gemini-live-audio

Name: gemini-live-audio
Author: calesthio

github.com/calesthio开发219105 次安装15 周前更新

代码仓库

关于 gemini-live-audio

gemini-live-audio 是面向实时语音交互的 Gemini Live API 使用技能，适用于构建支持轮流对话、打断和工具调用的语音体验。它涵盖双向流式会话的媒体传输、会话管理和工具响应处理，并区分不同部署与翻译模式。

主要功能

01通过 WebSocket 进行双向实时会话
02处理音频、图像及文本流
03配置转写、语音和轮次检测
04支持打断与函数调用流程
05管理会话恢复及部署边界

适用场景

01构建实时语音助手或接待系统
02在对话中调用函数或工具
03为语音交互提供字幕和记录
04搭建实时语音翻译流程

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/calesthio/generative-media-skills --skill gemini-live-audio

安装后在 Claude Code 中输入/gemini-live-audio确认已加载。

附带文件EVAL.md

详细介绍

Gemini Live 音频

当任务涉及实时语音交互，而非批量生成旁白时，请使用此技能。Gemini Live 面向双向会话：输入麦克风音频或流式媒体，输出模型语音，并处理轮流发言、中断、工具和会话生命周期等问题。如果交付内容是完成的配音、有声书、播客旁白或离线转录，除非用户明确需要实时轮流发言，否则应优先选择 TTS 或语音转文本技能。

以下所有时效性信息均已于 2026-07-10 根据 Google AI 和 Google Cloud 官方文档核实。模型名称、预览版/正式发布状态、价格、速率限制、支持区域和治理控制经常变化；在生产环境上线、做出采购承诺或部署到受监管环境前，请重新查阅官方文档。

已记录的事实

产品当前形态

Gemini Live API 是一种有状态的 WebSocket API，适用于低延迟语音和视觉交互。它可以处理连续的音频、图像、文本流；API 参考文档中还提到视频。它会返回语音/音频输出，并且可根据配置和模型返回文本/函数调用事件。
Google AI Live API 页面目前指出，Interactions API 已正式发布，并建议使用它来获取最新功能和模型。请将此技能视为专用于 Live API 的指南；对于从零开始构建的生产级 Agent，请先确认 Google 推荐使用 Live API 还是 Interactions API，再确定架构。
Google AI Developer API 文档将 Live API 标记为预览版。Google Cloud / Gemini Enterprise Agent Platform 文档则单独说明了 Vertex/企业版的可用性，以及正式发布的 Gemini 2.5 Flash Native Audio 模型。请将 Developer API 和 Gemini Enterprise Agent Platform 视为不同的部署平台，它们在身份验证、条款、区域、治理、配额和支持方面均有差异。
截至 2026-07-10，文档记录的主要 Live Agent 模型系列包括 Developer API 文档中的 gemini-3.1-flash-live-preview，以及 Gemini Enterprise Agent Platform 文档中的 gemini-live-2.5-flash-native-audio / Gemini 2.5 Flash Live API Native Audio。Live Translation 单独记录为 gemini-3.5-live-translate-preview。
当模型是能够推理、提问、调用工具并处理轮次的助手时，请使用 Live Agent 模式。当模型是口译流程——输入一种语言的音频，输出另一种语言的译音——时，请使用 Live Translation 模式。文档说明，Live Translation 仅支持音频，且仅用于翻译，并非由工具/指令驱动的 Agent 平台。

媒体与传输边界

传输：持久 WSS 会话。使用 SDK 时，采用 Live 连接／会话抽象；使用原始 WebSocket 时，连接到文档所述的 BidiGenerateContent 端点，并自行管理 JSON 消息、设置、实时输入、服务端内容、工具调用和关闭。
会话设置在连接开始时完成。初始设置消息／配置包括模型、响应模态、生成参数、系统指令和工具。不要假设可以在连接中自由更改模型；对于重大变更，应设计重新连接／恢复路径。
音频输入：原始小端序 16 位 PCM。原生输入采样率为 16 kHz；文档称 Live API 可以重采样，但生产环境中的客户端除非有经过测量的理由，否则应发送 audio/pcm;rate=16000。
音频输出：原始小端序 16 位 PCM，采样率为 24 kHz。
将麦克风音频切分为较小的帧。Google 的最佳实践建议使用 20-40 ms 的分块以降低延迟，并警告不要大量缓冲输入。除非有意牺牲延迟来换取稳定性，否则客户端缓冲的实际上限为 100 ms。
Developer API 概览文档说明，图像为 JPEG 格式，最高支持 1 FPS。视频／图像输入支持情况及定价因模型和服务平台而异；在承诺支持实时屏幕共享、摄像头或帧输入前，请核实具体模型页面。
原生音频 Live 模型支持音频响应模态。如果产品需要获取模型口述回答的文本，请启用输出音频转写，不要假设原生音频响应会输出文本。

