Gemini 2.5 Flash Live API 原生音訊

Gemini 2.5 Flash 搭配 Live API 原生音訊功能，可為 Live API 提供最先進的原生音訊功能。除了標準 Live API 功能外，這個預覽版模型還包含：

  • 提升音質：音質大幅提升，彷彿與真人對話。
  • 提升語音品質和適應性：Live API 原生音訊提供更豐富、自然的語音互動，支援 30 種 HD 高解析度語音，以及 24 種語言。
  • 推出主動式音訊： 啟用主動式音訊後，模型只會在適當的時機回覆。模型只會主動為導向裝置的查詢生成文字轉錄稿和語音回覆，不會回應非導向裝置的查詢。
  • 推出情緒對話：使用 Live API 原生音訊的模型可以理解使用者的情緒表達，並適當回應，讓對話更細膩。
  • 改良插話功能：即使在吵雜的環境中，也能更自然可靠地打斷 Gemini 的回覆。
  • 強大的函式呼叫功能：我們提升了觸發率，讓 Gemini 能夠成功執行您定義的函式，支援您的用途。
  • 準確的轉錄內容：音訊轉文字的轉錄準確度大幅提升。
  • 流暢的多語言支援：以多種語言與 Gemini 對話，Gemini 會輕鬆切換語言，無需預先設定。語言不再是障礙。

如要進一步瞭解 Live API，請參閱：

在 Vertex AI 中試用

模型 ID gemini-live-2.5-flash-preview-native-audio-09-2025
支援的輸入和輸出
  • 輸入內容：
    文字、 音訊、 影片
  • 輸出內容：
    文字、 音訊
權杖限制
  • 輸入符記數量上限：128,000 個
  • 輸出內容符記數量上限：64,000 個
  • 脈絡窗口：3.2 萬個詞元 (預設)，可升級至 12.8 萬個詞元
功能
用途類型
技術規格
影片
  • 標準解析度： 768 x 768
  • 支援的 MIME 類型：
    video/x-flv、 video/quicktime、 video/mpeg、 video/mpegs、 video/mpg、 video/mp4、 video/webm、 video/wmv、 video/3gpp
音訊
  • 對話長度上限： 預設為 10 分鐘，可延長。
  • 必要音訊輸入格式： 16 kHz 的原始 16 位元 PCM 音訊，小端序
  • 必要音訊輸出格式： 24 kHz 的原始 16 位元 PCM 音訊 (小端序)
  • 支援的 MIME 類型：
    audio/x-aac、 audio/flac、 audio/mp3、 audio/m4a、 audio/mpeg、 audio/mpga、 audio/mp4、 audio/ogg、 audio/pcm、 audio/wav、 audio/webm
參數預設值
  • 語音感測起始處：低
  • 語音感測結束處：高
  • 前置靜音充填：0
  • 脈絡長度上限：128,000 個符記
支援的地區

模型適用情形
  • 美國
    • us-central1
詳情請參閱「資料落地」。
知識截點日期 2025 年 1 月
版本
  • gemini-live-2.5-flash-preview-native-audio-09-2025
    • 推出階段：公開測試
    • 發布日期：2025 年 9 月 18 日
  • gemini-live-2.5-flash-preview-native-audio
    • 推出階段：公開測試
    • 發布日期：2025 年 6 月 17 日
    • 終止日期：2025 年 10 月 18 日
安全性控管
詳情請參閱安全控管措施。
支援的語言 請參閱「支援的語言」。
定價 請參閱定價。