Live API の制限と仕様


このページでは、Live API とそのモデルを使用する際のさまざまな制限と仕様について説明します。

一般的な仕様と制限

  • サポートされている入力と出力: （詳細については、以下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（音声文字変換）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。

セッションが次の上限のいずれかを超えると、接続が終了します。ただし、Live API には、これらの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、入力モダリティ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 分に制限されています。
    • 動画と音声の入力は 2 分に制限されています。

  • 接続時間は 10 分程度に制限されています。

    接続が終了する約 60 秒前に、終了通知が届きます。

セッション関連の制限を処理するには、次の方法があります。

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 プロジェクトあたりの同時セッション数と 1 分あたりのトークン数（TPM）の両方にレート制限があります。

  • Gemini Developer API:

  • Agent Platform Gemini API (formerly Vertex AI):

    • 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。

レスポンスの音声

Live API は、それぞれに特徴のある 30 種類の合成 HD 音声をサポートしています。以下のセクションを開くと、レスポンス音声オプションのリストを表示し、各音声のデモを聴くことができます。

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。

レスポンスの音声を指定する方法を学習する。

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を確認する。

すべての音声生成モデルでサポートされている言語
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
音声生成 3.x モデルでサポートされているその他の言語
言語 BCP-47 コード 言語 BCP-47 コード
アフリカーンス語 af フィリピン語 fil
アルバニア語 sq フィンランド語 fi
アムハラ語 am ガリシア語 gl
アルメニア語 hy ジョージア語 ka
アゼルバイジャン語 az ギリシャ語 el
バスク語 eu グジャラート語 gu
ベラルーシ語 be クレオール語（ハイチ） ht
ブルガリア語 bg ヘブライ語 he
ビルマ語 ミャンマー語（ビルマ語） ハンガリー語 hu
カタロニア語 ca アイスランド語 =
セブアノ語 ceb ジャワ語 jv
中国語（標準語） cmn カンナダ語 kn
クロアチア語 時間 コンカニ語 kok
チェコ語 cs ラオ語 lo
デンマーク語 da ラテン文字 la
エストニア語 et ラトビア語 lv
リトアニア語 lt ルクセンブルク語 lb
マケドニア語 mk マイティリー語 mai
マラガシ語 mg マレー語 ms
マラヤーラム語 ml モンゴル語 mn
ネパール語 ne ノルウェー語（ブークモール） nb
ノルウェー語（ニーノシク） nn オディア語 または
パシュト語 ps ペルシャ語 fa
パンジャブ語 pa セルビア語 sr
シンド語 sd シンハラ語 si
スロバキア語 sk スロベニア語 sl
スワヒリ語 sw スウェーデン語 sv
ウルドゥー語 ur