转写、语言、语音与轮次交接

启用会话配置后，Live API 支持转写用户输入和模型输出的音频。可将这些转写用于 UI 字幕、日志、QA 和交接摘要；未经单独验证，不要将其宣传为可用于法庭的转写稿。
Developer 文档列出了 Live 对多种语言的广泛支持；概览强调语音 Agent 用例支持 70 种语言，而功能页面目前列出支持 97 种语言。原生音频模型可以自然切换语言；如需限制语言行为，请在系统指令中指定输出语言。非原生／级联模型可以使用 speech_config.language_code。
语音选择通过 speechConfig.voiceConfig.prebuiltVoiceConfig.voiceName 配置。官方文档为 Gemini Live API / Native Audio（Vertex）列出了 30 种语音选项，并指出原生音频模型可以使用 AI Studio 中可用的 TTS 语音集。提供具体语音名称前，请务必核实当前语音列表。
支持用户插话。当用户在模型说话时开口，服务端可以发送中断信号。客户端必须立即停止／丢弃排队的播放内容；否则用户会听到过时音频，并觉得系统没有理会自己。
可以配置自动 VAD，也可以禁用自动 VAD，由客户端发送 activityStart 和 activityEnd。使用自动 VAD 时，prefixPaddingMs 可保护词语的起始部分，silenceDurationMs 控制轮次结束延迟。Google 文档指出，500-800 ms 的静音时长是较好的平衡，并警告过低的阈值会导致话语被截断；手动 VAD 应包含说话前的上下文，并避免过于激进地截断语音结束部分。
Proactive Audio 和 Affective Dialog 是 Gemini 2.5 Flash Live API Native Audio 文档所述的原生音频功能。只有在获得用户明确同意并制定 QA 计划后，才将其用于环境感知或面向设备的体验；这些功能会改变系统响应的时机和原因。

工具和 Agent 行为

Live API 支持函数调用和 Google Search grounding。它并不支持所有非 Live 工具；截至 2026-06-01 的 Live 工具页面上，官方工具表列出的 Google Maps、代码执行和 URL context 均不受所比较的 Live 模型支持。
与某些非 Live SDK 工作流不同，Live API 不会自动处理工具响应。客户端必须接收工具调用事件、执行／调度允许的函数，并将 FunctionResponse 对象发回。
不同模型的工具行为有所不同。文档列出，Gemini 3.1 Flash Live Preview 的函数调用仅支持同步方式，而 Gemini 2.5 Flash Live Preview 支持同步和异步函数调用。除非所选模型官方支持非阻塞工具，否则不要承诺提供此类工具。
对于支持的非阻塞工具，应审慎设计函数声明和响应调度方式：中断、等到空闲，或静默存储／稍后使用。时机不当的工具响应可能会导致 Agent 打断敏感语音，或忽略重要事件。
使用 Google Search grounding 可以提升信息的时效性，但也涉及定价和数据保留方面的影响。在隐私敏感或零保留范围内，请确认是否允许使用 Search grounding。

会话、身份验证、费用、配额和治理

如果不压缩上下文窗口，文档中说明的会话时长限制为：仅音频会话 15 分钟，音频+视频会话 2 分钟。Google 还说明，连接的生命周期约为 10 分钟。对于生产环境中的长时间会话，请使用上下文窗口压缩和会话恢复。
会话恢复需要接收并存储恢复句柄/令牌，并使用最新句柄重新连接。Developer API 文档提到恢复令牌的有效期为 2 小时；Gemini Enterprise 零数据保留文档称，Live 会话恢复会存储缓存数据，包括文本/视频/音频提示数据和模型输出，最长 24 小时。请将这些视为特定服务界面的规则，并在承诺数据保留期限前进行核实。
不同模型类别的上下文窗口各不相同：Google 文档列出的原生音频输出模型为 128k 个令牌，其他 Live 模型为 32k 个令牌。音频令牌累积很快；Google 文档按每秒约 25 个令牌计价/计数音频。
速率限制按项目计算，并随模型和使用层级而异。实验版/预览版模型通常有更严格的速率限制。进行负载测试前，请在 AI Studio 或 Google Cloud 中查看当前限制。
Developer API 在 2026-07-10 列出的付费价格中，gemini-3.1-flash-live-preview 的价格为：每百万个文本输入令牌 $0.75、每百万个音频输入令牌 $3.00（约每分钟 $0.005）、每百万个图像/视频输入令牌 $1.00（约每分钟 $0.002）、每百万个文本输出令牌 $4.50，以及每百万个音频输出令牌 $12.00（约每分钟 $0.018）。根据每秒 25 个音频令牌计算，Live Translate 音频的输入/输出合计价格约为每分钟 $0.0368。引用价格前请再次核实。
Developer API 免费层的内容可能会被用于改进 Google 产品；文档说明付费层的内容不会用于改进产品。启用后，Developer API 日志可能会因项目日志记录而保留；滥用监控/grounding 另有各自的保留规则。对于受监管的用户，请评估 Gemini Enterprise Agent Platform，而不要默认使用 API 密钥。
Gemini Enterprise Agent Platform 使用 Google Cloud 身份验证/IAM、区域/全球端点、企业支持/SLA 选项、预配吞吐量和数据驻留控制。仅选择端点并不能保证数据驻留；Cloud 文档区分了端点路由与静态数据及 ML 处理方面的承诺。全球端点可最大限度提高可用性/降低延迟，但不提供区域隔离。
要在 Gemini Enterprise Agent Platform 上实现零数据保留，请勿启用请求-响应日志记录或 Live 会话恢复，了解滥用监控的例外情况，并考虑内存缓存设置。对于 Developer API 的 ZDR，付费服务有训练限制，但 Search/Maps grounding 和滥用监控有各自的保留限制。

实证/运维观察

此技能未附带任何第一方基准测试。请勿编造延迟或质量数据。如果用户关注延迟，请在目标网络、浏览器/设备、模型和部署服务界面上进行项目专属测量。

生产语音系统的运维观察结果，必须在目标应用中验证：

感知延迟通常主要由麦克风采集、VAD 语音结束延迟、客户端缓冲、播放调度和重连处理决定，而不只是模型推理。
如果插话处理导致输出缓冲区中残留过时音频，即使演示效果出色，也可能无法在生产环境中正常运行。
与文本聊天相比，Live 函数调用需要更严格的架构和流程设计，因为用户通过语音交互时，难以在操作执行前检查或编辑参数。
应分别测试实时翻译和语音 Agent 行为；适用于强大助手的设置可能并不适合翻译，因为翻译需要低延迟的持续流式传输，而不是需要深思熟虑的轮次。

生产环境启发式建议

选择合适的 Gemini Live 模式

当用户需要以下功能时，使用 Gemini Live Agent：

语音助手、教练、导师、礼宾人员、采访者、接待员、NPC、操作员或视觉辅助 Agent；
插话和自然的轮流对话；
实时使用工具／调用函数；
对话中的屏幕／摄像头／图像上下文；
语音互动的同时显示转录文本。

当用户需要以下功能时，使用 Live Translation：

低延迟的语音到语音口译；
从源语言到目标语言的音频转换；
不需要工具、Agent 操作、多模态推理，也不需要超出口译行为的、过多依赖特定人设的对话。

当用户需要以下功能时，不要将 Gemini Live 作为主要工具：

精心制作的预录旁白文件；
为现有视频确定性地生成字幕；
带词级时间戳的离线批量转录；
长篇音频母带处理、音乐或音效；
未经法律审核同意、录音、保留期限和升级处理要求的受监管呼叫中心部署。

架构选择

对于原型和可信的服务端环境，后端到 Gemini 的 WebSocket 方案最简单：

浏览器／移动端采集麦克风音频，以及可选的摄像头／屏幕帧。
客户端通过 WebRTC/WebSocket 将数据流传输到你的后端。
后端向 Gemini 进行身份验证，应用策略／工具限制，并转发获准的媒体。
后端返回音频块、转录事件、工具调用确认和状态更新。

若要实现客户端直连 Gemini 的最低延迟，请使用临时令牌：

客户端向你的后端进行身份验证。
后端请求临时令牌，最好将令牌限制在指定模型／配置／工具策略范围内。
客户端使用该令牌打开 Live API WebSocket。
后端仍负责控制工具执行、用户身份、日志记录策略和升级处理。

