Live API की सीमाएं और खास बातें


इस पेज पर, Live API और इसके मॉडल इस्तेमाल करने से जुड़ी अलग-अलग सीमाओं और खास बातों के बारे में बताया गया है.

सामान्य स्पेसिफ़िकेशन और सीमाएं

  • इनपुट और आउटपुट के लिए इस्तेमाल किए जा सकने वाले फ़ॉर्मैट: (ज़्यादा जानकारी के लिए, नीचे दिए गए मीडिया फ़ॉर्मैट देखें)

    • इनपुट: टेक्स्ट, इमेज (PDF नहीं), ऑडियो, वीडियो
    • आउटपुट: टेक्स्ट (ट्रांसक्रिप्शन) और ऑडियो (स्ट्रीमिंग)

  • काम करने वाले टूल: फ़ंक्शन कॉलिंग, Google Search के साथ भरोसेमंद स्रोतों से जानकारी लेना, Google Maps के साथ भरोसेमंद स्रोतों से जानकारी लेना

  • जानकारी के अपडेट होने की तारीख: जनवरी 2025

Live API, स्ट्रक्चर्ड आउटपुट (जैसे कि JSON) जनरेट करने या टोकन गिनने वाले एपीआई के साथ काम नहीं करता.

सेशन से जुड़ी सीमाएं

Live API के लिए, सेशन का मतलब एक ऐसे कनेक्शन से है जो लगातार बना रहता है. इसमें इनपुट और आउटपुट, कनेक्शन पर लगातार स्ट्रीम किए जाते हैं.

अगर सेशन में यहां दी गई किसी भी सीमा से ज़्यादा डेटा ट्रांसफ़र किया जाता है, तो कनेक्शन बंद कर दिया जाता है. हालांकि, ध्यान दें कि Live API, सेशन से जुड़ी इन सीमाओं को मैनेज करने के लिए कुछ विकल्प (नीचे देखें) उपलब्ध कराता है.

  • सेशन कॉन्टेक्स्ट विंडो में ज़्यादा से ज़्यादा 1,28,000 टोकन इस्तेमाल किए जा सकते हैं.

    कॉन्टेक्स्ट विंडो की सीमा की वजह से, इनपुट मोड के आधार पर सेशन की अनुमानित अवधि यहां दी गई है:

    • सिर्फ़ ऑडियो वाले इनपुट सेशन 15 मिनट तक ही किए जा सकते हैं.
    • वीडियो और ऑडियो इनपुट की अवधि दो मिनट से ज़्यादा नहीं होनी चाहिए.

  • कनेक्शन की अवधि करीब 10 मिनट तक सीमित होती है.

    कनेक्शन बंद होने से 60 सेकंड पहले, आपको कनेक्शन बंद होने वाला है सूचना मिलेगी.

सेशन से जुड़ी सीमाओं को मैनेज करने के लिए, यहां कुछ विकल्प दिए गए हैं:

सेशन मैनेज करने के बारे में ज़्यादा जानें.

अनुरोधों की संख्या की सीमाएं

Live API में, हर Firebase प्रोजेक्ट के लिए एक साथ चल रहे सेशन और हर मिनट के टोकन (टीपीएम) की अनुरोध संख्या सीमित करने की दरें तय की गई हैं.

  • Gemini Developer API:

  • Agent Platform Gemini API (formerly Vertex AI):

    • हर Firebase प्रोजेक्ट के लिए, एक साथ 1,000 सेशन
    • हर मिनट 40 लाख टोकन

मीडिया फ़ॉर्मैट

Live API में इस तरह के मीडिया का इस्तेमाल किया जा सकता है:

  • इनपुट: इमेज, ऑडियो, वीडियो
  • आउटपुट: ऑडियो

इमेज फ़ॉर्मैट

Live API में, इमेज को इनपुट के तौर पर इस्तेमाल करने के लिए ये सुविधाएं उपलब्ध हैं:

  • हर प्रॉम्प्ट के लिए ज़्यादा से ज़्यादा इमेज: 3,000

  • हर फ़ाइल (इनलाइन डेटा) का ज़्यादा से ज़्यादा साइज़: 7 एमबी

  • इन MIME टाइप का इस्तेमाल किया जा सकता है: image/png, image/jpeg, image/webp, image/heic, image/heif

ऑडियो फ़ॉर्मैट

Live API इन ऑडियो फ़ॉर्मैट के साथ काम करता है:

  • इनपुट ऑडियो फ़ॉर्मैट: रॉ 16 बिट पीसीएम ऑडियो, 16 किलोहर्ट्ज़ लिटिल-एंडियन पर

  • आउटपुट ऑडियो फ़ॉर्मैट: रॉ 16 बिट पीसीएम ऑडियो, 24 किलोहर्ट्ज़ लिटिल-एंडियन पर

  • साथ काम करने वाले एमआईएमई टाइप: audio/x-aac, audio/flac, audio/mp3, audio/m4a, audio/mpeg, audio/mpga, audio/mp4, audio/ogg, audio/pcm, audio/wav, audio/webm

इनपुट ऑडियो का सैंपल रेट बताने के लिए, ऑडियो वाले हर Blob का एमआईएमई टाइप, audio/pcm;rate=16000 जैसी वैल्यू पर सेट करें.

