Giới hạn và quy cách của Live API


Trang này mô tả nhiều giới hạn và thông số kỹ thuật khi sử dụng Live API và các mô hình của API này.

Thông số kỹ thuật và giới hạn chung

  • Đầu vào và đầu ra được hỗ trợ: (để biết thông tin chi tiết, hãy xem phần định dạng nội dung nghe nhìn bên dưới)

    • Dữ liệu đầu vào: văn bản, hình ảnh (không phải tệp PDF), âm thanh, video
    • Đầu ra: văn bản (bản chép lời) và âm thanh (phát trực tuyến)

  • Công cụ được hỗ trợ: gọi hàm, Xác minh thông tin bằng Google Search, Xác minh thông tin bằng Google Maps

  • Điểm cắt kiến thức: Tháng 1 năm 2025

Live API không hỗ trợ tạo dữ liệu đầu ra có cấu trúc (như JSON) hoặc API Count Tokens.

Giới hạn liên quan đến phiên

Đối với Live API, phiên là một kết nối ổn định, trong đó dữ liệu đầu vào và đầu ra được truyền trực tuyến liên tục qua một kết nối.

Nếu phiên vượt quá bất kỳ giới hạn nào sau đây, thì kết nối sẽ bị chấm dứt. Tuy nhiên, xin lưu ý rằng Live API cung cấp một số lựa chọn (xem bên dưới) để xử lý các giới hạn liên quan đến phiên này.

  • Cửa sổ ngữ cảnh của phiên bị giới hạn ở 128 nghìn token.

    Do giới hạn cửa sổ ngữ cảnh này, sau đây là thời lượng phiên tối đa ước chừng dựa trên các phương thức nhập:

    • Các phiên chỉ có dữ liệu đầu vào dạng âm thanh được giới hạn trong 15 phút.
    • Video và âm thanh đầu vào bị giới hạn ở mức 2 phút.

  • Thời lượng kết nối được giới hạn trong khoảng 10 phút.

    Bạn sẽ nhận được thông báo sắp ngắt kết nối khoảng 60 giây trước khi kết nối kết thúc.

Sau đây là một số cách xử lý các giới hạn liên quan đến phiên:

  • Nén cửa sổ ngữ cảnh của phiên để máy chủ tự động duy trì kích thước ngữ cảnh trong giới hạn.

  • Tiếp tục phiên để tránh mất ngữ cảnh cuộc trò chuyện khi mạng bị ngắt kết nối trong thời gian ngắn hoặc sau khi nhận được thông báo going away (đang rời đi).

Tìm hiểu thêm về cách quản lý phiên.

Giới hạn số lượng yêu cầu

Live API có giới hạn tốc độ cho cả số phiên đồng thời trên mỗi dự án Firebase cũng như số mã thông báo mỗi phút (TPM).

  • Gemini Developer API:

  • Agent Platform Gemini API (formerly Vertex AI):

    • 1.000 phiên đồng thời cho mỗi dự án Firebase
    • 4 triệu token mỗi phút

Định dạng nội dung đa phương tiện

Live API hỗ trợ các loại nội dung nghe nhìn sau:

  • Đầu vào: hình ảnh, âm thanh, video
  • Đầu ra: âm thanh

Định dạng hình ảnh

Live API hỗ trợ những định dạng sau đây cho dữ liệu đầu vào là hình ảnh:

  • Số lượng hình ảnh tối đa cho mỗi câu lệnh: 3.000

  • Kích thước tệp tối đa cho mỗi tệp (dữ liệu cùng dòng): 7 MB

  • Các loại MIME được hỗ trợ: image/png, image/jpeg, image/webp, image/heic, image/heif

Định dạng âm thanh

Live API hