Límites y especificaciones de la API de Live


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

Especificaciones y límites generales

  • Entrada y salida compatibles (para obtener más detalles, consulta los formatos multimedia a continuación)

    • Entrada: texto, imágenes (no PDFs), audio, video
    • Salida: texto (transcripción) y audio (transmisión)

  • Herramientas compatibles: Llamada a función, fundamentación con Google Search y 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 la sesión

En el caso de Live API, una sesión hace referencia 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 finalizará la conexión. Sin embargo, ten en cuenta que Live API proporciona algunas opciones (consulta a continuación) para controlar estos límites relacionados con las sesiones.

  • La ventana de contexto de la sesión se limita a 128,000 tokens.

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

    • Las sesiones de entrada solo de audio tienen un límite de 15 minutos.
    • La entrada de audio y video se limita a 2 minutos.

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

    Recibirás una notificación de desconexión unos 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

El Live API tiene límites de frecuencia para las sesiones simultáneas por proyecto de Firebase y para 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 medios:

  • Entrada: Imágenes, audio, 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 por archivo (datos intercalados): 7 MB

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

Formatos de audio

La herramienta 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

El Live API espera una secuencia de fotogramas de imágenes 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 Live API no sea adecuado para los casos de uso que requieren analizar videos de cambios rápidos, como el desarrollo jugada por jugada en deportes de alta velocidad.

Voces de respuesta

El Live API admite 30 voces en HD sintetizadas diferentes, cada una con características distintivas. Puedes ver una lista de las opciones de voz de respuesta y escuchar demostraciones de cada voz expandiendo la siguiente sección.

Si no especificas una voz de respuesta, la predeterminada es Puck.

Obtén más información para especificar la voz de la respuesta.

Idiomas

Live API admite los siguientes idiomas. Obtén más 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 hi-IN y en-IN Maratí (India) mr-IN
Tamil (India) ta-IN Telugu (India) te-IN
Idiomas adicionales admitidos por los modelos de generación de audio 3.x
Idioma Código BCP-47 Idioma Código BCP-47
Afrikaans af Filipino fil
Albanés sq Finlandés fi
Amárico am Gallego gl
Armenio hy Georgiano ka
Azerí 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