वीडियो फ़ॉर्मैट

Live API को अलग-अलग इमेज फ़्रेम के क्रम की ज़रूरत होती है. साथ ही, यह एक फ़्रेम प्रति सेकंड (एफ़पीएस) पर वीडियो फ़्रेम के इनपुट को सपोर्ट करता है.

  • सुझाया गया इनपुट: 768x768 के नेटिव रिज़ॉल्यूशन पर 1 एफ़पीएस.

  • इस्तेमाल किए जा सकने वाले एमआईएमई टाइप: video/x-flv, video/quicktime, video/mpeg, video/mpegs, video/mpg, video/mp4, video/webm, video/wmv, video/3gpp

ध्यान दें कि इस स्पेसिफ़िकेशन की वजह से, Live API ऐसे इस्तेमाल के उदाहरणों के लिए सही नहीं है जिनमें तेज़ी से बदलते वीडियो का विश्लेषण करना ज़रूरी होता है. जैसे, हाई-स्पीड स्पोर्ट्स में प्ले-बाय-प्ले.

जवाब देने के लिए आवाज़ें

Live API में, सिंथेसाइज़ की गई 30 अलग-अलग एचडी आवाज़ें होती हैं. हर आवाज़ की अपनी अलग खासियत होती है. नीचे दिए गए सेक्शन को बड़ा करके, जवाब देने के लिए उपलब्ध आवाज़ों की सूची देखी जा सकती है और हर आवाज़ का डेमो सुना जा सकता है.

अगर आपने जवाब देने के लिए कोई आवाज़ नहीं चुनी है, तो डिफ़ॉल्ट रूप से Puck का इस्तेमाल किया जाएगा.

जवाब देने के लिए आवाज़ तय करने का तरीका जानें.

भाषाएं

Live API इन भाषाओं में उपलब्ध है. जवाब की भाषा को अपनी पसंद के मुताबिक बनाने का तरीका जानें.

ऑडियो जनरेट करने वाले सभी मॉडल के साथ काम करने वाली भाषाएं
भाषा BCP-47 कोड भाषा BCP-47 कोड
ऐरेबिक (मिस्र) ar-EG जर्मन (जर्मनी) de-DE
अंग्रेज़ी (यूएस) en-US स्पेनिश (यूएस) es-US
फ़्रांसीसी (फ़्रांस) fr-FR हिन्दी (भारत) hi-IN
इंडोनेशियन (इंडोनेशिया) id-ID इतालवी (इटली) it-IT
जैपनीज़ (जापान) ja-JP कोरियन (कोरिया) ko-KR
पॉर्चुगीज़ (ब्राज़ील) pt-BR रूसी (रूस) ru-RU
डच (नीदरलैंड्स) nl-NL पोलिश (पोलैंड) pl-PL
थाई (थाईलैंड) th-TH टर्किश (तुर्की) tr-TR
वियतनामीज़ (वियतनाम) vi-VN रोमेनियन (रोमानिया) ro-RO
यूक्रेनियन (यूक्रेन) uk-UA बांग्ला (बांग्लादेश) bn-BD
अंग्रेज़ी (भारत) en-IN और hi-IN बंडल मराठी (भारत) mr-IN
तमिल (भारत) ta-IN तेलुगु (भारत) te-IN
ऑडियो जनरेट करने वाले 3.x मॉडल के साथ काम करने वाली अन्य भाषाएं
भाषा BCP-47 कोड भाषा BCP-47 कोड
अफ़्रीकान्स af फ़िलिपिनो fil
अल्बेनियन sq फ़िनिश fi
ऐमहैरिक am गैलिशियन gl
आर्मीनियन hy जॉर्जियन ka
अज़रबैजानी az ग्रीक el
बैस्क eu गुजराती gu
Belarusian be हैतियन क्रियोल ht
बल्गैरियन bg हीब्रू वह
बर्मीज़ my हंगेरियन hu
कैटलैन ca आइसलैंडिक है
सेबुआनो सेब जावानीज़ jv
चाइनीज़, मैंडरिन cmn कन्नड़ kn
क्रोएशियन घंटा कोंकणी kok
चेक cs लाओ lo
डेनिश da लैटिन la
एस्टोनियन et लातवियन lv
Lithuanian lt लक्ज़मबर्गिश पाउंड
मेसिडोनियन mk मैथिली mai
मालागासी मि॰ग्रा॰ मलय ms
Malayalam ml मंगोलियन mn
Nepali ne नॉर्वीजन, बुकमॉल nb
नॉर्वीजन, नीनोर्स्क nn ओड़िया या
पश्तो ps फ़ारसी fa
पंजाबी pa सर्बियन sr
सिंधी sd सिंहला si
Slovak sk Slovenian sl
स्वाहिली sw Swedish sv
उर्दू ur