Configurar 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 Gemini Live. Puedes configurar las respuestas en una variedad de voces e idiomas en alta definición, así como los ajustes de detección de actividad de voz para permitir que los usuarios interrumpan el modelo.

Definir 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 especificándolo en las instrucciones del sistema.

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

Voice se configura en el campo voice_name de todos los modelos.

En el siguiente código de ejemplo 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 Gemini Live admite las siguientes 30 opciones de voz en el campo voice_name:

Zephyr: Brillante
Kore: Firme
Orus: Firme
Autonoe: Brillante
Umbriel: Tranquilo
Erinome: Claro
Laomedeia: Optimista
Schedar: Equilibrado
Achird: Amable
Sadachbia: Animado 		Puck: Animado
Fenrir: Entusiasmado
Aoede: Fresco
Encélado: Aéreo
Algieba: Suave
Algenib: Grave
Achernar: Suave
Gacrux: Maduro
Zubenelgenubi: Informal
Sadaltager: Informado 		Caronte: informativo
Leda: juvenil
Calírroe: tranquilo
Jápeto: claro
Despina: suave
Rasalgethi: informativo
Alnilam: firme
Pulcherrima: directo
Vindemiatrix: suave
Sulafat: cálido

Idiomas disponibles

La API Gemini Live admite los siguientes 24 idiomas:

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

Configurar la detección de actividad de voz

La detección de actividad de voz (VAD) permite que el modelo reconozca cuándo habla una persona. Esto es esencial para crear conversaciones naturales, ya que permite que los usuarios interrumpan el modelo en cualquier momento.

Cuando VAD detecta una interrupción, se cancela y se descarta la generación en curso. En el historial de la sesión solo se conserva la información que ya se ha enviado al cliente. A continuación, el servidor envía un mensaje BidiGenerateContentServerContent para informar de la interrupción. A continuación, el servidor descarta las llamadas de función pendientes 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,
        }
    }
}

Siguientes pasos