Get started with Gemini Live API using WebSockets

জেমিনি লাইভ এপিআই জেমিনি মডেলগুলির সাথে রিয়েল-টাইম, দ্বিমুখী মিথস্ক্রিয়ার সুযোগ দেয় এবং এটি অডিও, ভিডিও, ও টেক্সট ইনপুট এবং নেটিভ অডিও আউটপুট সমর্থন করে। এই নির্দেশিকাটি ব্যাখ্যা করে কিভাবে র ওয়েবসকেট ব্যবহার করে সরাসরি এপিআই-এর সাথে ইন্টিগ্রেট করা যায়।

সংক্ষিপ্ত বিবরণ

জেমিনি লাইভ এপিআই রিয়েল-টাইম যোগাযোগের জন্য ওয়েবসকেট ব্যবহার করে। এসডিকে ব্যবহারের বিপরীতে, এই পদ্ধতিতে সরাসরি ওয়েবসকেট সংযোগ পরিচালনা করা হয় এবং এপিআই দ্বারা সংজ্ঞায়িত একটি নির্দিষ্ট JSON ফরম্যাটে বার্তা পাঠানো ও গ্রহণ করা হয়।

মূল ধারণা:

  • ওয়েব সকেট এন্ডপয়েন্ট : সংযোগ করার জন্য নির্দিষ্ট ইউআরএল।
  • বার্তার ফরম্যাট : সমস্ত যোগাযোগ BidiGenerateContentClientMessage এবং BidiGenerateContentServerMessage কাঠামো অনুযায়ী JSON বার্তার মাধ্যমে সম্পন্ন করা হয়।
  • সেশন ব্যবস্থাপনা : ওয়েবসকেট সংযোগটি বজায় রাখার দায়িত্ব আপনার।

প্রমাণীকরণ

WebSocket URL-এ কোয়েরি প্যারামিটার হিসেবে আপনার API কী অন্তর্ভুক্ত করার মাধ্যমে প্রমাণীকরণ সম্পন্ন করা হয়।

এন্ডপয়েন্ট ফরম্যাটটি হলো:

wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1beta.GenerativeService.BidiGenerateContent?key=YOUR_API_KEY

YOUR_API_KEY জায়গায় আপনার আসল API কী বসান।

ক্ষণস্থায়ী টোকেন দিয়ে প্রমাণীকরণ

আপনি যদি ক্ষণস্থায়ী টোকেন ব্যবহার করেন, তাহলে আপনাকে v1alpha এন্ডপয়েন্টে সংযোগ করতে হবে। ক্ষণস্থায়ী টোকেনটি access_token কোয়েরি প্যারামিটার হিসেবে পাস করতে হবে।

ক্ষণস্থায়ী কী-গুলির জন্য এন্ডপয়েন্ট ফরম্যাটটি হলো:

wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContentConstrained?access_token={short-lived-token}

{short-lived-token} প্রকৃত ক্ষণস্থায়ী টোকেন দিয়ে প্রতিস্থাপন করুন।

লাইভ এপিআই-এর সাথে সংযোগ স্থাপন করা হচ্ছে

একটি লাইভ সেশন শুরু করতে, প্রমাণীকৃত এন্ডপয়েন্টের সাথে একটি ওয়েবসকেট সংযোগ স্থাপন করুন। ওয়েবসকেটের মাধ্যমে পাঠানো প্রথম বার্তাটি অবশ্যই একটি BidiGenerateContentSetup হতে হবে, যার মধ্যে config থাকবে। সম্পূর্ণ কনফিগারেশন বিকল্পগুলির জন্য, লাইভ এপিআই - ওয়েবসকেটস এপিআই রেফারেন্স দেখুন।

পাইথন

import asyncio
import websockets
import json

API_KEY = "YOUR_API_KEY"
MODEL_NAME = "gemini-3.1-flash-live-preview"
WS_URL = f"wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1beta.GenerativeService.BidiGenerateContent?key={API_KEY}"

async def connect_and_configure():
    async with websockets.connect(WS_URL) as websocket:
        print("WebSocket Connected")

        # 1. Send the initial configuration
        config_message = {
            "config": {
                "model": f"models/{MODEL_NAME}",
                "responseModalities": ["AUDIO"],
                "systemInstruction": {
                    "parts": [{"text": "You are a helpful assistant."}]
                }
            }
        }
        await websocket.send(json.dumps(config_message))
        print("Configuration sent")

        # Keep the session alive for further interactions
        await asyncio.sleep(3600) # Example: keep open for an hour

async def main():
    await connect_and_configure()

if __name__ == "__main__":
    asyncio.run(main())

জাভাস্ক্রিপ্ট

const API_KEY = "YOUR_API_KEY";
const MODEL_NAME = "gemini-3.1-flash-live-preview";
const WS_URL = `wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1beta.GenerativeService.BidiGenerateContent?key=${API_KEY}`;

const websocket = new WebSocket(WS_URL);

websocket.onopen = () => {
  console.log('WebSocket Connected');

