Inviare stream audio e video

Questo documento descrive come inviare stream audio e video all'API Live per la comunicazione bidirezionale in tempo reale con i modelli Gemini. Scopri come configurare e trasmettere dati audio e video per creare applicazioni dinamiche e interattive.

Inviare stream audio

L'implementazione dell'audio in tempo reale richiede il rigoroso rispetto delle specifiche della frequenza di campionamento e un'attenta gestione del buffer per garantire una bassa latenza e un'interruzione naturale.

L'API Live supporta i seguenti formati audio:

  • Audio di input: audio PCM a 16 bit non elaborato a 16 kHz, little-endian
  • Audio di output: audio PCM a 16 bit non elaborato a 24 kHz, little-endian

Il seguente esempio di codice mostra come inviare dati audio in 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")
)

Il client deve mantenere un buffer di riproduzione. Il server trasmette l'audio in blocchi all'interno dei messaggi server_content. È responsabilità del client decodificare, memorizzare nel buffer e riprodurre i dati.

Il seguente esempio di codice mostra come elaborare i dati audio in 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'))

Inviare stream video

Lo streaming video fornisce un contesto visivo. L'API Live prevede una sequenza di frame di immagini discreti e supporta l'input di frame video a 1 FPS. Per risultati ottimali, utilizza la risoluzione nativa 768x768 a 1 FPS.

Il seguente esempio di codice mostra come inviare dati video in 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")
)

L'implementazione del client acquisisce un frame dal feed video, lo codifica come blob JPEG e lo trasmette utilizzando la struttura del messaggio 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()

Configurare la risoluzione dei contenuti multimediali

Puoi specificare la risoluzione per i contenuti multimediali di input impostando il campo media_resolution nella configurazione della sessione. Una risoluzione inferiore riduce l'utilizzo di token e la latenza, mentre una risoluzione superiore migliora il riconoscimento dei dettagli. I valori supportati includono low, medium e high.

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

Passaggi successivi