লাইভ API-এর জন্য কনফিগারেশন বিকল্পগুলি


Live API এর মৌলিক বাস্তবায়নের পরেও, আপনি আপনার ব্যবহারকারীদের জন্য আকর্ষণীয় এবং শক্তিশালী ইন্টারঅ্যাকশন তৈরি করতে পারেন। আপনি ঐচ্ছিকভাবে নিম্নলিখিত কনফিগারেশন বিকল্পগুলি ব্যবহার করে অভিজ্ঞতাটিকে আরও কাস্টমাইজ করতে পারেন:



প্রতিক্রিয়ার কণ্ঠস্বর এবং ভাষা

আপনি মডেলটিকে একটি নির্দিষ্ট কণ্ঠে সাড়া দিতে পারেন এবং মডেলটিকে বিভিন্ন ভাষায় সাড়া দেওয়ার জন্য প্রভাবিত করতে পারেন।

একটি প্রতিক্রিয়া ভয়েস নির্দিষ্ট করুন

এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট এবং কোড দেখতে আপনার জেমিনি API প্রোভাইডারে ক্লিক করুন।

Live API এইচডি ভয়েসে সংশ্লেষিত বক্তৃতা প্রতিক্রিয়া সমর্থন করার জন্য Chirp 3 ব্যবহার করে।

যদি আপনি একটি প্রতিক্রিয়া ভয়েস নির্দিষ্ট না করেন, তাহলে ডিফল্ট হল Puck

একটি প্রতিক্রিয়া ভয়েস নির্দিষ্ট করতে, মডেল কনফিগারেশনের অংশ হিসাবে speechConfig অবজেক্টের মধ্যে ভয়েস নাম সেট করুন।

সুইফট


// ...

let liveModel = FirebaseAI.firebaseAI(backend: .googleAI()).liveModel(
  modelName: "gemini-2.5-flash-native-audio-preview-09-2025",
  // Configure the model to use a specific voice for its audio response
  generationConfig: LiveGenerationConfig(
    responseModalities: [.audio],
    speech: SpeechConfig(voiceName: "VOICE_NAME")
  )
)

// ...

Kotlin


// ...

val model = Firebase.ai(backend = GenerativeBackend.googleAI()).liveModel(
    modelName = "gemini-2.5-flash-native-audio-preview-09-2025",
    // Configure the model to use a specific voice for its audio response
    generationConfig = liveGenerationConfig {
        responseModality = ResponseModality.AUDIO
        speechConfig = SpeechConfig(voice = Voice("VOICE_NAME"))
    }
)

// ...

Java


// ...

LiveGenerativeModel lm = FirebaseAI.getInstance(GenerativeBackend.googleAI()).liveModel(
    "gemini-2.5-flash-native-audio-preview-09-2025",
    // Configure the model to use a specific voice for its audio response
    new LiveGenerationConfig.Builder()
        .setResponseModality(ResponseModality.AUDIO)
        .setSpeechConfig(new SpeechConfig(new Voice("VOICE_NAME")))
        .build()
);

// ...

Web


// ...

const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });

const liveModel = getLiveGenerativeModel(ai, {
  model: "gemini-2.5-flash-native-audio-preview-09-2025",
  // Configure the model to use a specific voice for its audio response
  generationConfig: {
    responseModalities: [ResponseModality.AUDIO],
    speechConfig: {
      voiceConfig: {
        prebuiltVoiceConfig: { voiceName: "VOICE_NAME" },
      },
    },
  },
});

// ...

Dart


// ...

final _liveModel = FirebaseAI.googleAI().liveGenerativeModel(
  model: 'gemini-2.5-flash-native-audio-preview-09-2025',
  // Configure the model to use a specific voice for its audio response
  liveGenerationConfig: LiveGenerationConfig(
    responseModalities: [ResponseModalities.audio],
    speechConfig: SpeechConfig(voiceName: 'VOICE_NAME'),
  ),
);

// ...

ঐক্য


// ...

var liveModel = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI()).GetLiveModel(
    modelName: "gemini-2.5-flash-native-audio-preview-09-2025",
    // Configure the model to use a specific voice for its audio response
    liveGenerationConfig: new LiveGenerationConfig(
        responseModalities: new[] { ResponseModality.Audio },
        speechConfig: SpeechConfig.UsePrebuiltVoice("VOICE_NAME")
    )
);

// ...

