محدودیت‌ها و مشخصات رابط برنامه‌نویسی کاربردی زنده


این صفحه محدودیت‌ها و مشخصات مختلف استفاده از Live API و مدل‌های آن را شرح می‌دهد.

مشخصات عمومی و محدودیت‌ها

  • ورودی و خروجی پشتیبانی شده : (برای جزئیات، به فرمت‌های رسانه‌ای زیر مراجعه کنید)

    • ورودی: متن، تصاویر (نه PDF)، صدا، ویدیو
    • خروجی: متن (رونویسی) و صدا (پخش زنده)

  • ابزارهای پشتیبانی‌شده : فراخوانی تابع، اتصال به زمین با Google Search ، اتصال به زمین با Google Maps

  • تاریخ پایان مهلت دریافت دانش : ژانویه ۲۰۲۵

Live API از تولید خروجی ساختاریافته (مانند JSON) یا API شمارش توکن‌ها پشتیبانی نمی‌کند .

محدودیت‌های مربوط به جلسه

برای Live API ، یک جلسه به یک اتصال پایدار اشاره دارد که در آن ورودی و خروجی به طور مداوم از طریق یک اتصال پخش می‌شوند.

اگر جلسه از هر یک از محدودیت‌های زیر فراتر رود، اتصال قطع می‌شود. البته توجه داشته باشید که Live API گزینه‌هایی (به زیر مراجعه کنید) برای مدیریت این محدودیت‌های مربوط به جلسه ارائه می‌دهد.

  • پنجره‌ی زمینه‌ی جلسه به ۱۲۸ هزار توکن محدود شده است.

    با توجه به این محدودیت پنجره زمینه، در اینجا حداکثر طول تقریبی جلسات بر اساس روش‌های ورودی آمده است:

    • جلسات ورودی فقط صوتی به ۱۵ دقیقه محدود می‌شوند.
    • ورودی ویدیو + صدا به ۲ دقیقه محدود می‌شود.

  • مدت زمان اتصال به حدود 10 دقیقه محدود شده است.

    حدود ۶۰ ثانیه قبل از پایان اتصال ، اعلانی مبنی بر قطع شدن اتصال دریافت خواهید کرد.

در اینجا چند گزینه برای مدیریت محدودیت‌های مربوط به جلسه وجود دارد:

درباره مدیریت جلسات بیشتر بدانید.

محدودیت‌های نرخ

Live API برای هر دو جلسه همزمان در هر پروژه Firebase و همچنین توکن در هر دقیقه (TPM) محدودیت‌های سرعت دارد.

  • رابط برنامه‌نویسی کاربردی توسعه‌دهندگان جمینی :

  • رابط برنامه‌نویسی کاربردی پلتفرم عامل Gemini (که قبلاً Vertex AI نام داشت) :

    • ۱۰۰۰ جلسه همزمان در هر پروژه Firebase
    • ۴ میلیون توکن در دقیقه

قالب‌های رسانه‌ای

Live API از انواع رسانه‌های زیر پشتیبانی می‌کند:

  • ورودی : تصویر، صدا، ویدئو
  • خروجی : صوتی

قالب‌های تصویر

Live API از موارد زیر برای ورودی تصویر پشتیبانی می‌کند:

  • حداکثر تصاویر در هر اعلان : ۳۰۰۰

  • حداکثر اندازه هر فایل (داده درون‌خطی) : ۷ مگابایت

  • انواع MIME پشتیبانی شده : image/png ، image/jpeg ، image/webp ، image/heic ، image/heif

فرمت‌های صوتی

Live API از فرمت‌های صوتی زیر پشتیبانی می‌کند:

  • فرمت صدای ورودی: صدای خام PCM با نرخ ۱۶ بیت و فرکانس ۱۶ کیلوهرتز (little-endian)

  • فرمت صدای خروجی: صدای خام PCM با نرخ 16 بیت و فرکانس 24 کیلوهرتز (little-endian)

  • انواع MIME پشتیبانی شده : audio/x-aac ، audio/flac ، audio/mp3 ، audio/m4a ، audio/mpeg audio/mpga ، audio/mp4 ، audio/ogg ، audio/pcm ، audio/wav ، audio/webm

برای انتقال نرخ نمونه‌برداری صدای ورودی، نوع MIME هر Blob حاوی صدا را روی مقداری مانند audio/pcm;rate=16000 تنظیم کنید.

