Firebase AI Logic ব্যবহার করে Gemini Live API ব্যবহার শুরু করা


Gemini Live API দ্বিমুখী Gemini মডেলের সাথে কম লেটেন্সি, রিয়েল-টাইম ভয়েস ও ভিডিও ইন্টার‍্যাকশন করার সুবিধা দেয়।

Live API এবং এর বিশেষ মডেল ফ্যামিলি, অডিও, ভিডিও বা টেক্সটের একটানা স্ট্রিম প্রসেস করে, তৎক্ষণাৎ, মানুষের মতো উত্তর দেয়, যা আপনার ব্যবহারকারীদের জন্য একটি স্বাভাবিক কথোপকথনের অভিজ্ঞতা তৈরি করে।

এই পৃষ্ঠায় সবচেয়ে সাধারণ ক্ষমতা — স্ট্রিমিং অডিও ইনপুট ও আউটপুট নিয়ে কীভাবে শুরু করতে হয় তা বর্ণনা করা হয়েছে, তবে Live API অনেক আলাদা ক্ষমতা ও কনফিগারেশন বিকল্প কাজ করে।

Live API হল একটি স্টেটফুল API যা ক্লায়েন্ট ও Gemini সার্ভারের মধ্যে সেশন স্থাপন করতে WebSocket কানেকশন তৈরি করে। বিস্তারিত জানতে, Live API রেফারেন্স ডকুমেন্টেশন (Gemini Developer API | Agent Platform Gemini API (formerly Vertex AI)) দেখুন।

কোড স্যাম্পেলে যান

সহায়ক রিসোর্স চেক করে দেখুন

শুরু করার আগে

আপনি আগে থেকে না করে থাকলে, শুরু করার গাইড সম্পূর্ণ করুন, যা আপনার Firebase প্রোজেক্ট কীভাবে সেট-আপ করতে হয়, Firebase-এর সাথে আপনার অ্যাপ কানেক্ট করতে হয়, SDK যোগ করতে হয়, আপনার বেছে নেওয়া Gemini API প্রদানকারীর জন্য ব্যাকএন্ড পরিষেবা ইনিশিয়ালাইজ করতে হয় এবং একটি LiveModel ইনস্ট্যান্স তৈরি করতে হয় তা বর্ণনা করে।

আপনি প্রম্পট ও Live API-এর সাহায্যে Google AI Studio বা Agent  Studio-এ প্রোটোটাইপ তৈরি করতে পারবেন।

এই ক্ষমতা কাজ করে এমন মডেল

  • 3.x মডেল

    • Gemini Developer API

      • gemini-3.1-flash-live-preview

      এটি একটি প্রিভিউ মডেল হলেও, এটি Gemini Developer API-এর "ফ্রি টিয়ার" প্ল্যানে উপলভ্য।

    • Agent Platform Gemini API (formerly Vertex AI)

      Gemini Live 3.x মডেলের জন্য কোনও সহায়তা নেই

  • ২.৫ মডেল

    Gemini API প্রদানকারীর উপর নির্ভর করে মডেলের নাম আলাদা আলাদা হলেও, মডেলের ফিচার একই থাকে।

    • Gemini Developer API

      • gemini-2.5-flash-native-audio-preview-12-2025
      • gemini-2.5-flash-native-audio-preview-09-2025

      এগুলি প্রিভিউ মডেল হলেও, Gemini Developer API-এর "ফ্রি টিয়ার" প্ল্যানে উপলভ্য।

    • Agent Platform Gemini API (formerly Vertex AI)

      • gemini-live-2.5-flash-native-audio (ডিসেম্বর ২০২৫-এ রিলিজ করা হয়েছে)
      • gemini-live-2.5-flash-preview-native-audio-09-2025

      Agent Platform Gemini API (formerly Vertex AI) ব্যবহার করার সময়, Live API 2.5 মডেলগুলি global লোকেশনে উপলভ্য নেই।

অডিও ইনপুট ও আউটপুট স্ট্রিম করা

এই পৃষ্ঠায় প্রদানকারী-নির্দিষ্ট কন্টেন্ট ও কোড দেখতে আপনার Gemini API প্রদানকারীর আইকনে ক্লিক করুন।

