של קלט האודיו של המודל, שולחים את הערך
input_audio_transcription בהגדרות.
Python
import asyncio
from pathlib import Path
from google import genai
from google.genai import types
client = genai.Client()
model = "gemini-3.1-flash-live-preview"
config = {
"response_modalities": ["AUDIO"],
"input_audio_transcription": {},
}
async def main():
async with client.aio.live.connect(model=model, config=config) as session:
audio_data = Path("16000.pcm").read_bytes()
await session.send_realtime_input(
audio=types.Blob(data=audio_data, mime_type='audio/pcm;rate=16000')
)
async for msg in session.receive():
if msg.server_content.input_transcription:
print('Transcript:', msg.server_content.input_transcription.text)
if __name__ == "__main__":
asyncio.run(main())
JavaScript
import { GoogleGenAI, Modality } from '@google/genai';
import * as fs from "node:fs";
import pkg from 'wavefile';
const { WaveFile } = pkg;
const ai = new GoogleGenAI({});
const model = 'gemini-3.1-flash-live-preview';
const config = {
responseModalities: [Modality.AUDIO],
inputAudioTranscription: {}
};
async function live() {
const responseQueue = [];
async function waitMessage() {
let done = false;
let message = undefined;
while (!done) {
message = responseQueue.shift();
if (message) {
done = true;
} else {
await new Promise((resolve) => setTimeout(resolve, 100));
}
}
return message;
}
async function handleTurn() {
const turns = [];
let done = false;
while (!done) {
const message = await waitMessage();
turns.push(message);
if (message.serverContent && message.serverContent.turnComplete) {
done = true;
}
}
return turns;
}
const session = await ai.live.connect({
model: model,
callbacks: {
onopen: function () {
console.debug('Opened');
},
onmessage: function (message) {
responseQueue.push(message);
},
onerror: function (e) {
console.debug('Error:', e.message);
},
onclose: function (e) {
console.debug('Close:', e.reason);
},
},
config: config,
});
// Send Audio Chunk
const fileBuffer = fs.readFileSync("16000.wav");
// Ensure audio conforms to API requirements (16-bit PCM, 16kHz, mono)
const wav = new WaveFile();
wav.fromBuffer(fileBuffer);
wav.toSampleRate(16000);
wav.toBitDepth("16");
const base64Audio = wav.toBase64();
// If already in correct format, you can use this:
// const fileBuffer = fs.readFileSync("sample.pcm");
// const base64Audio = Buffer.from(fileBuffer).toString('base64');
session.sendRealtimeInput(
{
audio: {
data: base64Audio,
mimeType: "audio/pcm;rate=16000"
}
}
);
const turns = await handleTurn();
for (const turn of turns) {
if (turn.text) {
console.debug('Received text: %s\n', turn.text);
}
else if (turn.data) {
console.debug('Received inline data: %s\n', turn.data);
}
else if (turn.serverContent && turn.serverContent.inputTranscription) {
console.debug('Received input transcription: %s\n', turn.serverContent.inputTranscription.text);
}
}
session.close();
}
async function main() {
await live().catch((e) => console.error('got error', e));
}
main();
שינוי הקול והשפה
מודלים של פלט אודיו מקורי תומכים בכל הקולות שזמינים במודלים של המרת טקסט לדיבור (TTS). אפשר להאזין לכל הקולות ב-AI Studio.
כדי לציין קול, מגדירים את שם הקול באובייקט speechConfig כחלק מהגדרת הסשן:
Python
config = {
"response_modalities": ["AUDIO"],
"speech_config": {
"voice_config": {"prebuilt_voice_config": {"voice_name": "Kore"}}
},
}
JavaScript
const config = {
responseModalities: [Modality.AUDIO],
speechConfig: { voiceConfig: { prebuiltVoiceConfig: { voiceName: "Kore" } } }
};
Live API תומך בכמה שפות. מודלים של פלט אודיו מקורי בוחרים באופן אוטומטי את השפה המתאימה ולא תומכים בהגדרה מפורשת של קוד השפה.
