Live API の制限と仕様


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。

  • 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:

  • Vertex AI Gemini API:

    • 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、次の音声応答オプションをサポートしています。各音声のデモについては、Chirp 3: HD 音声をご覧ください。

レスポンスの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確認ください。

Zephyr - 明るい
Kore - しっかりした
Orus - しっかりした
Autonoe - 明るい
Umbriel - 気さくな
Erinome - 明瞭な
Laomedeia - 陽気な
Schedar - 落ち着いた
Achird - 友好的な
Sadachbia - 活発な 		Puck - アップビート
Fenrir - 興奮した
Aoede - さわやかな
Enceladus - 息づかいのある
Algieba - スムーズな
Algenib - ざらざらした
Achernar - ソフトな
Gacrux - 成熟した
Zubenelgenubi - カジュアルな
Sadaltager - 知識豊富な 		Charon - Informative
Leda - Youthful
Callirrhoe - Easy-going
Iapetus - Clear
Despina - Smooth
Rasalgethi - Informative
Alnilam - Firm
Pulcherrima - Forward
Vindemiatrix - Gentle
Sulafat - Warm

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。

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