স্ট্রিম করা অডিও ইনপুট পাঠানোর এবং স্ট্রিম করা অডিও আউটপুট পাওয়ার জন্য নিচে দেওয়া উদাহরণে প্রাথমিক প্রয়োগ দেখানো হয়েছে।

Live API-এর জন্য অতিরিক্ত বিকল্প ও ক্ষমতা সম্পর্কে জানতে, এই পৃষ্ঠার "আর কী কী করতে পারবেন?" বিভাগটি পরে পর্যালোচনা করুন।

Swift

Live API ব্যবহার করতে, একটি LiveModel ইনস্ট্যান্স তৈরি করুন এবং উত্তর মোডালিটি audio হিসেবে সেট করুন।


import FirebaseAILogic

// Initialize the Gemini Developer API backend service.
// Create a `liveModel` instance with a model that supports the Live API.
let liveModel = FirebaseAI.firebaseAI(backend: .googleAI()).liveModel(
  modelName: "GEMINI_LIVE_API_MODEL_NAME",
  // Configure the model to respond with audio.
  generationConfig: LiveGenerationConfig(
    responseModalities: [.audio]
  )
)

do {
  let session = try await liveModel.connect()

  // Load the audio file, or tap a microphone.
  guard let audioFile = NSDataAsset(name: "audio.pcm") else {
    fatalError("Failed to load audio file")
  }

  // Provide the audio data.
  await session.sendAudioRealtime(audioFile.data)

  var outputText = ""
  for try await message in session.responses {
    if case let .content(content) = message.payload {
      content.modelTurn?.parts.forEach { part in
        if let part = part as? InlineDataPart, part.mimeType.starts(with: "audio/pcm") {
          // Handle 16bit pcm audio data at 24khz
          playAudio(part.data)
        }
      }
      // Optional: if you don't need to send more requests.
      if content.isTurnComplete {
        await session.close()
      }
    }
  }
} catch {
  fatalError(error.localizedDescription)
}

Kotlin

Live API ব্যবহার করতে, একটি LiveModel ইনস্ট্যান্স তৈরি করুন এবং উত্তর মোডালিটি AUDIO হিসেবে সেট করুন।


// Initialize the Gemini Developer API backend service.
// Create a `liveModel` instance with a model that supports the Live API.
val liveModel = Firebase.ai(backend = GenerativeBackend.googleAI()).liveModel(
    modelName = "GEMINI_LIVE_API_MODEL_NAME",
    // Configure the model to respond with audio.
    generationConfig = liveGenerationConfig {
        responseModality = ResponseModality.AUDIO
   }
)

val session = liveModel.connect()

// This is the recommended approach.
// However, you can create your own recorder and handle the stream.
session.startAudioConversation()

Java

Live API ব্যবহার করতে, একটি LiveModel ইনস্ট্যান্স তৈরি করুন এবং উত্তর মোডালিটি AUDIO হিসেবে সেট করুন।


ExecutorService executor = Executors.newFixedThreadPool(1);
// Initialize the Gemini Developer API backend service.
// Create a `liveModel` instance with a model that supports the Live API.
LiveGenerativeModel lm = FirebaseAI.getInstance(GenerativeBackend.googleAI()).liveModel(
        "GEMINI_LIVE_API_MODEL_NAME",
        // Configure the model to respond with audio.
        new LiveGenerationConfig.Builder()
                .setResponseModality(ResponseModality.AUDIO)
                .build()
);
LiveModelFutures liveModel = LiveModelFutures.from(lm);

ListenableFuture<LiveSession> sessionFuture =  liveModel.connect();

Futures.addCallback(sessionFuture, new FutureCallback<LiveSession>() {
    @Override
    public void onSuccess(LiveSession ses) {
	 LiveSessionFutures session = LiveSessionFutures.from(ses);
        session.startAudioConversation();
    }
    @Override
    public void onFailure(Throwable t) {
        // Handle exceptions
    }
}, executor);

