API Live обеспечивает голосовое и видеовзаимодействие с Gemini в режиме реального времени с минимальной задержкой. Он обрабатывает непрерывные потоки аудио, видео и текста, обеспечивая мгновенные, реалистичные голосовые ответы, создавая для пользователей естественный диалог.
Live API предлагает комплексный набор функций, таких как обнаружение голосовой активности , использование инструментов и вызов функций , управление сеансами (для управления длительными разговорами) и эфемерные токены (для безопасной аутентификации на стороне клиента).
На этой странице вы найдете примеры и базовые образцы кода, которые помогут вам приступить к работе.
Примеры приложений
Ознакомьтесь со следующими примерами приложений, которые иллюстрируют, как использовать Live API для сквозных сценариев использования:
- Стартовое приложение для работы с живым звуком на базе AI Studio, использующее библиотеки JavaScript для подключения к Live API и потоковой передачи двунаправленного звука через микрофон и динамики.
- Кулинарная книга Live API Python с использованием Pyaudio, которая подключается к Live API.
Партнерские интеграции
Если вы предпочитаете более простой процесс разработки, вы можете использовать Daily , LiveKit или Voximplant . Это сторонние партнёрские платформы, которые уже интегрировали API Gemini Live через протокол WebRTC для упрощения разработки аудио- и видеоприложений в реальном времени.
Прежде чем начать строить
Прежде чем приступить к разработке с использованием Live API, необходимо принять два важных решения: выбрать модель и выбрать подход к реализации.
Выберите архитектуру генерации звука
Если вы создаете сценарий использования на основе звука, ваш выбор модели определяет архитектуру генерации звука, используемую для создания аудиоответа:
- Собственный звук : этот вариант обеспечивает максимально естественное и реалистичное звучание речи и улучшенную многоязычность. Он также включает расширенные функции, такие как аффективный (с учётом эмоций) диалог , проактивный звук (когда модель может игнорировать или реагировать на определённые входные сигналы) и «мышление» . Собственный звук поддерживается следующими собственными звуковыми моделями :
-
gemini-2.5-flash-preview-native-audio-dialog
-
gemini-2.5-flash-exp-native-audio-thinking-dialog
-
- Полукаскадное аудио : этот вариант использует каскадную архитектуру модели (входной аудиосигнал и вывод текста в речь). Он обеспечивает более высокую производительность и надежность в производственных средах, особенно при использовании инструментов . Полукаскадное аудио поддерживается следующими моделями:
-
gemini-live-2.5-flash-preview
-
gemini-2.0-flash-live-001
-
Выберите подход к реализации
При интеграции с Live API вам необходимо выбрать один из следующих подходов к реализации:
- Сервер-сервер : ваш бэкенд подключается к Live API через WebSockets . Обычно ваш клиент отправляет потоковые данные (аудио, видео, текст) на ваш сервер, который затем пересылает их Live API.
- Клиент-сервер : ваш код frontend подключается напрямую к Live API с помощью WebSockets для потоковой передачи данных, минуя ваш backend.
Начать
В этом примере считывается WAV-файл , отправляется в правильном формате и сохраняются полученные данные как WAV-файл.
Вы можете отправлять аудио, преобразовав его в формат 16-бит PCM, 16 кГц, моно, а также принимать аудио, выбрав AUDIO
в качестве модальности ответа. Выходной сигнал использует частоту дискретизации 24 кГц.
Питон
# Test file: https://storage.googleapis.com/generativeai-downloads/data/16000.wav
# Install helpers for converting files: pip install librosa soundfile
import asyncio
import io
from pathlib import Path
import wave
from google import genai
from google.genai import types
import soundfile as sf
import librosa
client = genai.Client()
# Half cascade model:
# model = "gemini-live-2.5-flash-preview"
# Native audio output model:
model = "gemini-2.5-flash-preview-native-audio-dialog"
config = {
"response_modalities": ["AUDIO"],
"system_instruction": "You are a helpful assistant and answer in a friendly tone.",
}
async def main():
async with client.aio.live.connect(model=model, config=config) as session:
buffer = io.BytesIO()
y, sr = librosa.load("sample.wav", sr=16000)
sf.write(buffer, y, sr, format='RAW', subtype='PCM_16')
buffer.seek(0)
audio_bytes = buffer.read()
# If already in correct format, you can use this:
# audio_bytes = Path("sample.pcm").read_bytes()
await session.send_realtime_input(
audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
)
wf = wave.open("audio.wav", "wb")
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(24000) # Output is 24kHz
async for response in session.receive():
if response.data is not None:
wf.writeframes(response.data)
# Un-comment this code to print audio data info
# if response.server_content.model_turn is not None:
# print(response.server_content.model_turn.parts[0].inline_data.mime_type)
wf.close()
if __name__ == "__main__":
asyncio.run(main())
JavaScript
// Test file: https://storage.googleapis.com/generativeai-downloads/data/16000.wav
import { GoogleGenAI, Modality } from '@google/genai';
import * as fs from "node:fs";
import pkg from 'wavefile'; // npm install wavefile
const { WaveFile } = pkg;
const ai = new GoogleGenAI({});
// WARNING: Do not use API keys in client-side (browser based) applications
// Consider using Ephemeral Tokens instead
// More information at: https://ai.google.dev/gemini-api/docs/ephemeral-tokens
// Half cascade model:
// const model = "gemini-live-2.5-flash-preview"
// Native audio output model:
const model = "gemini-2.5-flash-preview-native-audio-dialog"
const config = {
responseModalities: [Modality.AUDIO],
systemInstruction: "You are a helpful assistant and answer in a friendly tone."
};
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.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();
// Combine audio data strings and save as wave file
const combinedAudio = turns.reduce((acc, turn) => {
if (turn.data) {
const buffer = Buffer.from(turn.data, 'base64');
const intArray = new Int16Array(buffer.buffer, buffer.byteOffset, buffer.byteLength / Int16Array.BYTES_PER_ELEMENT);
return acc.concat(Array.from(intArray));
}
return acc;
}, []);
const audioBuffer = new Int16Array(combinedAudio);
const wf = new WaveFile();
wf.fromScratch(1, 24000, '16', audioBuffer); // output is 24kHz
fs.writeFileSync('audio.wav', wf.toBuffer());
session.close();
}
async function main() {
await live().catch((e) => console.error('got error', e));
}
main();
Что дальше?
- Ознакомьтесь с полным руководством по возможностям Live API, чтобы узнать о ключевых возможностях и конфигурациях, включая обнаружение голосовой активности и собственные аудиофункции.
- Ознакомьтесь с руководством по использованию инструмента , чтобы узнать, как интегрировать Live API с инструментами и вызовом функций.
- Прочитайте руководство по управлению сеансами для управления длительными разговорами.
- Ознакомьтесь с руководством по эфемерным токенам для безопасной аутентификации в клиент-серверных приложениях.
- Дополнительную информацию о базовом API WebSockets см. в справочнике по API WebSockets .