প্রতিক্রিয়া ভাষাকে প্রভাবিত করুন

Live API মডেলগুলি স্বয়ংক্রিয়ভাবে তাদের প্রতিক্রিয়ার জন্য উপযুক্ত ভাষা বেছে নেয়।

যদি আপনি চান যে মডেলটি ইংরেজি নয় এমন কোনও ভাষায় অথবা সর্বদা একটি নির্দিষ্ট ভাষায় প্রতিক্রিয়া জানাক, তাহলে আপনি এই উদাহরণগুলির মতো সিস্টেম নির্দেশাবলী ব্যবহার করে মডেলের প্রতিক্রিয়াগুলিকে প্রভাবিত করতে পারেন:

  • একটি অ-ইংরেজি ভাষা উপযুক্ত হতে পারে এমন মডেলটিকে আরও শক্তিশালী করুন

    Listen to the speaker carefully. If you detect a non-English language, respond
    in the language you hear from the speaker. You must respond unmistakably in the
    speaker's language.
    
  • মডেলকে সর্বদা একটি নির্দিষ্ট ভাষায় উত্তর দিতে বলুন।

    RESPOND IN LANGUAGE. YOU MUST RESPOND UNMISTAKABLY IN LANGUAGE.
    



অডিও ইনপুট এবং আউটপুটের জন্য ট্রান্সক্রিপশন

এই পৃষ্ঠায় প্রোভাইডার-নির্দিষ্ট কন্টেন্ট এবং কোড দেখতে আপনার জেমিনি API প্রোভাইডারে ক্লিক করুন।

মডেলের প্রতিক্রিয়ার অংশ হিসেবে, আপনি অডিও ইনপুট এবং মডেলের অডিও প্রতিক্রিয়ার ট্রান্সক্রিপশন পেতে পারেন। আপনি এই কনফিগারেশনটি মডেল কনফিগারেশনের অংশ হিসেবে সেট করেন।

  • অডিও ইনপুট ট্রান্সক্রিপশনের জন্য, inputAudioTranscription যোগ করুন।

  • মডেলের অডিও প্রতিক্রিয়ার ট্রান্সক্রিপশনের জন্য, outputAudioTranscription যোগ করুন।

নিম্নলিখিত বিষয়গুলি লক্ষ্য করুন:

  • আপনি মডেলটিকে ইনপুট এবং আউটপুট উভয়ের ট্রান্সক্রিপশন ফেরত দেওয়ার জন্য কনফিগার করতে পারেন (যেমনটি নিম্নলিখিত উদাহরণে দেখানো হয়েছে), অথবা আপনি এটিকে কেবল একটি বা অন্যটি ফেরত দেওয়ার জন্য কনফিগার করতে পারেন।

  • ট্রান্সক্রিপ্টগুলি অডিওর সাথে স্ট্রিম করা হয়, তাই প্রতিটি পালায় টেক্সটের অংশগুলি যেমন সংগ্রহ করেন, সেভাবেই সেগুলি সংগ্রহ করা ভালো।

  • অডিও ইনপুট এবং মডেলের অডিও প্রতিক্রিয়া থেকে ট্রান্সক্রিপশন ভাষা অনুমান করা হয়।

সুইফট


// ...

let liveModel = FirebaseAI.firebaseAI(backend: .googleAI()).liveModel(
  modelName: "gemini-2.5-flash-native-audio-preview-09-2025",
  // Configure the model to return transcriptions of the audio input and output
  generationConfig: LiveGenerationConfig(
    responseModalities: [.audio],
    inputAudioTranscription: AudioTranscriptionConfig(),
    outputAudioTranscription: AudioTranscriptionConfig()
  )
)

var inputTranscript: String = ""
var outputTranscript: String = ""

do {
  let session = try await liveModel.connect()
  for try await response in session.responses {
    if case let .content(content) = response.payload {
      if let inputText = content.inputAudioTranscription?.text {
        // Handle transcription text of the audio input
        inputTranscript += inputText
      }

      if let outputText = content.outputAudioTranscription?.text {
        // Handle transcription text of the audio output
        outputTranscript += outputText
      }

      if content.isTurnComplete {
        // Log the transcripts after the current turn is complete
        print("Input audio: \(inputTranscript)")
        print("Output audio: \(outputTranscript)")

        // Reset the transcripts for the next turn
        inputTranscript = ""
        outputTranscript = ""
      }
    }
  }


} catch {
  // Handle error
}

// ...

Kotlin


// ...

val liveModel = Firebase.ai(backend = GenerativeBackend.googleAI()).liveModel(
    modelName = "gemini-2.5-flash-native-audio-preview-09-2025",
    // Configure the model to return transcriptions of the audio input and output
    generationConfig = liveGenerationConfig {
        responseModality = ResponseModality.AUDIO
        inputAudioTranscription = AudioTranscriptionConfig()
        outputAudioTranscription = AudioTranscriptionConfig()
   }
)

val liveSession = liveModel.connect()

fun handleTranscription(input: Transcription?, output: Transcription?) {
    input?.text?.let { text ->
        // Handle transcription text of the audio input
        println("Input Transcription: $text")
    }
    output?.text?.let { text ->
        // Handle transcription text of the audio output
        println("Output Transcription: $text")
    }
}

liveSession.startAudioConversation(null, ::handleTranscription)

// ...