יכולות אודיו מובנות
המודלים הכי חדשים שלנו כוללים פלט אודיו מקורי, שמספק דיבור טבעי וריאליסטי ומשפר את הביצועים הרב-לשוניים.
מעמיק
מודלים של Gemini 3.1 משתמשים ב-thinkingLevel כדי לשלוט בעומק החשיבה, עם הגדרות כמו minimal, low, medium ו-high. ברירת המחדל היא minimal כדי לבצע אופטימיזציה לזמן האחזור הנמוך ביותר. במודלים של Gemini 2.5 נעשה שימוש ב-thinkingBudget כדי להגדיר את מספר הטוקנים של החשיבה. מידע נוסף על ההבדלים בין רמות לתקציבים
Python
model = "gemini-3.1-flash-live-preview"
config = types.LiveConnectConfig(
response_modalities=["AUDIO"]
thinking_config=types.ThinkingConfig(
thinking_level="low",
)
)
async with client.aio.live.connect(model=model, config=config) as session:
# Send audio input and receive audio
JavaScript
const model = 'gemini-3.1-flash-live-preview';
const config = {
responseModalities: [Modality.AUDIO],
thinkingConfig: {
thinkingLevel: 'low',
},
};
async function main() {
const session = await ai.live.connect({
model: model,
config: config,
callbacks: ...,
});
// Send audio input and receive audio
session.close();
}
main();
בנוסף, אפשר להפעיל סיכומי מחשבות על ידי הגדרת includeThoughts לערך true בהגדרות. מידע נוסף זמין במאמר בנושא סיכומי מחשבות.
Python
model = "gemini-3.1-flash-live-preview"
config = types.LiveConnectConfig(
response_modalities=["AUDIO"]
thinking_config=types.ThinkingConfig(
thinking_level="low",
include_thoughts=True
)
)
JavaScript
const model = 'gemini-3.1-flash-live-preview';
const config = {
responseModalities: [Modality.AUDIO],
thinkingConfig: {
thinkingLevel: 'low',
includeThoughts: true,
},
};
שיחה מותאמת-רגש
התכונה הזו מאפשרת ל-Gemini להתאים את סגנון התשובה לניסוח ולטון של הקלט.
כדי להשתמש בדיאלוג אפקטיבי, צריך להגדיר את גרסת ה-API ל-v1beta ולהגדיר את enable_affective_dialog ל-true בהודעת ההגדרה:
Python
client = genai.Client(http_options={"api_version": "v1beta"})
config = types.LiveConnectConfig(
response_modalities=["AUDIO"],
enable_affective_dialog=True
)
JavaScript
const ai = new GoogleGenAI({ httpOptions: {"apiVersion": "v1beta"} });
const config = {
responseModalities: [Modality.AUDIO],
enableAffectiveDialog: true
};
סינון אודיו יזום
כשהתכונה הזו מופעלת, Gemini יכול להחליט באופן יזום לא להגיב אם התוכן לא רלוונטי.
כדי להשתמש בו, צריך להגדיר את גרסת ה-API ל-v1beta, להגדיר את השדה proactivity בהודעת ההגדרה ולהגדיר את הערך proactive_audio ל-true:
Python
client = genai.Client(http_options={"api_version": "v1beta"})
config = types.LiveConnectConfig(
response_modalities=["AUDIO"],
proactivity={'proactive_audio': True}
)
JavaScript
const ai = new GoogleGenAI({ httpOptions: {"apiVersion": "v1beta"} });
const config = {
responseModalities: [Modality.AUDIO],
proactivity: { proactiveAudio: true }
}
תרגום בזמן אמת
ה-API של Live תומך בתרגום בזמן אמת של שיחות בדיבור עם השהיה נמוכה. היכולת הזו מאפשרת לכם ליצור אפליקציות לתרגום קולי בזמן אמת.
