Limits und Spezifikationen der Live API


Auf dieser Seite werden verschiedene Limits und Spezifikationen für die Verwendung der Live API und ihrer Modelle beschrieben.

Allgemeine Spezifikationen und Limits

  • Unterstützte Eingabe und Ausgabe: (Weitere Informationen finden Sie unten unter Mediaformate.)

    • Eingabe: Text, Bilder (keine PDFs), Audio, Video
    • Ausgabe: Text (Transkription) und Audio (Streaming)

  • Unterstützte Tools: Funktionsaufrufe, Grounding mit Google Search, Grounding mit Google Maps

  • Datum des Wissensstands: Januar 2025

Die Live API unterstützt nicht die Generierung strukturierter Ausgaben (z. B. JSON) oder die Count Tokens API.

Sitzungsbezogene Limits

Bei der Live API bezieht sich eine Sitzung auf eine dauerhafte Verbindung, bei der Eingabe und Ausgabe kontinuierlich über eine Verbindung gestreamt werden.

Wenn die Sitzung eines der folgenden Limits überschreitet, wird die Verbindung beendet. Die Live API bietet jedoch einige Optionen (siehe unten), um diese sitzungsbezogenen Limits zu verwalten.

  • Das Kontextfenster der Sitzung ist auf 128.000 Tokens begrenzt.

    Aufgrund dieses Limits für das Kontextfenster ergeben sich die folgenden ungefähren maximalen Sitzungslängen basierend auf den Eingabemodalitäten:

    • Sitzungen mit reiner Audioeingabe sind auf 15 Minuten begrenzt.
    • Sitzungen mit Video- und Audioeingabe sind auf 2 Minuten begrenzt.

  • Die Verbindungslänge ist auf etwa 10 Minuten begrenzt.

    Sie erhalten etwa 60 Sekunden vor dem Ende der Verbindung eine Benachrichtigung _going away_.

Hier sind einige Optionen zum Verwalten sitzungsbezogener Limits:

Weitere Informationen zum Verwalten von Sitzungen.

Ratenlimits

Die Live API hat Ratenlimits für gleichzeitige Sitzungen pro Firebase-Projekt sowie für Tokens pro Minute (TPM).

  • Gemini Developer API:

    • Die Limits variieren je nach Gemini Developer API "Nutzungsklasse" der Gemini Developer API Ihres Projekts. Weitere Informationen finden Sie in der Dokumentation zu Ratenlimits.

  • Agent Platform Gemini API (formerly Vertex AI):

    • 1.000 gleichzeitige Sitzungen pro Firebase-Projekt
    • 4 Millionen Tokens pro Minute

Mediaformate

Die Live API unterstützt die folgenden Medientypen:

  • Eingabe: Bilder, Audio, Video
  • Ausgabe: Audio

Bildformate

Die Live API unterstützt die folgenden Formate für die Bildeingabe:

  • Maximale Anzahl von Bildern pro Prompt: 3.000

  • Maximale Dateigröße pro Datei (Inline-Daten): 7 MB

  • Unterstützte MIME-Typen: image/png, image/jpeg, image/webp, image/heic, image/heif

Audioformate

Die Live API unterstützt die folgenden Audioformate:

  • Audioformat für die Eingabe:Roh-PCM-Audio mit 16 Bit und 16 kHz (Little Endian)

  • Audioformat für die Ausgabe:Roh-PCM-Audio mit 16 Bit und 24 kHz (Little Endian)

  • Unterstützte MIME-Typen: audio/x-aac, audio/flac, audio/mp3, audio/m4a, audio/mpeg, audio/mpga, audio/mp4, audio/ogg, audio/pcm, audio/wav, audio/webm

Um die Abtastrate von Audioeingaben anzugeben, legen Sie den MIME-Typ jedes Audio-Blobs auf einen Wert wie audio/pcm;rate=16000 fest.

Videoformate

Die Live API erwartet eine Sequenz diskreter Bildframes und unterstützt die Eingabe von Video Frames mit 1 Frame pro Sekunde (FPS).

  • Empfohlene Eingabe: native Auflösung von 768 × 768 bei 1 FPS.

  • Unterstützte MIME-Typen: video/x-flv, video/quicktime, video/mpeg, video/mpegs, video/mpg, video/mp4, video/webm, video/wmv, video/3gpp

Aufgrund dieser Spezifikation ist die Live API nicht für Anwendungsfälle geeignet, bei denen schnell wechselnde Videos analysiert werden müssen, z. B. für Spielberichte bei rasanten Sportarten.

Antwortstimmen

Die Live API unterstützt die folgenden Optionen für die Antwortstimme. Demos der einzelnen Stimmen finden Sie unter Chirp 3: HD-Stimmen.

Wenn Sie keine Antwortstimme angeben, wird standardmäßig Puck verwendet.

Informationen zum Angeben der Antwortstimme specify the response voice.

Zephyr – Helle Stimme
Kore – Feste Stimme
Orus – Feste Stimme
Autonoe – Helle Stimme
Umbriel – Entspannte Stimme
Erinome – Klare Stimme
Laomedeia – Fröhliche Stimme
Schedar – Gleichmäßige Stimme
Achird – Freundliche Stimme
Sadachbia – Lebhafte Stimme 		Puck – Fröhliche Stimme
Fenrir – Aufgeregte Stimme
Aoede – Leichte Stimme
Enceladus – Hauchige Stimme
Algieba – Sanfte Stimme
Algenib – Rauhe Stimme
Achernar – Leise Stimme
Gacrux – Reife Stimme
Zubenelgenubi – Locker
Sadaltager – Wissende Stimme 		Charon – Informative Stimme
Leda – Junge Stimme
Callirrhoe – Entspannte Stimme
Iapetus – Klare Stimme
Despina – Sanfte Stimme
Rasalgethi – Informative Stimme
Alnilam – Feste Stimme
Pulcherrima – Direkte Stimme
Vindemiatrix – Sanfte Stimme
Sulafat – Warme Stimme

Sprachen

Die Live API unterstützt die folgenden Sprachen. Informationen zum Beeinflussen der Antwortsprache .

Sprache BCP-47-Code Sprache BCP-47-Code
Arabisch (Ägypten) ar-EG Deutsch (Deutschland) de-DE
Englisch (USA) en-US Spanisch (USA) es-US
Französisch (Frankreich) fr-FR Hindi (Indien) hi-IN
Indonesisch (Indonesien) id-ID Italienisch (Italien) it-IT
Japanisch (Japan) ja-JP Koreanisch (Korea) ko-KR
Portugiesisch (Brasilien) pt-BR Russisch (Russland) ru-RU
Niederländisch (Niederlande) nl-NL Polnisch (Polen) pl-PL
Thailändisch (Thailand) th-TH Türkisch (Türkei) tr-TR
Vietnamesisch (Vietnam) vi-VN Rumänisch (Rumänien) ro-RO
Ukrainisch (Ukraine) uk-UA Bengalisch (Bangladesch) bn-BD
Englisch (Indien) en-IN &hi-IN-Set Marathi (Indien) mr-IN
Tamil (Indien) ta-IN Telugu (Indien) te-IN