Web

Live API ব্যবহার করতে, একটি LiveGenerativeModel ইনস্ট্যান্স তৈরি করুন এবং উত্তর মোডালিটি AUDIO হিসেবে সেট করুন।


import { initializeApp } from "firebase/app";
import { getAI, getLiveGenerativeModel, GoogleAIBackend, ResponseModality } from "firebase/ai";

// TODO(developer): Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
  // ...
};

// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);

// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });

// Create a `LiveGenerativeModel` instance with a model that supports the Live API.
const liveModel = getLiveGenerativeModel(ai, {
  model: "GEMINI_LIVE_API_MODEL_NAME",
  // Configure the model to respond with audio.
  generationConfig: {
    responseModalities: [ResponseModality.AUDIO],
  },
});

const session = await liveModel.connect();

// Start the audio conversation.
const audioConversationController = await startAudioConversation(session);

// ... Later, to stop the audio conversation
// await audioConversationController.stop()

Dart

Live API ব্যবহার করতে, একটি LiveGenerativeModel ইনস্ট্যান্স তৈরি করুন এবং উত্তর মোডালিটি audio হিসেবে সেট করুন।


import 'package:firebase_ai/firebase_ai.dart';
import 'package:firebase_core/firebase_core.dart';
import 'firebase_options.dart';
import 'package:your_audio_recorder_package/your_audio_recorder_package.dart';

late LiveModelSession _session;
final _audioRecorder = YourAudioRecorder();

await Firebase.initializeApp(
  options: DefaultFirebaseOptions.currentPlatform,
);

// Initialize the Gemini Developer API backend service.
// Create a `liveGenerativeModel` instance with a model that supports the Live API.
final liveModel = FirebaseAI.googleAI().liveGenerativeModel(
  model: 'GEMINI_LIVE_API_MODEL_NAME',
  // Configure the model to respond with audio.
  liveGenerationConfig: LiveGenerationConfig(
    responseModalities: [ResponseModalities.audio],
  ),
);

_session = await liveModel.connect();

final audioRecordStream = _audioRecorder.startRecordingStream();
// Map the Uint8List stream to InlineDataPart stream.
final mediaChunkStream = audioRecordStream.map((data) {
  return InlineDataPart('audio/pcm', data);
});
await _session.startMediaStream(mediaChunkStream);

// In a separate thread, receive the audio response from the model.
await for (final message in _session.receive()) {
   // Process the received message.
}

Unity

Live API ব্যবহার করতে, একটি LiveModel ইনস্ট্যান্স তৈরি করুন এবং উত্তর মোডালিটি Audio হিসেবে সেট করুন।


using Firebase;
using Firebase.AI;

async Task SendTextReceiveAudio() {
  // Initialize the Gemini Developer API backend service.
  // Create a `LiveModel` instance with a model that supports the Live API.
  var liveModel = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI()).GetLiveModel(
      modelName: "GEMINI_LIVE_API_MODEL_NAME",
      // Configure the model to respond with audio.
      liveGenerationConfig: new LiveGenerationConfig(
          responseModalities: new[] { ResponseModality.Audio })
    );

  LiveSession session = await liveModel.ConnectAsync();

  // Start a coroutine to send audio from the Microphone.
  var recordingCoroutine = StartCoroutine(SendAudio(session));

  // Start receiving the response.
  await ReceiveAudio(session);
}

IEnumerator SendAudio(LiveSession liveSession) {
  string microphoneDeviceName = null;
  int recordingFrequency = 16000;
  int recordingBufferSeconds = 2;

  var recordingClip = Microphone.Start(microphoneDeviceName, true,
                                       recordingBufferSeconds, recordingFrequency);

  int lastSamplePosition = 0;
  while (true) {
    if (!Microphone.IsRecording(microphoneDeviceName)) {
      yield break;
    }

    int currentSamplePosition = Microphone.GetPosition(microphoneDeviceName);

    if (currentSamplePosition != lastSamplePosition) {
      // The Microphone uses a circular buffer, so we need to check if the
      // current position wrapped around to the beginning, and handle it accordingly.
      int sampleCount;
      if (currentSamplePosition > lastSamplePosition) {
        sampleCount = currentSamplePosition - lastSamplePosition;
      } else {
        sampleCount = recordingClip.samples - lastSamplePosition + currentSamplePosition;
      }

      if (sampleCount > 0) {
        // Get the audio chunk.
        float[] samples = new float[sampleCount];
        recordingClip.GetData(samples, lastSamplePosition);