מידע נוסף ודוגמאות זמינים במדריך לתרגום בזמן אמת.
זיהוי דיבור (VAD)
זיהוי דיבור (VAD) מאפשר למודל לזהות מתי אדם מדבר. זה חיוני ליצירת שיחות טבעיות, כי זה מאפשר למשתמש לקטוע את המודל בכל שלב.
כש-VAD מזהה הפרעה, היצירה המתמשכת מבוטלת ומושלכת. רק המידע שכבר נשלח ללקוח נשמר בהיסטוריית הסשנים. השרת שולח הודעת BidiGenerateContentServerContent כדי לדווח על ההפרעה.
שרת Gemini מוחק את כל הקריאות לפונקציות שממתינות, ושולח הודעת BidiGenerateContentServerContent עם מזהי השיחות שבוטלו.
Python
async for response in session.receive():
if response.server_content.interrupted is True:
# The generation was interrupted
# If realtime playback is implemented in your application,
# you should stop playing audio and clear queued playback here.
JavaScript
const turns = await handleTurn();
for (const turn of turns) {
if (turn.serverContent && turn.serverContent.interrupted) {
// The generation was interrupted
// If realtime playback is implemented in your application,
// you should stop playing audio and clear queued playback here.
}
}
זיהוי אוטומטי של פעילות קולית (VAD)
כברירת מחדל, המודל מבצע VAD באופן אוטומטי על זרם קלט אודיו רציף. אפשר להגדיר את ה-VAD באמצעות השדה realtimeInputConfig.automaticActivityDetection של הגדרת ההגדרה.
אם זרם האודיו מושהה למשך יותר משנייה (לדוגמה, כי המשתמש השבית את המיקרופון), צריך לשלוח אירוע audioStreamEnd כדי לנקות את האודיו שנשמר במטמון. הלקוח יכול להמשיך לשלוח נתוני אודיו בכל שלב.
Python
# example audio file to try:
# URL = "https://storage.googleapis.com/generativeai-downloads/data/hello_are_you_there.pcm"
# !wget -q $URL -O sample.pcm
import asyncio
from pathlib import Path
from google import genai
from google.genai import types
client = genai.Client()
model = "gemini-3.1-flash-live-preview"
config = {"response_modalities": ["AUDIO"]}
async def main():
async with client.aio.live.connect(model=model, config=config) as session:
audio_bytes = Path("sample.pcm").read_bytes()
await session.send_realtime_input(
audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
)
# if stream gets paused, send:
# await session.send_realtime_input(audio_stream_end=True)
async for response in session.receive():
if response.text is not None:
print(response.text)
if __name__ == "__main__":
asyncio.run(main())
JavaScript
// example audio file to try:
// URL = "https://storage.googleapis.com/generativeai-downloads/data/hello_are_you_there.pcm"
// !wget -q $URL -O sample.pcm
import { GoogleGenAI, Modality } from '@google/genai';
import * as fs from "node:fs";
const ai = new GoogleGenAI({});
const model = 'gemini-3.1-flash-live-preview';
const config = { responseModalities: [Modality.AUDIO] };
async function live() {
const responseQueue = [];
async function waitMessage() {
let done = false;
let message = undefined;
while (!done) {
message = responseQueue.shift();
if (message) {
done = true;
} else {
await new Promise((resolve) => setTimeout(resolve, 100));
}
}
return message;
}
async function handleTurn() {
const turns = [];
let done = false;
while (!done) {
const message = await waitMessage();
turns.push(message);
if (message.serverContent && message.serverContent.turnComplete) {