Java


// ...

ExecutorService executor = Executors.newFixedThreadPool(1);

LiveGenerativeModel lm = FirebaseAI.getInstance(GenerativeBackend.googleAI()).liveModel(
    "gemini-2.5-flash-native-audio-preview-09-2025",
    // Configure the model to return transcriptions of the audio input and output
    new LiveGenerationConfig.Builder()
            .setResponseModality(ResponseModality.AUDIO)
            .setInputAudioTranscription(new AudioTranscriptionConfig())
            .setOutputAudioTranscription(new AudioTranscriptionConfig())
            .build()
    );

LiveModelFutures liveModel = LiveModelFutures.from(lm);
ListenableFuture sessionFuture = liveModel.connect();

Futures.addCallback(sessionFuture, new FutureCallback() {
    @Override
    public void onSuccess(LiveSessionFutures ses) {
        LiveSessionFutures session = ses;
        session.startAudioConversation((Transcription input, Transcription output) -> {
            if (input != null) {
                // Handle transcription text of the audio input
                System.out.println("Input Transcription: " + input.getText());
            }
            if (output != null) {
                // Handle transcription text of the audio output
                System.out.println("Output Transcription: " + output.getText());
            }
            return null;
        });
    }

    @Override
    public void onFailure(Throwable t) {
        // Handle exceptions
        t.printStackTrace();
    }
}, executor);

// ...

Web


// ...

const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });

const liveModel = getLiveGenerativeModel(ai, {
  model: 'gemini-2.5-flash-native-audio-preview-09-2025',
  // Configure the model to return transcriptions of the audio input and output
  generationConfig: {
    responseModalities: [ResponseModality.AUDIO],
    inputAudioTranscription: {},
    outputAudioTranscription: {},
  },
});

const liveSession = await liveModel.connect();

liveSession.sendAudioRealtime({ data, mimeType: "audio/pcm" });

const messages = liveSession.receive();
for await (const message of messages) {
  switch (message.type) {
    case 'serverContent':
      if (message.inputTranscription) {
        // Handle transcription text of the audio input
        console.log(`Input transcription: ${message.inputTranscription.text}`);
      }
      if (message.outputTranscription) {
        // Handle transcription text of the audio output
        console.log(`Output transcription: ${message.outputTranscription.text}`);
      } else {
      	 // Handle other message types (modelTurn, turnComplete, interruption)
      }
    default:
      // Handle other message types (toolCall, toolCallCancellation)
  }
}

// ...

Dart


// ...

final _liveModel = FirebaseAI.googleAI().liveGenerativeModel(
  model: 'gemini-2.5-flash-native-audio-preview-09-2025',
  // Configure the model to return transcriptions of the audio input and output
  liveGenerationConfig: LiveGenerationConfig(
    responseModalities: [ResponseModalities.audio],
    inputAudioTranscription: AudioTranscriptionConfig(),
    outputAudioTranscription: AudioTranscriptionConfig(),
  ),
);

final LiveSession _session = _liveModel.connect();

await for (final response in _session.receive()) {
  LiveServerContent message = response.message;
  if (message.inputTranscription?.text case final inputText?) {
    // Handle transcription text of the audio input
    print('Input: $inputText');
  }

  if (message.outputTranscription?.text case final outputText?) {
    // Handle transcription text of the audio output
    print('Output: $outputText');
  }
}

// ...

ঐক্য


// ...

var liveModel = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI()).GetLiveModel(
    modelName: "gemini-2.5-flash-native-audio-preview-09-2025",
    // Configure the model to return transcriptions of the audio input and output
    liveGenerationConfig: new LiveGenerationConfig(
        responseModalities: new[] { ResponseModality.Audio },
        inputAudioTranscription: new AudioTranscriptionConfig(),
        outputAudioTranscription: new AudioTranscriptionConfig()
    )
);

try
{
    var session = await liveModel.ConnectAsync();
    var stream = session.ReceiveAsync();
    await foreach (var response in stream) {
        if (response.Message is LiveSessionContent sessionContent) {
            if (!string.IsNullOrEmpty(sessionContent.InputTranscription?.Text)) {
              // handle transcription text of input audio
            }

            if (!string.IsNullOrEmpty(sessionContent.OutputTranscription?.Text)) {
              // handle transcription text of output audio
            }
        }
    }
}
catch (Exception e)
{
    // Handle error
}

// ...



ভয়েস অ্যাক্টিভিটি ডিটেকশন (VAD)

মডেলটি স্বয়ংক্রিয়ভাবে একটি অবিচ্ছিন্ন অডিও ইনপুট স্ট্রিমে ভয়েস অ্যাক্টিভিটি ডিটেকশন (VAD) সম্পাদন করে। VAD ​​ডিফল্টরূপে সক্রিয় থাকে।



সেশন ব্যবস্থাপনা