        // Send the data, discarding the resulting Task to avoid the warning.
        _ = liveSession.SendAudioAsync(samples);

        lastSamplePosition = currentSamplePosition;
      }
    }

    // Wait for a short delay before reading the next sample from the Microphone.
    const float MicrophoneReadDelay = 0.5f;
    yield return new WaitForSeconds(MicrophoneReadDelay);
  }
}

Queue<float> audioBuffer = new();

async Task ReceiveAudio(LiveSession liveSession) {
  int sampleRate = 24000;
  int channelCount = 1;

  // Create a looping AudioClip to fill with the received audio data.
  int bufferSamples = (int)(sampleRate * channelCount);
  AudioClip clip = AudioClip.Create("StreamingPCM", bufferSamples, channelCount,
                                    sampleRate, true, OnAudioRead);

  // Attach the clip to an AudioSource and start playing it.
  AudioSource audioSource = GetComponent<AudioSource>();
  audioSource.clip = clip;
  audioSource.loop = true;
  audioSource.Play();

  // Start receiving the response.
  await foreach (var message in liveSession.ReceiveAsync()) {
    // Process the received message
    foreach (float[] pcmData in message.AudioAsFloat) {
      lock (audioBuffer) {
        foreach (float sample in pcmData) {
          audioBuffer.Enqueue(sample);
        }
      }
    }
  }
}

// This method is called by the AudioClip to load audio data.
private void OnAudioRead(float[] data) {
  int samplesToProvide = data.Length;
  int samplesProvided = 0;

  lock(audioBuffer) {
    while (samplesProvided < samplesToProvide && audioBuffer.Count > 0) {
      data[samplesProvided] = audioBuffer.Dequeue();
      samplesProvided++;
    }
  }

  while (samplesProvided < samplesToProvide) {
    data[samplesProvided] = 0.0f;
    samplesProvided++;
  }
}



দাম ও টোকেন গণনা

আপনার বেছে নেওয়া Gemini API প্রদানকারীর ডকুমেন্টেশনে Live API মডেলের মূল্য সংক্রান্ত তথ্য পাবেন: Gemini Developer API | Agent Platform Gemini API (formerly Vertex AI).

আপনার Gemini API পরিষেবা প্রদানকারী যাই হোক না কেন, Live API-এ Count Tokens API কাজ করে না।



আপনি আর কী করতে পারেন?

  • Live API-এর জন্য ক্ষমতার সম্পূর্ণ স্যুট চেক করে দেখুন, যেমন বিভিন্ন ইনপুট মোডালিটি (অডিও, টেক্সট বা ভিডিও + অডিও) স্ট্রিম করা।

  • বিভিন্ন কনফিগারেশন বিকল্প ব্যবহার করে আপনার প্রয়োগ কাস্টমাইজ করুন, যেমন ট্রান্সক্রিপশন যোগ করা বা উত্তরের ভয়েস সেট করা।

  • সেশন ম্যানেজ করা সম্পর্কে জানুন, এর মধ্যে রয়েছে সেশনের মাঝখানে কন্টেন্ট আপডেট করা, কনটেক্সট উইন্ডো কম্প্রেস করা, সেশন শেষ হতে চলেছে কিনা তা শনাক্ত করা এবং সেশন আবার চালু করা।

  • Google Search-এর মতো টুল, যেমন ফাংশন কলিং ও গ্রাউন্ডিংয়ে মডেলকে অ্যাক্সেস দিয়ে আপনার ইমপ্লিমেন্টেশনকে আরও উন্নত করুন। Live API-এর সাথে টুল ব্যবহার করার অফিসিয়াল ডকুমেন্টেশন শীঘ্রই আসছে!

  • Live API ব্যবহার করার জন্য সীমা ও স্পেসিফিকেশন সম্পর্কে জানুন, যেমন সেশনের দৈর্ঘ্য, রেট লিমিট, মানানসই ভাষা ইত্যাদি।