只有在仍能保护密钥、限制可用工具、记录用户同意并监控滥用行为时，才优先选择客户端直连 Gemini。切勿在浏览器或移动应用中放入长期有效的 API 密钥。

语音 Agent 的系统指令设计

将 Live Agent 指令写成操作策略，而不是长篇说明：

人设和角色：Agent 的身份、声音／语气、领域和语言。
对话流程：哪些问题只问一次、哪些内容可以重复，以及何时进行总结。
工具策略：每个函数的确切调用条件、执行有实质影响的操作前必须获得的确认，以及等待期间应说什么。
安全／同意边界：录音告知、紧急情况处理限制、隐私和升级处理。
回复风格：语音回复简短、每次只问一个问题、不使用 Markdown、不透露隐藏的思维链。

对于语音体验，默认应保持回复简短。每轮只问一个问题。调用会花费资金、更改账户、进行预订、发送消息或披露敏感数据的工具前，先用语音确认高风险事实。

音频和延迟设置

除非测量结果表明需要调整，否则请从以下设置开始：

输入格式：单声道 PCM16 小端序，采样率为 16 kHz；
输出播放：PCM16，采样率为 24 kHz；
输入块大小：20-40 ms；
自动 VAD 静音时长：500-800 ms；
前缀填充：设置为非零值；通过首音节被截断的测试进行调整；
客户端输入缓冲区：在网络连接稳定的前提下尽可能小，通常低于 100 ms；
播放缓冲区：设置为足以避免咔嗒声／中断，但在被打断时立即丢弃；
会话生命周期：长时间通话时启用上下文压缩；实现 GoAway 和重新连接／恢复逻辑。

语音工具调用安全

在向用户开放工具前，先对其分类：

只读工具：天气、订单状态、产品查询。用户提出请求时，通常可以直接运行，无需确认。
低影响写入工具：创建草稿、添加备注、设置提醒。如果内容很重要，则需确认。
高影响写入工具：购买、提交表单、取消服务、发送消息、解锁门、更新财务／健康／法律数据。必须明确确认，并口头概述参数。
后台工具：长时间搜索、CRM 查询、RAG、创建工单。仅在模型支持且用户体验仍然易于理解时，才以非阻塞方式使用。

将函数架构设计得范围明确。包含枚举、单位、区域设置、时区、不可逆／操作标记，以及工具响应中面向用户的确认文本。不要依赖模型根据函数名称推断策略。

治理与同意

在将 Live 音频体验投入生产前，请记录：

音频是录制还是仅串流；
是否存储转录文本、存储多久，以及谁可以访问；
应用使用的是 Developer API 免费层、付费层还是 Gemini Enterprise Agent Platform；
grounding、日志记录、会话恢复或缓存是否会改变数据保留情况；
是否告知用户他们正在与 AI 对话；
当地法律是否要求通话录音获得双方同意；
针对紧急情况、未成年人、医疗／法律／财务建议或虐待问题的升级处理路径。

关于语音相似度和媒体权利，除非 Google 明确支持该工作流，且用户已记录相关权利／同意，否则不要暗示 Gemini 语音是克隆的人类语音。避免未经授权的提示词，模仿真人、名人、员工或客户。

完整示例

示例 1：带订单查询功能的零售支持语音 Agent

生产目标：低延迟语音助手回答产品和订单相关问题、查询订单状态，并且仅在获得确认后创建退货标签。

适用模式：Gemini Live Agent，而非 Live Translation。

需验证的模型／平台：在 Developer API 上使用 gemini-3.1-flash-live-preview 进行原型开发；对于生产支持、IAM、数据驻留以及支持／SLA，请考虑使用 Gemini Enterprise Agent Platform。

输入和限制：

浏览器麦克风，面向英语和西班牙语用户，无摄像头。
需要转录文本用于支持质量检查。
只读工具 get_order_status(order_id, postal_code)。
写入工具 create_return_label(order_id, reason) 需要确认。
不修改付款信息，不提供医疗／法律建议。

会话配置示意：

{
  "model": "gemini-3.1-flash-live-preview",
  "response_modalities": ["AUDIO"],
  "output_audio_transcription": {},
  "input_audio_transcription": {},
  "speech_config": {
    "voice_config": {
      "prebuilt_voice_config": { "voice_name": "Kore" }
    }
  },
  "realtime_input_config": {
    "automatic_activity_detection": {
      "prefix_padding_ms": 300,
      "silence_duration_ms": 700
    }
  },
  "tools": [
    {
      "function_declarations": [
        {
          "name": "get_order_status",
          "description": "Look up status for an authenticated order when the user provides order ID and postal code.",
          "parameters": {
            "type": "object",
            "properties": {
              "order_id": { "type": "string" },
              "postal_code": { "type": "string" }
            },
            "required": ["order_id", "postal_code"]
          }
        },
        {
          "name": "create_return_label",
          "description": "Create a return shipping label only after the user explicitly confirms the order ID and return reason.",
          "parameters": {
            "type": "object",
            "properties": {
              "order_id": { "type": "string" },
              "reason": { "type": "string" },
              "confirmed_by_user": { "type": "boolean" }
            },
            "required": ["order_id", "reason", "confirmed_by_user"]
          }
        }
      ]
    }
  ]
}

