Límites y especificaciones de la API de Live


En esta página, se describen varios límites y especificaciones para usar la Live API y sus modelos.

Especificaciones y límites generales

  • Entrada y salida compatibles: (para obtener más detalles, consulta los formatos de contenido multimedia que se indican a continuación)

    • Entrada: texto, imágenes (no PDF), audio y video
    • Resultado: texto (transcripción) y audio (transmisión)

  • Herramientas compatibles: llamada a funciones, fundamentación con Google Search, fundamentación con Google Maps

  • Fecha límite de conocimiento: enero de 2025

Live API no admite la generación de resultados estructurados (como JSON) ni la API de Count Tokens.

Límites relacionados con las sesiones

Para la Live API, una sesión se refiere a una conexión persistente en la que la entrada y la salida se transmiten de forma continua a través de una conexión.

Si la sesión supera cualquiera de los siguientes límites, se finaliza la conexión. Sin embargo, ten en cuenta que Live API proporciona algunas opciones (consulta más abajo) para controlar estos límites relacionados con las sesiones.

  • La ventana de contexto de la sesión está limitada a 128,000 tokens.

    Debido a este límite de la ventana de contexto, estas son las duraciones máximas aproximadas de las sesiones según las modalidades de entrada:

    • Las sesiones de entrada solo de audio están limitadas a 15 minutos.
    • La entrada de video y audio está limitada a 2 minutos.

  • La duración de la conexión se limita a unos 10 minutos.

    Recibirás una notificación de desconexión aproximadamente 60 segundos antes de que finalice la conexión.

Estas son algunas opciones para controlar los límites relacionados con las sesiones:

Obtén más información para administrar sesiones.

Límites de frecuencia

La Live API tiene límites de frecuencia para las sesiones simultáneas por proyecto de Firebase y los tokens por minuto (TPM).

  • Gemini Developer API

  • Agent Platform Gemini API (formerly Vertex AI)

    • 1,000 sesiones simultáneas por proyecto de Firebase
    • 4 millones de tokens por minuto

Formatos multimedia

Live API admite los siguientes tipos de contenido multimedia:

  • Entrada: imágenes, audio y video
  • Salida: Audio

Formatos de imagen

Live API admite lo siguiente para la entrada de imágenes:

  • Cantidad máxima de imágenes por instrucción: 3,000

  • Tamaño máximo de cada archivo (datos intercalados): 7 MB

  • Tipos de MIME admitidos: image/png, image/jpeg, image/webp, image/heic, image/heif

Formatos de audio

Live API admite los siguientes formatos de audio:

  • Formato de audio de entrada: Audio PCM sin procesar de 16 bits a 16 kHz little-endian

  • Formato de audio de salida: Audio PCM sin procesar de 16 bits a 24 kHz little-endian

  • Tipos de MIME admitidos: audio/x-aac, audio/flac, audio/mp3, audio/m4a, audio/mpeg, audio/mpga, audio/mp4, audio/ogg, audio/pcm, audio/wav, audio/webm

Para transmitir la tasa de muestreo del audio de entrada, establece el tipo de MIME de cada Blob que contenga audio en un valor como audio/pcm;rate=16000.

Formatos de video

Live API espera una secuencia de fotogramas de imagen discretos y admite la entrada de fotogramas de video a 1 fotograma por segundo (FPS).

  • Entrada recomendada: resolución nativa de 768 x 768 a 1 FPS.

  • Tipos de MIME admitidos: video/x-flv, video/quicktime, video/mpeg, video/mpegs, video/mpg, video/mp4, video/webm, video/wmv, video/3gpp

Ten en cuenta que esta especificación hace que el Live API no sea adecuado para casos de uso que requieran analizar videos que cambian con rapidez, como las jugadas en deportes de alta velocidad.

Voces de respuesta

Live API admite 30 voces en HD sintetizadas diferentes, cada una con características distintas. Puedes ver una lista de opciones de voces de respuesta y escuchar demostraciones de cada una expandiendo la sección que aparece a continuación.

Si no especificas una voz de respuesta, el valor predeterminado es Puck.

Obtén información para especificar la voz de la respuesta.

Idiomas

La Live API admite los siguientes idiomas. Obtén información para influir en el idioma de la respuesta.

Idiomas compatibles con todos los modelos de generación de audio
Idioma Código BCP-47 Idioma Código BCP-47
Árabe (Egipto) ar-EG Alemán (Alemania) de-DE
Inglés (EE.UU.) en-US Español (EE.UU.) es-US
Francés (Francia) fr-FR Hindi (India) hi-IN
Indonesio (Indonesia) id-ID Italiano (Italia) it-IT
Japonés (Japón) ja-JP Coreano (Corea) ko-KR
Portugués (Brasil) pt-BR Ruso (Rusia) ru-RU
Holandés (Países Bajos) nl-NL Polaco (Polonia) pl-PL
Tailandés (Tailandia) th-TH Turco (Türkiye) tr-TR
Vietnamita (Vietnam) vi-VN Rumano (Rumania) ro-RO
Ucraniano (Ucrania) uk-UA Bengalí (Bangladés) bn-BD
Inglés (India) Paquete en-IN y hi-IN Maratí (India) mr-IN
Tamil (India) ta-IN Telugu (India) te-IN
Idiomas adicionales compatibles con los modelos 3.x que generan audio
Idioma Código BCP-47 Idioma Código BCP-47
Afrikaans af Filipino fil
Albanés sq Finlandés fi
Amárico am Gallego gl
Armenio hy Georgiano ka
Azerbaiyano az Griego el
Vasco eu Guyaratí gu
Bielorruso be Criollo haitiano ht
Búlgaro bg Hebreo he
Birmano my Húngaro hu
Catalán ca Islandés es
Cebuano ceb Javanés jv
Chino (mandarín) cmn Canarés kn
Croata h Konkani kok
Checo cs Laosiano lo
Danés da Latín la
Estonio et Letón lv
Lituano lt Luxemburgués lb
Macedonio mk Maithili mai
Malgache mg Malayo ms
Malayalam ml Mongol mn
Nepalí ne Noruego (bokmål) nb
Noruego (nynorsk) nn Oriya o
Pastún ps Persa fa
Punyabí pa Serbio sr
Sindhi sd Cingalés si
Eslovaco sk Esloveno sl
Suajili sw Sueco sv
Urdu ur