فرمت‌های ویدیویی

رابط Live API انتظار دنباله‌ای از فریم‌های تصویر گسسته را دارد و از ورودی فریم‌های ویدیویی با سرعت ۱ فریم در ثانیه (FPS) پشتیبانی می‌کند.

  • ورودی پیشنهادی : وضوح تصویر اصلی ۷۶۸x۷۶۸ با سرعت ۱ فریم در ثانیه.

  • انواع MIME پشتیبانی شده : video/x-flv ، video/quicktime ، video/mpeg ، video/mpegs ، video/mpg ، video/mp4 ، video/webm ، video/wmv ، video/3gpp

توجه داشته باشید که این مشخصات، Live API را برای مواردی که نیاز به تجزیه و تحلیل ویدیوهای با تغییرات سریع دارند، مانند پخش زنده در ورزش‌های پرسرعت، نامناسب می‌کند.

صداهای پاسخ

Live API از 30 صدای HD سینت سایز شده مختلف پشتیبانی می‌کند که هر کدام ویژگی‌های متمایزی دارند. می‌توانید با باز کردن بخش زیر ، فهرستی از گزینه‌های صدای پاسخ را مشاهده کرده و دموی هر صدا را بشنوید .

اگر صدای پاسخ را مشخص نکنید، صدای پیش‌فرض Puck است.

یاد بگیرید که چگونه صدای پاسخ را مشخص کنید .

زبان‌ها

Live API از زبان‌های زیر پشتیبانی می‌کند. یاد بگیرید که چگونه زبان پاسخ را تغییر دهید .

زبان‌های پشتیبانی‌شده توسط همه مدل‌های تولید صدا
زبان کد BCP-47 زبان کد BCP-47
عربی (مصری) ar-EG آلمانی (آلمان) د-DE
انگلیسی (آمریکایی) انگلیسی-آمریکایی اسپانیایی (آمریکایی) es-US
فرانسوی (فرانسه) fr-FR هندی (هند) سلام-ورودی
اندونزیایی (اندونزیایی) شناسه-شناسه ایتالیایی (ایتالیا) فناوری اطلاعات
ژاپنی (ژاپن) جا-جی پی کره‌ای (کره) کو-کی‌آر
پرتغالی (برزیل) پی تی-بی آر روسی (روسیه) ru-RU
هلندی (هلند) nl-NL لهستانی (لهستان) پی ال-پی ال
تایلندی (تایلند) ام-ام ترکی (ترکیه) تر-تی‌آر
ویتنامی (ویتنام) vi-VN رومانیایی (رومانیایی) ro-RO
اوکراینی (اوکراین) انگلستان-آمریکا بنگالی (بنگلادش) بی ان-بی دی
انگلیسی (هند) بسته en-IN و hi-IN مراتی (هند) آقای-IN
تامیل (هند) تا-این تلوگو (هند) te-IN
زبان‌های اضافی پشتیبانی‌شده توسط مدل‌های ۳.x تولیدکننده صدا
زبان کد BCP-47 زبان کد BCP-47
آفریکانس اف فیلیپینی فیل
آلبانیایی مربع فنلاندی فی
امهری هستم گالیسیایی گل
ارمنی های گرجی کا
آذربایجانی آز یونانی ال
باسک اتحادیه اروپا گجراتی گو
بلاروسی باش کریول هائیتیایی اچ تی
بلغاری بی جی عبری او
برمه‌ای من مجارستانی هو
کاتالان حدود ایسلندی است
سبوانو سی بی جاوه ای جی وی
چینی، ماندارین سی ام ان کانارا کن
کرواتی ساعت کونکانی کوک
چک سی اس لائو لو
دانمارکی دا لاتین لا
استونیایی و لتونیایی lv
لیتوانیایی آن لوکزامبورگی پوند
مقدونی مک میثیلی مای
مالاگاسیایی میلی‌گرم مالایی ام‌اس
مالایالامی میلی‌لیتر مغولی من
نپالی نه نروژی، بوکمال توجه
نروژی، نینورسک ن اودیا یا
پشتو ص فارسی فا
پنجابی پا صربی اس آر
سندی اس دی سینهالی سی
اسلواکی اسک اسلوونیایی اس ال
سواحیلی جنوب غربی سوئدی اس وی
اردو تو