系统指令摘录：

You are Mira, a concise retail support voice assistant.
Speak in the user's language when you can do so clearly.
Ask one question at a time. Keep spoken answers under 20 seconds unless the user asks for detail.
For order lookup, collect order ID and postal code, then call get_order_status.
Before creating a return label, summarize the order ID and reason, ask "Should I create the return label now?", and call create_return_label only if the user explicitly says yes.
Never ask for full payment card numbers. If the user asks for a refund decision, explain you can create a return request but a human reviews refunds.
If the user interrupts, stop your current explanation and answer the new question.

预期结果：

对话自然流畅，可快速处理打断；通过语音和 UI 转录文本返回订单状态。
仅在获得明确确认后才创建退货标签。

失败模式：

Agent 在获得确认前调用 create_return_label。
被打断后音频仍继续播放。
VAD 截断订单号或邮政编码。
语言自动切换让质量检查团队感到意外；如有需要，请在指令中限制语言。
不必要地启用搜索 grounding，导致数据保留／成本方面的风险。

变体：

改用经后端代理的架构，以便更严格地控制工具。
仅在 WebSocket 媒体路径中使用临时令牌，同时由后端管理工具。
只有在验证模型支持情况、会话时长、成本和用户同意后，才添加摄像头／屏幕。

示例 2：实时语音到语音的活动翻译

生产意图：为远程听众近乎实时地将演讲者的日语翻译成英语。

适用模式：使用 gemini-3.5-live-translate-preview 进行实时翻译，而非通用 Live Agent。

输入与限制：

单路演讲者音频，无工具，无助手角色设定。
目标语言为英语。
音频必须保持连续；转录稿有帮助，但不是主要交付内容。
关键片段需由人工口译员兜底。

工作流：

确认当前 Live Translation 文档中支持源语言和目标语言。
配置 Live API 的翻译设置，包括源语言和目标语言。
将演讲者音频采集为 PCM16，以 20-40 ms 为块并持续流式传输。
播放翻译后的输出，并将抖动缓冲区调优为优先保证清晰易懂，而非应对频繁打断的对话。
记录输入/输出时间、丢帧、误译和听众反馈。

预期结果：

系统表现为翻译流水线，不会提出澄清问题、调用工具或采取行动。

故障模式：

使用了 Agent 提示词，导致系统生成摘要或回复，而不是直接翻译。
应用等待完整轮次结束，造成不可接受的延迟。
混合语言切换或名称被误译；如果 API 支持，请提供术语表/上下文并提前测试。
未审核敏感活动音频的保留情况。

变体：

对于用户要求 AI 做笔记或调用工具的双语会议，应使用 Live Agent 加翻译策略，而非 Live Translation。
对于广播质量的字幕，应在活动结束后单独进行转录/字幕质量审核。

示例 3：现场技术人员视觉支持 Agent

生产意图：技术人员将移动摄像头对准设备并提出口头问题。Agent 可以识别可能的部件、要求用户换个角度拍摄，并创建支持工单。

适用模式：如果所选模型/界面支持，则使用 Gemini Live Agent，并输入音频和低帧率图像/视频。

输入与限制：

移动设备麦克风和摄像头帧。
不得声称能够做出确定性的安全诊断。
工具 create_support_ticket(summary, severity, asset_id, photo_refs) 需要用户确认。
会话可能超过 2 分钟，因此必须实现压缩/恢复或会话交接。

系统指令摘录：

You are an equipment support assistant for trained technicians.
Use visual context only to guide inspection; do not certify equipment as safe.
Ask for a closer view, better lighting, or label photo when needed.
If a potential hazard is visible or described, tell the technician to follow their site safety procedure and stop remote troubleshooting.
Before creating a support ticket, summarize the observed issue, asset ID, severity, and photos to attach, then ask for confirmation.