done = true;
}
}
return turns;
}
const session = await ai.live.connect({
model: model,
callbacks: {
onopen: function () {
console.debug('Opened');
},
onmessage: function (message) {
responseQueue.push(message);
},
onerror: function (e) {
console.debug('Error:', e.message);
},
onclose: function (e) {
console.debug('Close:', e.reason);
},
},
config: config,
});
// Send Audio Chunk
const fileBuffer = fs.readFileSync("sample.pcm");
const base64Audio = Buffer.from(fileBuffer).toString('base64');
session.sendRealtimeInput(
{
audio: {
data: base64Audio,
mimeType: "audio/pcm;rate=16000"
}
}
);
// if stream gets paused, send:
// session.sendRealtimeInput({ audioStreamEnd: true })
const turns = await handleTurn();
for (const turn of turns) {
if (turn.text) {
console.debug('Received text: %s\n', turn.text);
}
else if (turn.data) {
console.debug('Received inline data: %s\n', turn.data);
}
}
session.close();
}
async function main() {
await live().catch((e) => console.error('got error', e));
}
main();
ב-send_realtime_input, ה-API יגיב לאודיו באופן אוטומטי על סמך VAD. send_client_content מוסיף הודעות להקשר של המודל לפי הסדר, אבל send_realtime_input עובר אופטימיזציה לתגובה מהירה על חשבון סדר דטרמיניסטי.
הגדרה אוטומטית של VAD
כדי לקבל שליטה רבה יותר על פעילות ה-VAD, אפשר להגדיר את הפרמטרים הבאים. מידע נוסף זמין במאמר בנושא הפניית API.
Python
from google.genai import types
config = {
"response_modalities": ["AUDIO"],
"realtime_input_config": {
"automatic_activity_detection": {
"disabled": False, # default
"start_of_speech_sensitivity": types.StartSensitivity.START_SENSITIVITY_LOW,
"end_of_speech_sensitivity": types.EndSensitivity.END_SENSITIVITY_LOW,
"prefix_padding_ms": 20,
"silence_duration_ms": 100,
}
}
}
JavaScript
import { GoogleGenAI, Modality, StartSensitivity, EndSensitivity } from '@google/genai';
const config = {
responseModalities: [Modality.AUDIO],
realtimeInputConfig: {
automaticActivityDetection: {
disabled: false, // default
startOfSpeechSensitivity: StartSensitivity.START_SENSITIVITY_LOW,
endOfSpeechSensitivity: EndSensitivity.END_SENSITIVITY_LOW,
prefixPaddingMs: 20,
silenceDurationMs: 100,
}
}
};
Hybrid VAD
זיהוי פעילות קולית היברידי משלב את היתרונות של זיהוי פעילות קולית אוטומטי (זיהוי חזק של תחילת הדיבור) וזיהוי פעילות קולית ידני (סיום התגובה עם השהיה נמוכה).
בהגדרה הזו:
- הזיהוי האוטומטי של פעילות קולית (VAD) נשאר מופעל בשרת. השרת מזהה באופן אוטומטי את תחילת הדיבור של המשתמש, ומשתמש בריפוד של תווים לפני המחרוזת כדי למנוע חיתוך של תחילת ההצהרות.
- הלקוח משתמש בזיהוי פעילות קולית (VAD) בצד הלקוח כדי לזהות מתי המשתמש מפסיק לדבר.
- כש-VAD בצד הלקוח מזהה את סוף הדיבור, הוא שולח אות
audio_stream_endלשרת. - השרת מתייחס לאות
audio_stream_endכהנחיה מיידית לסיום, מדלג על העיכוב שמוגדר כברירת מחדל לזיהוי שקט בצד השרת ומחזיר את התמליל ואת תגובת המודל עם זמן אחזור מינימלי. - אם ה-VAD בצד הלקוח לא מופעל, ה-VAD בצד השרת פועל כגיבוי כדי לזהות את סוף הדיבור.
הערה: אם סף ה-VAD בצד הלקוח מוגדר בצורה אגרסיבית מדי, הוא עלול לגרום לניתוקים בדיבור. עם זאת, הגישה הזו מונעת בעיות של חיתוך בתחילת הדיבור, שעלולות להתרחש ב-VAD ידני.
