Die Gemini Live API ermöglicht latenzarme Sprach- und Videointeraktionen mit Gemini in Echtzeit. Sie verarbeitet kontinuierliche Audio-, Video- oder Text-Streams und liefert sofortige, menschenähnliche gesprochene Antworten. So entsteht für Ihre Nutzer eine natürliche Unterhaltung.
Gemini Live API in Agent Platform Studio testen
Beispielanwendungsfälle
Mit der Gemini Live API können Sie Echtzeit-Sprach- und Videoagenten für eine Vielzahl von Branchen entwickeln, darunter:
- E-Commerce und Einzelhandel:Einkaufsassistenten, die personalisierte Empfehlungen geben, und Supportagenten, die Kundenprobleme lösen.
- Gaming:Interaktive Non-Player Characters (NPCs), In-Game-Hilfeassistenten und Echtzeitübersetzung von In-Game-Inhalten.
- Schnittstellen der nächsten Generation:Sprach- und videofähige Erlebnisse in Robotik, Smart Glasses und Fahrzeugen.
- Gesundheitswesen:Gesundheitsbegleiter für die Unterstützung und Aufklärung von Patienten.
- Finanzdienstleistungen:KI-Berater für die Vermögensverwaltung und Anlageberatung.
- Bildung:KI-Mentoren und Lernbegleiter, die personalisierte Anleitungen und Feedback geben.
Wichtige Features
Die Gemini Live API bietet eine umfassende Reihe von Funktionen zum Erstellen robuster Sprach- und Videoagenten:
- Hohe Audioqualität: Die Gemini Live API bietet natürliche, realistisch klingende Sprache in mehreren Sprachen.
- Mehrsprachiger Support: Unterhaltungen in 24 unterstützten Sprachen.
- Barge-in: Nutzer können das Modell jederzeit unterbrechen, um reaktionsschnelle Interaktionen zu ermöglichen.
- Empathischer Dialog: Passt den Antwortstil und den Tonfall an die Ausdrucksweise des Nutzers an.
- Toolnutzung: Integriert Tools wie Funktionsaufrufe und die Google Suche für dynamische Interaktionen.
- Audiotranskripte: Bietet Texttranskripte sowohl der Nutzereingabe als auch der Modellausgabe.
- Proaktive Audioeingabe: (Vorabversion) Ermöglicht es Ihnen, zu steuern, wann und in welchen Kontexten das Modell antwortet.
Technische Spezifikationen
In der folgenden Tabelle sind die technischen Spezifikationen für die Gemini Live API aufgeführt:
| Kategorie | Details |
|---|---|
| Eingabemodalitäten | Audio (rohes 16-Bit-PCM-Audio, 16 kHz, Little-Endian), Bilder/Video (JPEG, 1 FPS), Text |
| Ausgabemodalitäten | Audio (rohes 16-Bit-PCM-Audio, 24 kHz, Little-Endian), Text |
| Protokoll | Zustandsbehaftete WebSocket-Verbindung (WSS) |
Unterstützte Modelle
Die folgenden Modelle unterstützen die Gemini Live API. Wählen Sie das passende Modell basierend auf Ihren Interaktionsanforderungen aus.
| Modell-ID | Verfügbarkeit | Anwendungsfall | Wichtige Features |
|---|---|---|---|
gemini-live-2.5-flash-native-audio |
Allgemein verfügbar | Empfohlen. Sprachagenten mit niedriger Latenz. Unterstützt nahtloses mehrsprachiges Umschalten und emotionale Töne. |
|
Jetzt starten
Wählen Sie die Anleitung aus, die zu Ihrer Entwicklungsumgebung passt:
Gen AI SDK-Tutorial
Verbinden Sie sich mit der Gemini Live API über das Gen AI SDK, um eine multimodale Echtzeitanwendung mit einem Python-Backend zu erstellen.
WebSocket-Tutorial
Verbinden Sie sich mit der Gemini Live API über WebSockets, um eine multimodale Echtzeitanwendung mit einem JavaScript-Frontend und einem Python-Backend zu erstellen.
ADK-Tutorial
Erstellen Sie einen Agenten und verwenden Sie das Agent Development Kit (ADK) Streaming, um Sprach- und Videokommunikation zu ermöglichen.
Einbindung in Partnerlösungen
Wenn Sie eine Einbindung in einige unserer Partnerlösungen wünschen, haben diese Plattformen die Gemini Live API bereits über das WebRTC-Protokoll eingebunden, um die Entwicklung von Audio- und Videoanwendungen in Echtzeit zu optimieren.