Configura el idioma y la voz

En este documento, se describe cómo configurar las respuestas de voz sintetizada y la detección de actividad de voz en la API de Gemini Live. Puedes configurar respuestas en una variedad de voces y lenguajes en HD, y también configurar los parámetros de configuración de detección de actividad de voz para permitir que los usuarios interrumpan el modelo.

Cómo configurar el idioma y la voz

Los modelos de audio nativos, como gemini-live-2.5-flash-native-audio, pueden cambiar de idioma de forma natural durante la conversación. También puedes restringir los idiomas en los que habla si lo especificas en las instrucciones del sistema.

Para los modelos de audio no nativos, como gemini-live-2.5-flash, puedes configurar el idioma en speech_config.language_code.

La voz se configura en el campo voice_name para todos los modelos.

En la siguiente muestra de código, se muestra cómo configurar el idioma y la voz.

from google.genai.types import LiveConnectConfig, SpeechConfig, VoiceConfig, PrebuiltVoiceConfig

config = LiveConnectConfig(
  response_modalities=["AUDIO"],
  speech_config=SpeechConfig(
    voice_config=VoiceConfig(
        prebuilt_voice_config=PrebuiltVoiceConfig(
            voice_name=voice_name,
        )
    ),
    language_code="en-US",
  ),
)

Voces admitidas

La API de Gemini Live admite las siguientes 30 opciones de voz en el campo voice_name:

Zephyr: Brillante
Kore: Firme
Orus: Firme
Autonoe: Brillante
Umbriel: Relajado
Erinome: Claro
Laomedeia: Animado
Schedar: Parejo
Achird: Amigable
Sadachbia: Animado 		Puck: Animado
Fenrir: Excitado
Aoede: Ligero
Enceladus: Entrecortado
Algieba: Suave
Algenib: Ronco
Achernar: Suave
Gacrux: Maduro
Zubenelgenubi: Informal
Sadaltager: Conocedor 		Charon: Informativo
Leda: Joven
Callirrhoe: Relajado
Iapetus: Claro
Despina: Suave
Rasalgethi: Informativo
Alnilam: Firme
Pulcherrima: Directo
Vindemiatrix: Suave
Sulafat: Cálido

Lenguajes compatibles

La API de Gemini Live admite los siguientes idiomas:

Idioma Código BCP-47
Árabe (Egipto) ar-EG
Bengalí (Bangladés) bn-BD
Holandés (Países Bajos) nl-NL
Inglés (India) Paquete en-IN y hi-IN
English (US) en-US
Francés (Francia) fr-FR
Alemán (Alemania) de-DE
Hindi (India) hi-IN
Indonesio (Indonesia) id-ID
Italiano (Italia) it-IT
Japonés (Japón) ja-JP
Coreano (Corea) ko-KR
Maratí (India) mr-IN
(Polonia) pl-PL
Portugués (Brasil) pt-BR
Rumano (Rumania) ro-RO
Ruso (Rusia) ru-RU
Español (EE.UU.) es-US
Tamil (India) ta-IN
Telugu (India) te-IN
Tailandés (Tailandia) th-TH
Turco (Türkiye) tr-TR
Ucraniano (Ucrania) uk-UA
Vietnamita (Vietnam) vi-VN

Cómo configurar la detección de actividad de voz

La detección de actividad de voz (VAD) permite que el modelo reconozca cuando una persona está hablando. Esto es esencial para crear conversaciones naturales, ya que permite que un usuario interrumpa el modelo en cualquier momento.

Cuando VAD detecta una interrupción, se cancela y se descarta la generación en curso. Solo se retiene en el historial de la sesión la información que ya se envió al cliente. Luego, el servidor envía un mensaje BidiGenerateContentServerContent para informar la interrupción. Luego, el servidor descarta cualquier llamada de función pendiente y envía un mensaje BidiGenerateContentServerContent con los IDs de las llamadas canceladas.

Python

config = {
    "response_modalities": ["audio"],
    "realtime_input_config": {
        "automatic_activity_detection": {
            "disabled": False, # default
            "start_of_speech_sensitivity": "low",
            "end_of_speech_sensitivity": "low",
            "prefix_padding_ms": 20,
            "silence_duration_ms": 100,
        }
    }
}

¿Qué sigue?