Python
# Set up with automatic VAD enabled (default)
config = {
"response_modalities": ["AUDIO"],
}
async with client.aio.live.connect(model=model, config=config) as session:
# Send audio data normally
await session.send_realtime_input(
audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
)
# When client-side VAD detects the end of speech, send:
await session.send_realtime_input(audio_stream_end=True)
JavaScript
// Set up with automatic VAD enabled (default)
const config = {
responseModalities: [Modality.AUDIO],
};
// Send audio data normally
session.sendRealtimeInput({
audio: {
data: base64Audio,
mimeType: "audio/pcm;rate=16000"
}
});
// When client-side VAD detects the end of speech, send:
session.sendRealtimeInput({ audioStreamEnd: true });
השבתת זיהוי דיבור אוטומטי
אפשרות אחרת היא להשבית את ה-VAD האוטומטי על ידי הגדרת הערך realtimeInputConfig.automaticActivityDetection.disabled ל-true בהודעת ההגדרה. בהגדרה הזו, הלקוח אחראי לזיהוי הדיבור של המשתמש ולשליחת ההודעות activityStart ו-activityEnd בזמנים המתאימים. לא נשלח audioStreamEnd בהגדרה הזו. במקום זאת, כל הפרעה לשידור מסומנת בהודעה activityEnd.
Python
config = {
"response_modalities": ["AUDIO"],
"realtime_input_config": {"automatic_activity_detection": {"disabled": True}},
}
async with client.aio.live.connect(model=model, config=config) as session:
# ...
await session.send_realtime_input(activity_start=types.ActivityStart())
await session.send_realtime_input(
audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
)
await session.send_realtime_input(activity_end=types.ActivityEnd())
# ...
JavaScript
const config = {
responseModalities: [Modality.AUDIO],
realtimeInputConfig: {
automaticActivityDetection: {
disabled: true,
}
}
};
session.sendRealtimeInput({ activityStart: {} })
session.sendRealtimeInput(
{
audio: {
data: base64Audio,
mimeType: "audio/pcm;rate=16000"
}
}
);
session.sendRealtimeInput({ activityEnd: {} })
הסבר על פרמטרים של VAD וההשפעה שלהם על האיכות
כשמשתמשים בזיהוי אוטומטי של פעילות קולית, שני פרמטרים מרכזיים קובעים איך האודיו מפולח לקטעי דיבור לפני שהוא נשלח למודל:
-
prefixPaddingMs: כמות האודיו שצריך לכלול לפני זיהוי הדיבור. התכונה הזו מאפשרת למודל לזהות את תחילת הדיבור, כולל ההברה הראשונה, שעשויה להתחיל לפני הפעלת ה-VAD. ערך של0עלול לגרום לכך שההתחלה של מילים תיחתך. -
silenceDurationMs: משך הזמן שבו השרת ממתין במהלך שתיקה לפני סיום תור הדיבור. ההגדרה הזו קובעת את רמת הסובלנות של המערכת להפסקות טבעיות באמצע משפט (למשל, הפסקות למחשבה, לנשימה או בין פסוקיות).
ההשפעה של silenceDurationMs על איכות האודיו
הערך silenceDurationMs משפיע ישירות על הגודל והשלמות של נתחי האודיו שהמודל מקבל לעיבוד:
- מומלץ (500ms עד 800ms): מספק איזון טוב – המודל מקבל נתחי אודיו מלאים ועשירים בהקשר, תוך שמירה על חביון סביר. ברירת המחדל הפנימית של השרת היא בערך 800 אלפיות השנייה.
