本文档提供了在使用 Gemini Live API 时可能会遇到的问题的问题排查步骤。
连接意外断开
如果会话连接意外断开，可能是由于令牌限制、会话连接超时或网络问题所致。
行为
会话已断开连接，并显示错误代码 1000 或 1006。
可能的原因
- 未启用上下文窗口压缩功能，且上下文令牌数量超过了会话的上下文令牌数量上限（最多 12.8 万个）。
- 未实现会话恢复逻辑，或者恢复逻辑未正确实现。
- 互联网连接不稳定。
原因和解决方案
上下文令牌数量超过了会话的上下文令牌限制：为防止超出该限制，请启用上下文压缩。这可能会影响对话质量，因为模型会间歇性地舍弃之前的对话历史记录。
会话连接在 10 分钟后过期：管理会话恢复，以实现更长时间的互动。如需了解更多详情，请参阅有关会话恢复的最佳实践。
互联网连接不稳定： 请验证互联网连接状况，因为稳定性波动可能会导致连接问题。
模型未能理解用户
如果模型似乎无法理解您的输入，请确保音频格式正确，并考虑麦克风质量和背景噪声。
行为
模型回答了不相关的信息、回答了错误的信息，或者要求用户重复。
可能的原因
- 输入音频格式不正确。
- 麦克风质量不佳。
- 背景噪声过大。
原因和解决方案
输入音频格式不正确：验证输入音频是否采用小端字节序、16 位 PCM 格式，且采样率为 16 kHz，并使用单个单声道。
麦克风质量不佳：录制一段简短的音频并播放，以测试麦克风质量。 如果麦克风质量不佳，请尝试使用质量更好的麦克风。
背景噪声过大： 录制一段简短的音频并播放，测试背景噪声水平。如果背景噪声过大，请尝试将麦克风移近用户，或使用降噪效果更好的麦克风。
模型不响应
如果您未收到模型的回答，请检查语音活动检测选项和 WebSocket 连接。
行为
模型未回答。
可能的原因
- VAD 设置不正确。
- WebSocket 连接中断。
原因和解决方案
VAD 设置不正确： 用户已停用 VAD。在这种情况下，模型会一直等待用户的语音，而不会响应用户。如果 VAD 已停用，请务必向模型发送
ActivityStart和ActivityEnd事件。WebSocket 连接中断：如果 WebSocket 连接中断，客户端与服务器之间将无法通信。检查 WebSocket 连接状态，确保连接已正确建立。
无法中断模型
如果您无法在模型说话时中断它，请确保您正确处理了播放缓冲区和流式音频。
行为
模型继续说话，用户没有打断。
可能的原因
- 未能清空播放缓冲区。
- 无法将音频流式传输到 Gemini Live API。
- 自定义 VAD 未正确实现。
原因和解决方案
未能清空播放缓冲区：当客户端从模型接收到中断信号时，应立即清空播放缓冲区。否则，模型会一直说话。
未能将音频流式传输到 Gemini Live API：客户端应以 20 毫秒到 40 毫秒之间的块大小将音频流式传输到 Gemini Live API，以最大限度地减少延迟。如果客户端无法将音频流式传输到 Gemini Live API，模型将不会向客户端发送中断信号。
自定义 VAD 未正确实现：如果自定义 VAD 无法识别语音开始，或者客户端无法向模型发送
ActivityStart信号，则模型不会向客户端发送中断信号。
已知限制
Gemini Live API 存在以下限制。每项内容都包含缓解措施（如有）。
不支持优先级随用随付
Gemini Live API 不支持将优先随用随付作为消费选项。
语音可以在单个回合中发生变化
在极少数情况下，模型会使用您在 voice_name 字段中设置的声音以外的声音进行回答。此更改仅限于单个回合，后续回合会再次使用配置的语音。无需进行任何配置更改。
在长时间的对话中，语速可能会加快
当模型生成较长的连续语音回答时，其说话节奏可能会逐渐加快。在时长超过 60 秒的单轮对话中，这种行为最为明显。如需保持投放节奏稳定，请使用以下方法：
将长输出内容分段： 避免提示模型一次性读取大段文本。 将长篇回答拆分为不超过 100 字或不超过 50 秒的语音音频。
使用对话轮流模式：采用互动式对话模式，在各个片段之间将控制权返回给用户。
模型可能会意外切换语言
如果模型确定用户所说的语言不是配置的语言，则可以采用该语言进行回答。为了减少意外切换的几率，请通过设置 language_code 字段并在系统指令中说明预期语言来提供语言提示。如需了解详情，请参阅设置语言和声音。
数字序列的重复回放不一致
当用户说出一连串的数字（例如手机号码、卡号或账号）时，模型可能会重复该序列，但数字不正确或缺失。为了减少这些错误，您可以添加一条系统指令，指示模型一次读取序列中的一位数字，并在数字不清晰时要求用户缓慢重复该序列。