محدودیت‌ها و مشخصات «میانای برنامه‌سازی کاربردی زنده»

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

مشخصات و محدودیت‌های کلی

• ورودی و برونداد پشتیبانی‌شده: (برای جزئیات، قالب‌های رسانه در زیر را ببینید)

  • ورودی: نوشتار، تصویر (نه PDF)، صدا، ویدیو
  • برونداد: نوشتار (ترانویسی) و صدا (جاری‌سازی)

• ابزارهای پشتیبانی‌شده: فراخوانی تابع، «زمینه‌سازی» با Google Search، «زمینه‌سازی» با Google Maps

• تاریخ قطع دانش: ژانویه ۲۰۲۵

‫Live API از تولید برونداد ساختاریافته (مثل JSON) یا «میانای برنامه‌سازی کاربردی شمارش نشانه‌ها» پشتیبانی نمی‌کند.

محدودیت‌های مربوط به جلسه

برای Live API، جلسه به اتصالی پایدار اشاره دارد که در آن ورودی و برونداد به‌طور مداوم ازطریق اتصال جاری‌سازی می‌شوند.

اگر جلسه از هریک از محدودیت‌های زیر فراتر رود، اتصال قطع می‌شود. بااین‌حال، توجه داشته باشید که Live API گزینه‌هایی (در زیر ببینید) برای مدیریت این محدودیت‌های مربوط به جلسه ارائه می‌دهد.

• پنجره زمینه‌ای جلسه به ۱۲۸ هزار داده‌واحد محدود است.

  به‌دلیل این محدودیت پنجره بافت، در اینجا حداکثر طول تقریبی جلسه براساس روش‌های ورودی آورده شده است:

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

• طول اتصال به حدود ۱۰ دقیقه محدود است.

  حدود ۶۰ ثانیه قبل‌از پایان اتصال، اعلان رفتن دریافت خواهید کرد.

در اینجا چند گزینه برای مدیریت محدودیت‌های مربوط به جلسه ارائه شده است:

• فشرده کردن پنجره بافت جلسه به‌طوری‌که سرور به‌طور خودکار اندازه بافت را در محدوده مجاز حفظ کند.

• برای جلوگیری از ازدست دادن بافت مکالمه درطول قطع‌های کوتاه شبکه یا پس‌از دریافت اعلان رفتن، جلسه را ازسر بگیرید.

درباره مدیریت جلسات بیشتر بدانید.

محدودیت‌های نرخ

‫Live API برای هر دو جلسه هم‌زمان در هر پروژه Firebase و همچنین تعداد نشان در دقیقه (TPM) محدودیت نرخ دارد.

• Gemini Developer API:

  • محدودیت‌ها براساس Gemini Developer API «سطح استفاده» پروژه شما متفاوت است (به اسناد محدودیت نرخ آن‌ها مراجعه کنید)

• Agent Platform Gemini API (formerly Vertex AI):

  • ‫۱٬۰۰۰ جلسه هم‌زمان در هر پروژه Firebase
  • ‫۴ میلیون داده‌واحد در دقیقه

قالب‌های رسانه

‫Live API از انواع رسانه زیر پشتیبانی می‌کند:

• ورودی: تصاویر، صدا، ویدیو
• برونداد: صوتی

قالب‌های تصویر

‫Live API از موارد زیر برای ورودی تصویر پشتیبانی می‌کند:

• حداکثر تصاویر در هر پیام‌واره: ۳٬۰۰۰

• حداکثر اندازه فایل برای هر فایل (داده‌های درون‌خطی): ۷ مگابایت

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

قالب‌های صوتی

Live API از قالب‌های صوتی زیر پشتیبانی می‌کند:

• قالب صوتی ورودی: صدای PCM خام ۱۶ بیتی در ۱۶ کیلوهرتز با ترتیب بایت کوچک

• قالب صوتی برونداد: صدای PCM 16 بیتی خام در 24 کیلوهرتز little-endian

• انواع MIME پشتیبانی‌شده: 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 نمونه صدای ورودی، نوع MIME هر Blob حاوی صدا را روی مقداری مانند audio/pcm;rate=16000 تنظیم کنید.

قالب‌های ویدیو

Live API انتظار توالی فریم‌های تصویر گسسته را دارد و از ورودی فریم‌های ویدیو با نرخ ۱ فریم در ثانیه (FPS) پشتیبانی می‌کند.

• ورودی توصیه‌شده: وضوح ۷۶۸x۷۶۸ بومی با نرخ ۱ فریم در ثانیه.

• انواع MIME پشتیبانی‌شده: 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 موارد استفاده‌ای که نیاز به تجزیه‌وتحلیل ویدیوهای با تغییرات سریع دارند، مانند بازی‌به‌بازی در ورزش‌های پرسرعت، نامناسب می‌کند.