  // 1. Send the initial configuration
  const configMessage = {
    config: {
      model: `models/${MODEL_NAME}`,
      responseModalities: ['AUDIO'],
      systemInstruction: {
        parts: [{ text: 'You are a helpful assistant.' }]
      }
    }
  };
  websocket.send(JSON.stringify(configMessage));
  console.log('Configuration sent');
};

websocket.onmessage = (event) => {
  const response = JSON.parse(event.data);
  console.log('Received:', response);
  // Handle different types of responses here
};

websocket.onerror = (error) => {
  console.error('WebSocket Error:', error);
};

websocket.onclose = () => {
  console.log('WebSocket Closed');
};

টেক্সট পাঠানো

টেক্সট ইনপুট পাঠাতে, text ফিল্ডটি সহ একটি BidiGenerateContentRealtimeInput মেসেজ তৈরি করুন।

পাইথন

# Inside the websocket context
async def send_text(websocket, text):
    text_message = {
        "realtimeInput": {
            "text": text
        }
    }
    await websocket.send(json.dumps(text_message))
    print(f"Sent text: {text}")

# Example usage: await send_text(websocket, "Hello, how are you?")

জাভাস্ক্রিপ্ট

function sendTextMessage(text) {
  if (websocket.readyState === WebSocket.OPEN) {
    const textMessage = {
      realtimeInput: {
        text: text
      }
    };
    websocket.send(JSON.stringify(textMessage));
    console.log('Text message sent:', text);
  } else {
    console.warn('WebSocket not open.');
  }
}

// Example usage:
sendTextMessage("Hello, how are you?");

অডিও পাঠানো হচ্ছে

অডিও র PCM ডেটা হিসেবে পাঠাতে হবে (র ১৬-বিট PCM অডিও, ১৬kHz, লিটল-এন্ডিয়ান)। অডিও ডেটা দিয়ে একটি BidiGenerateContentRealtimeInput মেসেজ তৈরি করুন। mimeType অত্যন্ত গুরুত্বপূর্ণ।

পাইথন

# Inside the websocket context
async def send_audio_chunk(websocket, chunk_bytes):
    import base64
    encoded_data = base64.b64encode(chunk_bytes).decode('utf-8')
    audio_message = {
        "realtimeInput": {
            "audio": {
                "data": encoded_data,
                "mimeType": "audio/pcm;rate=16000"
            }
        }
    }
    await websocket.send(json.dumps(audio_message))
    # print("Sent audio chunk") # Avoid excessive logging

# Assuming 'chunk' is your raw PCM audio bytes
# await send_audio_chunk(websocket, chunk)

জাভাস্ক্রিপ্ট

// Assuming 'chunk' is a Buffer of raw PCM audio
function sendAudioChunk(chunk) {
  if (websocket.readyState === WebSocket.OPEN) {
    const audioMessage = {
      realtimeInput: {
        audio: {
          data: chunk.toString('base64'),
          mimeType: 'audio/pcm;rate=16000'
        }
      }
    };
    websocket.send(JSON.stringify(audioMessage));
    // console.log('Sent audio chunk');
  }
}
// Example usage: sendAudioChunk(audioBuffer);

ক্লায়েন্ট ডিভাইস (যেমন ব্রাউজার) থেকে কীভাবে অডিও পেতে হয় তার একটি উদাহরণের জন্য গিটহাবে থাকা এন্ড-টু-এন্ড উদাহরণটি দেখুন।

ভিডিও পাঠানো

ভিডিও ফ্রেমগুলো স্বতন্ত্র ছবি (যেমন, JPEG বা PNG) হিসেবে পাঠানো হয়। অডিওর মতোই, সঠিক mimeType উল্লেখ করে একটি Blob সাথে realtimeInput ব্যবহার করুন।

পাইথন

# Inside the websocket context
async def send_video_frame(websocket, frame_bytes, mime_type="image/jpeg"):
    import base64
    encoded_data = base64.b64encode(frame_bytes).decode('utf-8')
    video_message = {
        "realtimeInput": {
            "video": {
                "data": encoded_data,
                "mimeType": mime_type
            }
        }
    }
    await websocket.send(json.dumps(video_message))
    # print("Sent video frame")

# Assuming 'frame' is your JPEG-encoded image bytes
# await send_video_frame(websocket, frame)

জাভাস্ক্রিপ্ট

// Assuming 'frame' is a Buffer of JPEG-encoded image data
function sendVideoFrame(frame, mimeType = 'image/jpeg') {
  if (websocket.readyState === WebSocket.OPEN) {
    const videoMessage = {
      realtimeInput: {
        video: {
          data: frame.toString('base64'),
          mimeType: mimeType
        }
      }
    };
    websocket.send(JSON.stringify(videoMessage));
    // console.log('Sent video frame');
  }
}
// Example usage: sendVideoFrame(jpegBuffer);

ক্লায়েন্ট ডিভাইস (যেমন ব্রাউজার) থেকে কীভাবে ভিডিও পাওয়া যায় তার একটি উদাহরণের জন্য গিটহাবে থাকা এন্ড-টু-এন্ড উদাহরণটি দেখুন।

