Ky është një udhëzues gjithëpërfshirës që mbulon aftësitë dhe konfigurimet e disponueshme me Live API. Shihni faqen "Filloni me Live API" për një përmbledhje dhe kod shembull për rastet e përdorimit të zakonshëm.
Para se të filloni
- Njihuni me konceptet kryesore: Nëse nuk e keni bërë ende, lexoni më parë faqen "Filloni me Live API" . Kjo do t'ju prezantojë me parimet themelore të Live API, mënyrën e funksionimit të tij dhe qasjet e ndryshme të zbatimit .
- Provoni API-n Live në AI Studio: Mund ta gjeni të dobishme të provoni API-n Live në Google AI Studio përpara se të filloni ndërtimin. Për të përdorur API-n Live në Google AI Studio, zgjidhni Transmetim .
Krahasimi i modelit
Tabela e mëposhtme përmbledh ndryshimet kryesore midis modeleve Gemini 3.1 Flash Live Preview dhe Gemini 2.5 Flash Live Preview :
| Karakteristikë | Pamje paraprake e drejtpërdrejtë e Gemini 3.1 Flash | Pamje paraprake e drejtpërdrejtë e Gemini 2.5 Flash |
|---|---|---|
| Të menduarit | Përdor thinkingLevel për të kontrolluar thellësinë e të menduarit me cilësime si minimal , low , medium dhe high . Parazgjedhja është minimal për të optimizuar për vonesën më të ulët. Shihni Nivelet dhe buxhetet e të menduarit . | Përdor thinkingBudget për të vendosur numrin e tokenëve të të menduarit. Të menduarit dinamik është aktivizuar si parazgjedhje. Vendoseni thinkingBudget në 0 për ta çaktivizuar. Shihni Nivelet dhe buxhetet e të menduarit . |
| Marrja e përgjigjes | Një ngjarje e vetme serveri mund të përmbajë disa pjesë përmbajtjeje njëkohësisht (për shembull, inlineData dhe transkript). Sigurohuni që kodi juaj të përpunojë të gjitha pjesët në secilën ngjarje për të shmangur mungesën e përmbajtjes. | Çdo ngjarje e serverit përmban vetëm një pjesë përmbajtjeje. Pjesët dorëzohen në ngjarje të ndara. |
| Përmbajtja e klientit | send_client_content mbështetet vetëm për mbjelljen e historikut të kontekstit fillestar (kërkon vendosjen e initial_history_in_client_content në konfigurimin e sesionit). Për të dërguar përditësime me tekst gjatë bisedës, përdorni në vend të send_realtime_input . | send_client_content mbështetet gjatë gjithë bisedës për dërgimin e përditësimeve graduale të përmbajtjes dhe krijimin e kontekstit. |
| Mbulimi i kthesës | Parazgjedhur në TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO . Radha e modelit përfshin aktivitetin audio të zbuluar dhe të gjitha kuadrot video. | Parazgjedhur në TURN_INCLUDES_ONLY_ACTIVITY . Radha e modelit përfshin vetëm aktivitetin e zbuluar. |
VAD i personalizuar ( activity_start / activity_end ) | Mbështetet . Çaktivizo VAD-in automatik dhe dërgo manualisht mesazhet activityStart dhe activityEnd për të kontrolluar kufijtë e kthesës. | Mbështetet . Çaktivizo VAD-in automatik dhe dërgo manualisht mesazhet activityStart dhe activityEnd për të kontrolluar kufijtë e kthesës. |
| Konfigurimi automatik i VAD-it | Mbështetet . Konfiguroni parametra të tillë si start_of_speech_sensitivity , end_of_speech_sensitivity , prefix_padding_ms dhe silence_duration_ms . | Mbështetet . Konfiguroni parametra të tillë si start_of_speech_sensitivity , end_of_speech_sensitivity , prefix_padding_ms dhe silence_duration_ms . |
