Enviar flujos de audio y vídeo

En este documento se describe cómo enviar flujos de audio y vídeo a la API Live para comunicarse en tiempo real y de forma bidireccional con los modelos de Gemini. Aprenda a configurar y transmitir datos de audio y vídeo para crear aplicaciones dinámicas e interactivas.

Enviar streams de audio

Para implementar audio en tiempo real, es necesario cumplir estrictamente las especificaciones de la frecuencia de muestreo y gestionar los búferes con cuidado para asegurar una latencia baja y una capacidad de interrupción natural.

La API Live admite los siguientes formatos de audio:

  • Audio de entrada: audio PCM sin procesar de 16 bits a 16 kHz, little-endian
  • Audio de salida: audio PCM sin procesar de 16 bits a 24 kHz, little-endian

En el siguiente ejemplo de código se muestra cómo enviar datos de audio en streaming:

import asyncio
# Assumes session is an active Live API session
# and chunk_data contains bytes of raw 16-bit PCM audio at 16 kHz.
from google.genai import types
# Send audio input data in chunks
await session.send_realtime_input(
    audio=types.Blob(data=chunk_data, mime_type="audio/pcm;rate=16000")
)

El cliente debe mantener un búfer de reproducción. El servidor transmite audio en fragmentos dentro de mensajes server_content. El cliente es responsable de decodificar, almacenar en búfer y reproducir los datos.

En el siguiente código de ejemplo se muestra cómo procesar datos de audio en streaming:

import asyncio
# Assumes session is an active Live API session
# and audio_queue is an asyncio.Queue for buffering audio for playback.
import numpy as np

async for msg in session.receive():
    server_content = msg.server_content
    if server_content:
        # 1. Handle Interruption
        if server_content.interrupted:
            print("\n[Interrupted] Flushing buffer...")
            # Clear the Python queue
            while not audio_queue.empty():
                try: audio_queue.get_nowait()
                except asyncio.QueueEmpty: break
            # Send signal to worker to reset hardware buffers if needed
            await audio_queue.put(None)
            continue

        # 2. Process Audio chunks
        if server_content.model_turn:
            for part in server_content.model_turn.parts:
                if part.inline_data:
                    # Add PCM data to playback queue
                    await audio_queue.put(np.frombuffer(part.inline_data.data, dtype='int16'))

Enviar streams de vídeo

La emisión de vídeo proporciona contexto visual. La API Live espera una secuencia de fotogramas de imagen discretos y admite fotogramas de vídeo a 1 FPS. Para obtener los mejores resultados, usa una resolución nativa de 768x768 a 1 FPS.

En el siguiente ejemplo de código se muestra cómo enviar datos de vídeo en streaming:

import asyncio
# Assumes session is an active Live API session
# and chunk_data contains bytes of a JPEG image.
from google.genai import types
# Send video input data in chunks
await session.send_realtime_input(
    media=types.Blob(data=chunk_data, mime_type="image/jpeg")
)

La implementación del cliente captura un fotograma del feed de vídeo, lo codifica como un blob JPEG y lo transmite mediante la estructura de mensaje realtime_input.

import cv2
import asyncio
from google.genai import types

async def send_video_stream(session):
    # Open webcam
    cap = cv2.VideoCapture(0)

    while True:
        ret, frame = cap.read()
        if not ret: break

        # 1. Resize to optimal resolution (768x768 max)
        frame = cv2.resize(frame, (768, 768))

        # 2. Encode as JPEG
        _, buffer = cv2.imencode('.jpg', frame,)

        # 3. Send as realtime input
        await session.send_realtime_input(
            media=types.Blob(data=buffer.tobytes(), mime_type="image/jpeg")
        )

        # 4. Wait 1 second (1 FPS)
        await asyncio.sleep(1.0)

    cap.release()

Configurar la resolución multimedia

Puedes especificar la resolución del contenido multimedia de entrada configurando el campo media_resolution en la configuración de la sesión. Una resolución más baja reduce el uso de tokens y la latencia, mientras que una resolución más alta mejora el reconocimiento de los detalles. Los valores admitidos son low, medium y high.

config = {
    "response_modalities": ["audio"],
    "media_resolution": "low",
}

Siguientes pasos