Limity i specyfikacje interfejsu Live API


Na tej stronie opisujemy różne limity i specyfikacje dotyczące korzystania z Live API i jego modeli.

Ogólne specyfikacje i limity

  • Obsługiwane dane wejściowe i wyjściowe: (szczegóły znajdziesz w sekcji Formaty multimediów poniżej)

    • Dane wejściowe: tekst, obrazy (nie PDF), dźwięk, wideo
    • Dane wyjściowe: tekst (transkrypcja) i dźwięk (przesyłanie strumieniowe)

  • Obsługiwane narzędzia: wywoływanie funkcji, Grounding z Google Search, Grounding z Google Maps

  • Granica wiedzy: styczeń 2025 r.

Interfejs Live API obsługuje nie generowania uporządkowanych danych wyjściowych (np. JSON) ani interfejsu Count Tokens API.

Limity związane z sesją

W przypadku interfejsu Live API API sesja odnosi się do trwałego połączenia, w którym dane wejściowe i wyjściowe są przesyłane strumieniowo przez połączenie.

Jeśli sesja przekroczy którykolwiek z tych limitów, połączenie zostanie przerwane. Pamiętaj jednak, że Live API udostępnia kilka opcji (patrz poniżej), które pozwalają radzić sobie z tymi limitami związanymi z sesją.

  • Okno kontekstu sesji jest ograniczone do 128 tys. tokenów.

    Ze względu na ten limit okna kontekstu przybliżone maksymalne długości sesji na podstawie modalności danych wejściowych są takie:

    • Sesje z danymi wejściowymi tylko w postaci dźwięku są ograniczone do 15 minut.
    • Dane wejściowe wideo i audio są ograniczone do 2 minut.

  • Długość połączenia jest ograniczona do około 10 minut.

    Około 60 sekund przed zakończeniem połączenia otrzymasz powiadomienie going away.

Oto kilka opcji radzenia sobie z limitami związanymi z sesją:

  • Skompresuj okno kontekstu sesji aby serwer automatycznie utrzymywał rozmiar kontekstu w ramach limitu.

  • Wznów sesję aby zapobiec utracie kontekstu rozmowy podczas krótkich przerw w połączeniu sieciowym lub po otrzymaniu powiadomienia going away.

Dowiedz się więcej o zarządzaniu sesjami.

Ograniczenia liczby żądań

Interfejs Live API ma ograniczenia liczby żądań zarówno w przypadku jednoczesnych sesji na projekt w Firebase, jak i tokenów na minutę (TPM).

  • Gemini Developer API:

  • Agent Platform Gemini API (formerly Vertex AI):

    • 1000 jednoczesnych sesji na projekt w Firebase
    • 4 mln tokenów na minutę

Formaty multimediów

Live API obsługuje te typy multimediów:

  • Dane wejściowe: obrazy, dźwięk, wideo
  • Dane wyjściowe: dźwięk

Formaty obrazów

Live API obsługuje te formaty obrazów:

  • Maksymalna liczba obrazów na prompt: 3000

  • Maksymalny rozmiar pliku (dane wbudowane): 7 MB

  • Obsługiwane typy MIME: image/png, image/jpeg, image/webp, image/heic, image/heif

Formaty audio

Live API obsługuje te formaty audio:

  • Format dźwięku wejściowego: surowy 16-bitowy dźwięk PCM o częstotliwości 16 kHz w formacie little-endian

  • Format dźwięku wyjściowego: surowy 16-bitowy dźwięk PCM o częstotliwości 24 kHz w formacie little-endian

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

Aby przekazać częstotliwość próbkowania dźwięku wejściowego, ustaw typ MIME każdego obiektu Blob zawierającego dźwięk na wartość taką jak audio/pcm;rate=16000.

Formaty wideo

Interfejs Live API oczekuje sekwencji dyskretnych klatek obrazu i obsługuje dane wejściowe klatek wideo z szybkością 1 klatka na sekundę.

  • Zalecane dane wejściowe: natywna rozdzielczość 768 x 768 przy 1 klatce na sekundę.

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

Pamiętaj, że ta specyfikacja sprawia, że Live API nie nadaje się do przypadków użycia które wymagają analizowania szybko zmieniającego się obrazu, np. do relacji na żywo z szybkich sportów.

Głosy odpowiedzi

Interfejs Live API obsługuje te opcje głosu odpowiedzi. Przykłady brzmienia poszczególnych głosów znajdziesz w artykule Chirp 3: HD voices.

Jeśli nie określisz głosu odpowiedzi, domyślnie zostanie użyty głos Puck.

Dowiedz się, jak określić głos odpowiedzi.

Zephyr – jasny
Kore – stanowczy
Orus – stanowczy
Autonoe – jasny
Umbriel – spokojny
Erinome – wyraźny
Laomedeia – radosny
Schedar – równy
Achird – przyjazny
Sadachbia – żywy 		Puck – radosny
Fenrir – podekscytowany
Aoede – lekki
Enceladus – cichy
Algieba – łagodny
Algenib – chropawy
Achernar – cichy
Gacrux – dojrzały
Zubenelgenubi – swobodny
Sadaltager – wiedzący 		Charon – informacyjny
Leda – młodzieńczy
Callirrhoe – spokojny
Iapetus – wyraźny
Despina – łagodny
Rasalgethi – informacyjny
Alnilam – stanowczy
Pulcherrima – bezpośredni
Vindemiatrix – delikatny
Sulafat – ciepły

Języki

Live API obsługuje te języki. Dowiedz się, jak wpływać na język odpowiedzi.

Język Kod BCP-47 Język Kod BCP-47
arabski (egipski) ar-EG niemiecki (Niemcy) de-DE
angielski (USA) en-US hiszpański (USA) es-US
francuski (Francja) fr-FR hindi (Indie) hi-IN
indonezyjski (Indonezja) id-ID włoski (Włochy) it-IT
japoński (Japonia) ja-JP koreański (Korea) ko-KR
portugalski (Brazylia) pt-BR rosyjski (Rosja) ru-RU
niderlandzki (Holandia) nl-NL polski (Polska) pl-PL
tajski (Tajlandia) th-TH turecki (Turcja) tr-TR
wietnamski (Wietnam) vi-VN rumuński (Rumunia) ro-RO
ukraiński (Ukraina) uk-UA bengalski (Bangladesz) bn-BD
angielski (Indie) pakiet en-IN i hi-IN marathi (Indie) mr-IN
tamilski (Indie) ta-IN telugu (Indie) te-IN