Thirrja e funksionit asinkron ( behavior: NON_BLOCKING ) | Nuk mbështetet . Thirrja e funksionit është vetëm sekuenciale. Modeli nuk do të fillojë të përgjigjet derisa të keni dërguar përgjigjen e mjetit. | Mbështetet . Vendos behavior në NON_BLOCKING në një deklaratë funksioni për të lejuar modelin të vazhdojë të bashkëveprojë ndërsa funksioni ekzekutohet. Kontrolloni se si modeli i trajton përgjigjet me parametrin scheduling ( INTERRUPT , WHEN_IDLE ose SILENT ). |
| Audio proaktive | Nuk mbështetet | Mbështetur . Kur aktivizohet, modeli mund të vendosë në mënyrë proaktive të mos përgjigjet nëse përmbajtja e hyrjes nuk është relevante. Vendos proactive_audio në true në konfigurimin proactivity (kërkon v1beta ). |
| Dialog afektiv | Nuk mbështetet | Mbështetur . Modeli e përshtat stilin e tij të përgjigjes për t'u përputhur me shprehjen dhe tonin e të dhënave hyrëse. Vendos enable_affective_dialog në true në konfigurimin e sesionit (kërkon v1beta ). |
Për të migruar nga Gemini 2.5 Flash Live në Gemini 3.1 Flash Live, shihni udhëzuesin e migrimit .
Vendosja e një lidhjeje
Shembulli i mëposhtëm tregon se si të krijoni një lidhje me një çelës 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();
Modalitetet e ndërveprimit
Seksionet e mëposhtme ofrojnë shembuj dhe kontekst mbështetës për modalitetet e ndryshme të hyrjes dhe daljes të disponueshme në Live API.
Duke dërguar audion
Audio duhet të dërgohet si të dhëna të papërpunuara PCM (audio PCM 16-bit i papërpunuar, 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'
}
});
Formatet audio
Të dhënat audio në Live API janë gjithmonë të papërpunuara, little-endian, PCM 16-bit. Dalja audio përdor gjithmonë një shpejtësi mostrimi prej 24kHz. Audio hyrëse është natyrshëm 16kHz, por Live API do të rimodelojë nëse është e nevojshme, në mënyrë që të mund të dërgohet çdo shpejtësi mostrimi. Për të përcjellë shpejtësinë e mostrimit të audios hyrëse, vendosni llojin MIME të çdo Blob që përmban audio në një vlerë si audio/pcm;rate=16000 .
Po merr audion
Përgjigjet audio të modelit merren si pjesë të të dhënave.
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)
}
}
}
Duke dërguar mesazh
Teksti mund të dërgohet duke përdorur send_realtime_input (Python) ose sendRealtimeInput (JavaScript).
Python
await session.send_realtime_input(text="Hello, how are you?")
JavaScript
session.sendRealtimeInput({
text: 'Hello, how are you?'
});
Duke dërguar videon
Kornizat video dërgohen si imazhe individuale (p.sh., JPEG ose PNG) me një shpejtësi specifike të kuadrove (maksimumi 1 kornizë për sekondë).
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'
}
});
Përditësime shtesë të përmbajtjes
Përdorni përditësime graduale për të dërguar tekst, për të krijuar kontekstin e sesionit ose për të rivendosur kontekstin e sesionit. Për kontekste të shkurtra, mund të dërgoni ndërveprime hap pas hapi për të përfaqësuar sekuencën e saktë të ngjarjeve:
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 })
Për kontekste më të gjata, rekomandohet të jepni një përmbledhje të vetme mesazhi për të liruar dritaren e kontekstit për ndërveprimet pasuese. Shihni Rifillimin e Sesionit për një metodë tjetër për ngarkimin e kontekstit të sesionit.
Transkriptime audio
Përveç përgjigjes së modelit, mund të merrni edhe transkriptime si të daljes audio ashtu edhe të hyrjes audio.
Për të aktivizuar transkriptimin e daljes audio të modelit, dërgoni output_audio_transcription në konfigurimin e konfigurimit. Gjuha e transkriptimit nxirret nga përgjigja e modelit.
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