- נמוך מדי (לדוגמה, 100ms עד 200ms): המערכת מסיימת את תורי הדיבור במהלך הפסקות טבעיות, ומפצלת אמירה אחת לכמה קטעי אודיו קטנים. המודל מקבל את החלקים האלה בנפרד, ולכן הוא לא יכול להבין את ההקשר של כל החלקים יחד, מה שמוביל לתמלול ולתשובות באיכות נמוכה יותר.
- גבוה מדי (למשל, 2,000ms ומעלה): המערכת מחכה זמן רב אחרי שהמשתמש מפסיק לדבר, וכך גדל זמן האחזור הנתפס לפני שהמודל מגיב.
שיטות מומלצות לזיהוי פעילות קולית ידני (בצד הלקוח)
כשמשביתים את זיהוי הדיבור האוטומטי ומנהלים את האותות activityStart/activityEnd של זיהוי הדיבור בצד הלקוח, צריך לזכור שעוקפים את מנגנוני החיץ המובנים של השרת. כלומר:
- אין יותר מאגר זמני לפני הדיבור: השרת לא מוסיף יותר אודיו לפני תחילת הדיבור שזוהה. הלקוח צריך לכלול מספיק הקשר שמע לפני שליחת
activityStart. - אין סובלנות לשקט: השרת פועל באופן מיידי על האות
activityEndשלכם, ללא המתנה נוספת. אם ה-VAD בצד הלקוח משתמש בסף אגרסיבי לסיום הדיבור (לדוגמה, 200ms של שקט), יכול להיות שהדיבור ייקטע באמצע המשפט במהלך הפסקות טבעיות.
כדי לשמור על איכות השמע באמצעות VAD ידני, צריך להשתמש בסף שתיקה של לפחות 500ms בסוף הדיבור בגלאי הפעילות הקולית של הלקוח. ערכי סף מתחת לערך הזה גורמים לעיתים קרובות לאודיו מקוטע שפוגע באיכות התמלול ובתשובות של המודל.
כמות טוקנים
אפשר למצוא את המספר הכולל של הטוקנים שנצרכו בשדה usageMetadata של הודעת השרת שמוחזרת.
Python
async for message in session.receive():
# The server will periodically send messages that include UsageMetadata.
if message.usage_metadata:
usage = message.usage_metadata
print(
f"Used {usage.total_token_count} tokens in total. Response token breakdown:"
)
for detail in usage.response_tokens_details:
match detail:
case types.ModalityTokenCount(modality=modality, token_count=count):
print(f"{modality}: {count}")
JavaScript
const turns = await handleTurn();
for (const turn of turns) {
if (turn.usageMetadata) {
console.debug('Used %s tokens in total. Response token breakdown:\n', turn.usageMetadata.totalTokenCount);
for (const detail of turn.usageMetadata.responseTokensDetails) {
console.debug('%s\n', detail);
}
}
}
רזולוציית המדיה
אתם יכולים לציין את רזולוציית המדיה של קובץ המדיה שמוזן על ידי הגדרת השדה mediaResolution כחלק מהגדרת הסשן:
Python
from google.genai import types
config = {
"response_modalities": ["AUDIO"],
"media_resolution": types.MediaResolution.MEDIA_RESOLUTION_LOW,
}
JavaScript
import { GoogleGenAI, Modality, MediaResolution } from '@google/genai';
const config = {
responseModalities: [Modality.AUDIO],
mediaResolution: MediaResolution.MEDIA_RESOLUTION_LOW,
};
מגבלות
כדאי להביא בחשבון את המגבלות הבאות של Live API כשמתכננים את הפרויקט.
אופני תגובה
מודלים מקוריים של אודיו תומכים רק ב-`AUDIO response modality. אם אתם צריכים את התשובה של המודל כטקסט, אתם יכולים להשתמש בתכונה תמלול פלט האודיו.
אימות לקוח
כברירת מחדל, Live API מספק רק אימות משרת לשרת. אם אתם מטמיעים את אפליקציית Live API באמצעות גישה של לקוח לשרת, אתם צריכים להשתמש בטוקנים זמניים כדי לצמצם את הסיכונים לאבטחה.