صداهای پاسخ

‫Live API از ۳۰ صدای HD مصنوعی مختلف پشتیبانی می‌کند که هرکدام ویژگی‌های متمایز دارند. با ازهم بازکردن بخش زیر، می‌توانید فهرست گزینه‌های صدای پاسخ را ببینید و صدای نمایشی هر صدا را بشنوید

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

با نحوه مشخص کردن صدای پاسخ آشنا شوید.

مشاهده فهرست گزینه‌های صدای پاسخ و شنیدن نمایش‌های نمونه

نام صدا	شرح	جنسیت	پخش نمایشی
Achernar	ملایم	مؤنث
Achird	دوستانه	مذکر
Algenib	خش‌دار	مذکر
Algieba	یکنواخت	مذکر
Alnilam	شرکت	مذکر
Aoede	خنک	مؤنث
Autonoe	روشن	مؤنث
Callirrhoe	آسان‌گیر	مؤنث
Charon	آموزنده است	مذکر
Despina	یکنواخت	مؤنث
Enceladus	زمزمه‌وار	مذکر
Erinome	پاک کردن	مؤنث
Fenrir	زودبرانگیخته	مذکر
Gacrux	بزرگسال	مؤنث
Iapetus	پاک کردن	مذکر
Kore	شرکت	مؤنث
Laomedeia	بانشاط	مؤنث
Leda	جوان‌پسند	مؤنث
Orus	شرکت	مذکر
Puck	بانشاط	مذکر
Pulcherrima	بازارسال	مؤنث
Rasalgethi	آموزنده است	مذکر
Sadachbia	پرنشاط	مذکر
Sadaltager	آگاهانه	مذکر
Schedar	زوج	مذکر
Sulafat	گرم	مؤنث
Umbriel	آسان‌گیر	مذکر
Vindemiatrix	آرام	مؤنث
Zephyr	روشن	مؤنث
Zubenelgenubi	راحت	مذکر

زبان‌ها

‫Live API از زبان‌های زیر پشتیبانی می‌کند. با نحوه تأثیرگذاری بر زبان پاسخ آشنا شوید.

زبان‌های پشتیبانی‌شده توسط همه مدل‌های تولید صدا

زبان	کد BCP-47	زبان	کد BCP-47
عربی (مصری)	ar-EG	آلمانی (آلمان)	de-DE
انگلیسی (امریکا)	en-US	اسپانیایی (ایالات متحده)	es-US
فرانسوی (فرانسه)	fr-FR	هندی (هند)	hi-IN
اندونزیایی (اندونزی)	id-ID	ایتالیایی (ایتالیا)	it-IT
ژاپنی (ژاپن)	ja-JP	کره‌ای (کره)	ko-KR
پرتغالی (برزیل)	pt-BR	روسی (روسیه)	ru-RU
هلندی (هلند)	nl-NL	لهستانی (لهستان)	pl-PL
تایلندی (تایلند)	th-TH	ترکی (ترکیه)	tr-TR
ویتنامی (ویتنام)	vi-VN	رومانیایی (رومانی)	ro-RO
اوکراینی (اوکراین)	uk-UA	بنگالی (بنگلادش)	bn-BD
انگلیسی (هند)	بسته en-IN و hi-IN	مراتی (هند)	mr-IN
تامیلی (هند)	ta-IN	تلوگو (هند)	te-IN

زبان‌های اضافی پشتیبانی‌شده توسط مدل‌های 3.x تولیدکننده صدا

زبان	کد BCP-47	زبان	کد BCP-47
آفریکانس	af	فیلیپینی	fil
آلبانیایی	sq	فنلاندی	fi
آمهاریک	am	گالیسی	gl
ارمنی	hy	گرجستانی	ka
آذربایجانی	az	یونانی	el
باسک	eu	گجراتی	gu
بلاروسی	be	کرئول هائیتی	ht
بلغاری	bg	عبری	او
برمه‌ای	my	مجاری	hu
Catalan	ca	ایسلندی	is
سبوانو	ceb	جاوه‌ای	jv
چینی، ماندارین	cmn	کنادا	kn
کرواتی	hr	کونکانی	kok
چک	cs	لائوسی	lo
دانمارکی	da	لاتین	لا
استونیایی	et	لتونیایی	lv
Lithuanian	lt	لوگزامبورگی	پوند
مقدونی	mk	مایتیلی	مه
مالاگاسی	میلی‌گرم	مالایایی	ms
Malayalam	ml	مغولی	mn
Nepali	ne	نروژی، بوکمال	nb
نروژی، نی‌نورسک	nn	اودیا	یا
پشتو	ps	فارسی	fa
پنجابی	pa	صربی	sr
سیندهی	sd	سینهالی	si
Slovak	sk	Slovenian	sl
سواحیلی	sw	Swedish	sv
اردو	ur