Limity i specyfikacje interfejsu Live API


Na tej stronie opisano różne limity i specyfikacje dotyczące korzystania z Live API i powiązanych modeli.

Ogólne specyfikacje i limity

  • Obsługiwane dane wejściowe i wyjściowe: (szczegółowe informacje znajdziesz poniżej w sekcji Formaty multimediów)

    • Dane wejściowe: tekst, obrazy (nie pliki PDF), dźwięk, filmy
    • Dane wyjściowe: tekst (transkrypcja) i dźwięk (strumieniowanie)

  • Obsługiwane narzędzia: wywoływanie funkcji, grounding za pomocą Google Search, grounding za pomocą Google Maps

  • Granica wiedzy: styczeń 2025 r.

Live API nie obsługuje generowania uporządkowanych danych wyjściowych (takich jak JSON) ani interfejsu Count Tokens API.

Limity związane z sesją

W przypadku Live API sesja odnosi się do stałego połączenia, w którym dane wejściowe i wyjściowe są przesyłane strumieniowo w sposób ciągły.

Jeśli sesja przekroczy dowolny z tych limitów, połączenie zostanie zakończone. Pamiętaj jednak, że Live API udostępnia pewne opcje (patrz poniżej), które pozwalają zarządzać tymi limitami związanymi z sesjami.

  • Okno kontekstu sesji jest ograniczone do 128 tys. tokenów.

    Ze względu na ten limit okna kontekstu poniżej podajemy przybliżone maksymalne długości sesji w zależności od rodzaju danych wejściowych:

    • Sesje z danymi wejściowymi tylko w formie dźwięku są ograniczone do 15 minut.
    • Dane wejściowe wideo i audio są ograniczone do 2 minut.

  • Czas połączenia jest ograniczony do około 10 minut.

    Około 60 sekund przed zakończeniem połączenia otrzymasz powiadomienie o opuszczeniu.

Oto kilka opcji obsługi limitów związanych z sesjami:

  • Skompresuj okno kontekstu sesji, aby serwer automatycznie utrzymywał rozmiar kontekstu w ramach limitu.

  • Wznawianie sesji, aby zapobiec utracie kontekstu rozmowy podczas krótkich przerw w połączeniu z siecią lub po otrzymaniu powiadomienia going away.

Dowiedz się więcej o zarządzaniu sesjami.

Ograniczenia liczby żądań

Live API ma limity liczby żądań dotyczące zarówno równoczesnych sesji na projekt Firebase, jak i tokenów na minutę (TPM).

  • Gemini Developer API:

  • Agent Platform Gemini API (formerly Vertex AI):

    • 1000 równoczesnych sesji na projekt w Firebase
    • 4 mln tokenów na minutę

Formaty multimediów

Live API obsługuje te typy multimediów:

  • Dane wejściowe: obrazy, dźwięk, filmy
  • Dane wyjściowe: dźwięk

Formaty plików graficznych

Live API obsługuje te formaty obrazów:

  • Maksymalna liczba obrazów na prompt: 3000

  • Maksymalny rozmiar pojedynczego pliku (dane wbudowane): 7 MB.

  • Obsługiwane typy MIME: image/png, image/jpeg, image/webp, image/heic, image/heif

Formaty audio

Live API obsługuje te formaty audio:

  • Format wejściowego dźwięku: nieprzetworzony 16-bitowy dźwięk PCM o częstotliwości 16 kHz, little-endian

  • Format wyjściowy dźwięku: nieprzetworzony 16-bitowy dźwięk PCM o częstotliwości 24 kHz, little-endian

  • Obsługiwane typy MIME: audio/x-aac, audio/flac, audio/mp3, audio/m4a, audio/mpeg, audio/mpga, audio/mp4, audio/ogg, audio/pcm, audio/wav, audio/webm

Aby przekazać częstotliwość próbkowania wejściowego dźwięku, ustaw typ MIME każdego obiektu blob zawierającego dźwięk na wartość taką jak audio/pcm;rate=16000.

Formaty wideo

Live API oczekuje sekwencji pojedynczych klatek obrazu i obsługuje klatki wideo z szybkością 1 klatki na sekundę (FPS).

  • Zalecane dane wejściowe: natywna rozdzielczość 768 x 768 przy 1 klatce na sekundę.

  • Obsługiwane typy MIME: video/x-flv, video/quicktime, video/mpeg, video/mpegs, video/mpg, video/mp4, video/webm, video/wmv, video/3gpp

Pamiętaj, że ta specyfikacja sprawia, że Live API nie nadaje się do przypadków użycia, które wymagają analizowania szybko zmieniających się filmów, takich jak relacje na żywo z dynamicznych wydarzeń sportowych.

Głosy odpowiedzi

Live API obsługuje 30 różnych syntezowanych głosów HD, z których każdy ma odrębne cechy. Możesz wyświetlić listę opcji głosu odpowiedzi i posłuchać wersji demonstracyjnych każdego głosu, rozwijając sekcję poniżej.

Jeśli nie określisz głosu odpowiedzi, domyślnie będzie to Puck.

Dowiedz się, jak określić głos odpowiedzi.

Języki

Live API obsługuje te języki. Dowiedz się, jak wpływać na język odpowiedzi.

Języki obsługiwane przez wszystkie modele generujące dźwięk
Język Kod BCP-47 Język Kod BCP-47
arabski (egipski) ar-EG niemiecki (Niemcy) de-DE
angielski (USA) en-US hiszpański (USA) es-US
francuski (Francja) fr-FR hindi (Indie) hi-IN
indonezyjski (Indonezja) id-ID włoski (Włochy) it-IT
japoński (Japonia) ja-JP koreański (Korea) ko-KR
portugalski (Brazylia) pt-BR rosyjski (Rosja) ru-RU
niderlandzki (Holandia) nl-NL polski (Polska) pl-PL
tajski (Tajlandia) th-TH turecki (Turcja) tr-TR
wietnamski (Wietnam) vi-VN rumuński (Rumunia) ro-RO
ukraiński (Ukraina) uk-UA bengalski (Bangladesz) bn-BD
angielski (Indie) Pakiet en-IN i hi-IN marathi (Indie) mr-IN
tamilski (Indie) ta-IN telugu (Indie) te-IN
Dodatkowe języki obsługiwane przez modele 3.x generujące dźwięk
Język Kod BCP-47 Język Kod BCP-47
afrikaans af filipiński fil
albański sq fiński fi
amharski am galicyjski gl
ormiański hy gruziński ka
azerski az grecki el
baskijski eu gudżarati gu
białoruski be kreolski haitański ht
bułgarski bg hebrajski he
birmański moje węgierski hu
kataloński urząd certyfikacji islandzki jest
cebuański ceb jawajski jv
chiński (mandaryński) cmn kannada kn
chorwacki godz. konkani kok
czeski cs laotański lo
duński da łaciński la
estoński et łotewski lv
litewski lt luksemburski lb
macedoński mk maithili mai
malgaski mg malajski ms
malajalam ml mongolski mn
nepalski ne norweski (bokmål), nb
norweski (nynorsk) nn orija lub
paszto ps perski fa
pendżabski pa serbski sr
sindhi sd syngaleski si
słowacki sk słoweński sl
suahili sw szwedzki sv
urdu ur