משך הביקור
משך הפגישות עם אודיו בלבד מוגבל ל-15 דקות, ומשך הפגישות עם אודיו ווידאו מוגבל ל-2 דקות. עם זאת, אתם יכולים להגדיר טכניקות שונות לניהול סשנים כדי להאריך את משך הסשן ללא הגבלה.
חלון ההקשר
לסשן יש מגבלת חלון הקשר של:
- 128,000 טוקנים למודלים של פלט אודיו מקורי
- 32,000 טוקנים במודלים אחרים של Live API
שפות נתמכות
Live API תומך ב-97 השפות הבאות.
| שפה | קוד BCP-47 | שפה | קוד BCP-47 |
|---|---|---|---|
| אפריקאנס | af |
לטבית | lv |
| אקאן | ak |
ליטאית | lt |
| אלבנית | sq |
מקדונית | mk |
| אמהרית | am |
מלאית | ms |
| ערבית | ar |
מליאלאם | ml |
| ארמנית | hy |
מלטית | mt |
| אסאמית | as |
מאורית | mi |
| אזרית | az |
מראטהית | mr |
| בסקית | eu |
מונגולית | mn |
| בלארוסית | be |
נפאלית | ne |
| בנגלית | bn |
נורווגית | no |
| בוסנית | bs |
אודיה | or |
| בולגרית | bg |
אורומו | om |
| בורמזית | my |
פשטו | ps |
| קטלאנית | ca |
פרסית | fa |
| סבואנו | ceb |
פולנית | pl |
| סינית | zh |
פורטוגזית | pt |
| קרואטית | hr |
פנג'אבי | pa |
| צ'כית | cs |
קצ'ואה | qu |
| דנית | da |
רומנית | ro |
| הולנדית | nl |
רומאנש | rm |
| אנגלית | en |
רוסית | ru |
| אסטונית | et |
סרבית | sr |
| פארואזית | fo |
סינדהית | sd |
| פיליפינית | fil |
סינהאלה | si |
| פינית | fi |
סלובקית | sk |
| צרפתית | fr |
סלובנית | sl |
| גליציאנית | gl |
סומלית | so |
| גאורגית | ka |
ססוטו | st |
| גרמנית | de |
ספרדית | es |
| יוונית | el |
סווהילי | sw |
| גוג'ראטי | gu |
שוודית | sv |
| האוסה | ha |
טג'יקית | tg |
| עברית | iw |
טמילית | ta |
| הינדי | hi |
טלוגו | te |
| הונגרית | hu |
תאית | th |
| איסלנדית | is |
טסוואנה | tn |
| אינדונזית | id |
טורקית | tr |
| אירית | ga |
טורקמנית | tk |
| איטלקית | it |
אוקראינית | uk |
| יפנית | ja |
אורדו | ur |
| קנאדה | kn |
אוזבקית | uz |
| קזחית | kk |
וייטנאמית | vi |
| חמרית | km |
וולשית | cy |
| קינירואנדה | rw |
פריזית מערבית | fy |
| קוריאנית | ko |
וולוף | wo |
| כורדית | ku |
יורובה | yo |
| קירגיזית | ky |
זולו | zu |
| לאו | lo |
המאמרים הבאים
- כדאי לקרוא את המדריכים שימוש בכלי וניהול סשנים כדי לקבל מידע חשוב על שימוש יעיל ב-Live API.
- אפשר לנסות את ממשק ה-API של Gemini ב-Google AI Studio.
- מידע נוסף על המודלים של Live API זמין במאמר Gemini 2.5 Flash Native Audio בדף Models (מודלים).
- אפשר לנסות דוגמאות נוספות בספר המתכונים של Live API, בספר המתכונים של Live API Tools ובסקריפט לתחילת העבודה עם Live API.