প্রতিক্রিয়া গ্রহণ করা

WebSocket, BidiGenerateContentServerMessage বার্তাগুলো ফেরত পাঠাবে। আপনাকে এই JSON বার্তাগুলো পার্স করতে হবে এবং বিভিন্ন ধরনের বিষয়বস্তু পরিচালনা করতে হবে।

পাইথন

# Inside the websocket context, in a receive loop
async def receive_loop(websocket):
    async for message in websocket:
        response = json.loads(message)
        print("Received:", response)

        if "serverContent" in response:
            server_content = response["serverContent"]
            # Receiving Audio
            if "modelTurn" in server_content and "parts" in server_content["modelTurn"]:
                for part in server_content["modelTurn"]["parts"]:
                    if "inlineData" in part:
                        audio_data_b64 = part["inlineData"]["data"]
                        # Process or play the base64 encoded audio data
                        # audio_data = base64.b64decode(audio_data_b64)
                        print(f"Received audio data (base64 len: {len(audio_data_b64)})")

            # Receiving Text Transcriptions
            if "inputTranscription" in server_content:
                print(f"User: {server_content['inputTranscription']['text']}")
            if "outputTranscription" in server_content:
                print(f"Gemini: {server_content['outputTranscription']['text']}")

        # Handling Tool Calls
        if "toolCall" in response:
            await handle_tool_call(websocket, response["toolCall"])

# Example usage: await receive_loop(websocket)

জাভাস্ক্রিপ্ট

websocket.onmessage = (event) => {
  const response = JSON.parse(event.data);
  console.log('Received:', response);

  if (response.serverContent) {
    const serverContent = response.serverContent;
    // Receiving Audio
    if (serverContent.modelTurn?.parts) {
      for (const part of serverContent.modelTurn.parts) {
        if (part.inlineData) {
          const audioData = part.inlineData.data; // Base64 encoded string
          // Process or play audioData
          console.log(`Received audio data (base64 len: ${audioData.length})`);
        }
      }
    }

    // Receiving Text Transcriptions
    if (serverContent.inputTranscription) {
      console.log('User:', serverContent.inputTranscription.text);
    }
    if (serverContent.outputTranscription) {
      console.log('Gemini:', serverContent.outputTranscription.text);
    }
  }

  // Handling Tool Calls
  if (response.toolCall) {
    handleToolCall(response.toolCall);
  }
};

প্রতিক্রিয়াটি কীভাবে পরিচালনা করতে হয় তার একটি উদাহরণের জন্য, গিটহাবে থাকা এন্ড-টু-এন্ড উদাহরণটি দেখুন।

টুল কল পরিচালনা করা

যখন মডেলটি কোনো টুল কলের অনুরোধ করে, তখন BidiGenerateContentServerMessage টিতে একটি toolCall ফিল্ড থাকবে। আপনাকে অবশ্যই ফাংশনটি স্থানীয়ভাবে এক্সিকিউট করতে হবে এবং একটি BidiGenerateContentToolResponse মেসেজ ব্যবহার করে ফলাফলটি WebSocket-এ ফেরত পাঠাতে হবে।

পাইথন

# Placeholder for your tool function
def my_tool_function(args):
    print(f"Executing tool with args: {args}")
    # Implement your tool logic here
    return {"status": "success", "data": "some result"}

async def handle_tool_call(websocket, tool_call):
    function_responses = []
    for fc in tool_call["functionCalls"]:
        # 1. Execute the function locally
        try:
            result = my_tool_function(fc.get("args", {}))
            response_data = {"result": result}
        except Exception as e:
            print(f"Error executing tool {fc['name']}: {e}")
            response_data = {"error": str(e)}

        # 2. Prepare the response
        function_responses.append({
            "name": fc["name"],
            "id": fc["id"],
            "response": response_data
        })

    # 3. Send the tool response back to the session
    tool_response_message = {
        "toolResponse": {
            "functionResponses": function_responses
        }
    }
    await websocket.send(json.dumps(tool_response_message))
    print("Sent tool response")

# This function is called within the receive_loop when a toolCall is detected.

জাভাস্ক্রিপ্ট

// Placeholder for your tool function
function myToolFunction(args) {
  console.log(`Executing tool with args:`, args);
  // Implement your tool logic here
  return { status: 'success', data: 'some result' };
}

function handleToolCall(toolCall) {
  const functionResponses = [];
  for (const fc of toolCall.functionCalls) {
    // 1. Execute the function locally
    let result;
    try {
      result = myToolFunction(fc.args || {});
    } catch (e) {
      console.error(`Error executing tool ${fc.name}:`, e);
      result = { error: e.message };
    }

    // 2. Prepare the response
    functionResponses.push({
      name: fc.name,
      id: fc.id,
      response: { result }
    });
  }

  // 3. Send the tool response back to the session
  if (websocket.readyState === WebSocket.OPEN) {
    const toolResponseMessage = {
      toolResponse: {
        functionResponses: functionResponses
      }
    };
    websocket.send(JSON.stringify(toolResponseMessage));
    console.log('Sent tool response');
  } else {
    console.warn('WebSocket not open to send tool response.');
  }
}
// This function is called within websocket.onmessage when a toolCall is detected.

এরপর কী?