预期结果：

提供简短的语音指导；视觉输入不足时要求提供更清晰的画面；使用审慎的安全措辞；创建工单前先确认。

故障模式：

未实现压缩/恢复/交接，导致会话在文档所述的音频+视频时限后终止。
视觉帧频率过低或模糊，无法提供可靠指导。
Agent 对诊断或安全问题言过其实。
工具调用包含用户未批准或数据策略不允许的图像/音频。

变体：

如果摄像头流式传输成本过高或无法使用，则应按用户请求采集静态图像，并以 <=1 FPS 发送。
在确认模型/位置支持后，使用 Gemini Enterprise 区域端点进行数据治理。

生产环境 QA 检查清单

发布前，请在真实设备和嘈杂环境中进行测试：

音频格式：验证输入为 PCM16 单声道、输入采样率为 16 kHz、输出播放采样率为 24 kHz，并确认原始音频块没有端序或 WAV 头错误。
延迟：测量从麦克风输入到首段音频、语音结束到首段音频、中断到静音、重新连接时间，以及工具调用往返时间。
插话：在模型说话时，用简短、较长和嘈杂的语句进行打断；确认会丢弃过时的输出。
VAD：测试首个音节被截断、句中停顿、长时间思考停顿、简短确认、序列号和带口音的语音。
转录文本：将输入／输出转录文本与录音进行比较，以评估是否达到产品要求的准确度；若未经过正式验证，请将其标记为辅助功能。
工具：模拟缺少参数、请求含糊、函数重复调用、响应延迟、工具错误，以及需要确认的高影响操作。
会话生命周期：测试 2 分钟、10 分钟、15 分钟、重新连接、GoAway、上下文压缩和恢复行为。
成本：估算每分钟输入和输出音频令牌成本，以及 Search／工具成本；设置支出和速率限制警报。
隐私：验证同意提示、录音指示、日志保留、转录文本存储、grounding 保留期限以及 ZDR 约束。
安全：使用已配置的安全设置，测试骚扰、自残、医疗／法律／金融、紧急情况、未成年人及不允许的冒充场景。

来源清单

以下官方来源已于 2026-07-10 查阅并核实：

Gemini Live API 概览：https://ai.google.dev/gemini-api/docs/live-api
Interactions API 概览：https://ai.google.dev/gemini-api/docs/interactions-overview
Live API 功能指南：https://ai.google.dev/gemini-api/docs/live-api/capabilities
原始 WebSockets API 参考：https://ai.google.dev/api/live
使用原始 WebSockets 快速入门：https://ai.google.dev/gemini-api/docs/live-api/get-started-websocket
使用 Live API 的工具：https://ai.google.dev/gemini-api/docs/live-api/tools
会话管理：https://ai.google.dev/gemini-api/docs/live-api/session-management
临时令牌：https://ai.google.dev/gemini-api/docs/live-api/ephemeral-tokens
Live API 最佳实践：https://ai.google.dev/gemini-api/docs/live-api/best-practices
Live Translation：https://ai.google.dev/gemini-api/docs/live-api/live-translate
Gemini 模型列表：https://ai.google.dev/gemini-api/docs/models
Developer API 定价：https://ai.google.dev/gemini-api/docs/pricing
Developer API 速率限制：https://ai.google.dev/gemini-api/docs/rate-limits
Developer API 区域：https://ai.google.dev/gemini-api/docs/available-regions
Developer API 数据日志／共享政策：https://ai.google.dev/gemini-api/docs/logs-policy
Developer API 零数据保留：https://ai.google.dev/gemini-api/docs/zdr
安全设置：https://ai.google.dev/gemini-api/docs/safety-settings
Gemini Enterprise Agent Platform Live API 和 Gemini 2.5 Flash Native Audio：https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/2-5-flash-live-api
Gemini Enterprise Agent Platform 语音／语言配置：https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/live-api/configure-language-voice
Gemini Enterprise Agent Platform 会话管理：https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/live-api/start-manage-session
Gemini Enterprise 定价：https://cloud.google.com/gemini-enterprise-agent-platform/generative-ai/pricing
Gemini Enterprise 端点／位置：https://docs.cloud.google.com/gemini-enterprise-agent-platform/resources/locations
Gemini Enterprise 数据驻留：https://docs.cloud.google.com/gemini-enterprise-agent-platform/resources/data-residency
Gemini Enterprise 零数据保留：https://docs.cloud.google.com/gemini-enterprise-agent-platform/resources/zero-data-retention

支持 Markdown

登录后评论

基本信息

作者: calesthio
仓库: calesthio/generative-media-skills
分类: 开发
安装次数: 105
GitHub Stars: 219

报告问题