このページでは、Live API とそのモデルの使用に関するさまざまな制限と仕様について説明します。
一般的な仕様と上限
サポートされている入出力:（詳しくは、下記のメディア形式をご覧ください）
- 入力: テキスト、画像（PDF 以外）、音声、動画
- 出力: テキスト（文字起こし）と音声（ストリーミング）
サポートされているツール: 関数呼び出し、
Google Search を使用したグラウンディング、Google Maps を使用したグラウンディングナレッジ カットオフ日: 2025 年 1 月
Live API は、構造化された出力（JSON など）の生成や Count Tokens API をサポートしていません。
セッション関連の上限
Live API の場合、セッションとは、入力と出力が接続を介して継続的にストリーミングされる永続的な接続を指します。
セッションが次のいずれかの制限を超えると、接続が終了します。ただし、Live API には、セッション関連の上限を処理するためのオプションがいくつか用意されています（下記参照）。
セッション コンテキスト ウィンドウは 128,000 トークンに制限されています。
このコンテキスト ウィンドウの上限により、入力モードに基づくセッションの最大長は次のようになります。
- 音声のみの入力セッションは
15 分 に制限されます。 - 動画と音声の入力は
2 分 に制限されます。
- 音声のみの入力セッションは
接続時間は、約
10 分 に制限されています。接続が終了する
60 秒前 に、接続が終了するという通知が届きます。
セッション関連の上限を処理するオプションは次のとおりです。
セッション コンテキスト ウィンドウを圧縮して、サーバーがコンテキスト サイズを上限内に自動的に維持するようにします。
セッションを再開して、ネットワークが一時的に切断された場合や、離脱通知を受信した後に、会話のコンテキストが失われるのを防ぎます。
セッションの管理について学習する。
レート上限
Live API には、Firebase プロジェクトごとの同時セッション数と 1 分あたりのトークン数（TPM）の両方に対するレート制限があります。
Gemini Developer API:
- 上限は、プロジェクトの Gemini Developer API「使用量階層」によって異なります（レート上限のドキュメントを参照）。
Agent Platform Gemini API (formerly Vertex AI):
- Firebase プロジェクトあたり 1,000 の同時実行セッション
- 1 分あたり 400 万個のトークン
メディア形式
Live API は、次の種類のメディアをサポートしています。
- 入力: 画像、音声、動画
- 出力: 音声
画像形式
Live API は、画像入力に対して次の機能をサポートしています。
プロンプトあたりの最大画像数: 3,000
ファイルあたりの最大ファイルサイズ（インライン データ）: 7 MB
サポートされている MIME タイプ:
image/png、image/jpeg、image/webp、image/heic、image/heif
音声形式
Live API は、次の音声形式をサポートしています。
- 入力音声形式: RAW 16 ビット PCM 音声、16kHz、リトル エンディアン
出力音声形式: RAW 16 ビット PCM 音声、24kHz、リトル エンディアン
サポートされている MIME タイプ:
audio/x-aac、audio/flac、audio/mp3、audio/m4a、audio/mpeg、audio/mpga、audio/mp4、audio/ogg、audio/pcm、audio/wav、audio/webm
入力音声のサンプリング レートを伝えるには、音声を含む各 Blob の MIME タイプを audio/pcm;rate=16000 などの値に設定します。
動画フォーマット
Live API は、個別の画像フレームのシーケンスを想定しており、1 フレーム/秒（FPS）の動画フレーム入力をサポートしています。
推奨される入力: 1 FPS で 768x768 のネイティブ解像度。
サポートされている MIME タイプ:
video/x-flv、video/quicktime、video/mpeg、video/mpegs、video/mpg、video/mp4、video/webm、video/wmv、video/3gpp
この仕様により、Live API は、動きの速いスポーツのプレイごとの分析など、変化の速い動画の分析を必要とするユースケースには適していません。
レスポンスの声
Live API は、それぞれに特徴のある 30 種類の合成 HD 音声をサポートしています。以下のセクションを開くと、回答音声のオプションのリストを表示して、各音声のデモを聞くことができます。
レスポンス音声を指定しない場合、デフォルトは Puck です。
レスポンスの音声の指定方法をご覧ください。
言語
Live API は次の言語をサポートしています。レスポンスの言語に影響を与える方法について学習する。
すべての音声生成モデルでサポートされている言語
| 言語 | BCP-47 コード | 言語 | BCP-47 コード |
|---|---|---|---|
| アラビア語（エジプト） | ar-EG | ドイツ語（ドイツ） | de-DE |
| 英語（米国） | en-US | スペイン語（米国） | es-US |
| フランス語（フランス） | fr-FR | ヒンディー語（インド） | hi-IN |
| インドネシア語（インドネシア） | id-ID | イタリア語（イタリア） | it-IT |
| 日本語（日本） | ja-JP | 韓国語（韓国） | ko-KR |
| ポルトガル語（ブラジル） | pt-BR | ロシア語（ロシア） | ru-RU |
| オランダ語（オランダ） | nl-NL | ポーランド語（ポーランド） | pl-PL |
| タイ語（タイ） | th-TH | トルコ語（トルコ） | tr-TR |
| ベトナム語（ベトナム） | vi-VN | ルーマニア語（ルーマニア） | ro-RO |
| ウクライナ語（ウクライナ） | uk-UA | ベンガル語（バングラデシュ） | bn-BD |
| 英語（インド） | en-IN と hi-IN のバンドル | マラーティー語（インド） | mr-IN |
| タミル語（インド） | ta-IN | テルグ語（インド） | te-IN |
音声生成 3.x モデルでサポートされているその他の言語
| 言語 | BCP-47 コード | 言語 | BCP-47 コード |
|---|---|---|---|
| アフリカーンス語 | af | フィリピン語 | fil |
| アルバニア語 | sq | フィンランド語 | fi |
| アムハラ語 | am | ガリシア語 | gl |
| アルメニア語 | hy | ジョージア語 | ka |
| アゼルバイジャン語 | az | ギリシャ語 | el |
| バスク語 | eu | グジャラート語 | gu |
| ベラルーシ語 | be | クレオール語（ハイチ） | ht |
| ブルガリア語 | bg | ヘブライ語 | he |
| ビルマ語 | ミャンマー語（ビルマ語） | ハンガリー語 | hu |
| カタロニア語 | ca | アイスランド語 | = |
| セブアノ語 | ceb | ジャワ語 | jv |
| 中国語（標準語） | cmn | カンナダ語 | kn |
| クロアチア語 | 時間 | コンカニ語 | kok |
| チェコ語 | cs | ラオ語 | lo |
| デンマーク語 | da | ラテン文字 | la |
| エストニア語 | et | ラトビア語 | lv |
| リトアニア語 | lt | ルクセンブルク語 | lb |
| マケドニア語 | mk | マイティリー語 | mai |
| マラガシ語 | mg | マレー語 | ms |
| マラヤーラム語 | ml | モンゴル語 | mn |
| ネパール語 | ne | ノルウェー語（ブークモール） | nb |
| ノルウェー語、ニーノシク | nn | オディア語 | または |
| パシュト語 | ps | ペルシャ語 | fa |
| パンジャブ語 | pa | セルビア語 | sr |
| シンド語 | sd | シンハラ語 | si |
| スロバキア語 | sk | スロベニア語 | sl |
| スワヒリ語 | sw | スウェーデン語 | sv |
| ウルドゥー語 | ur |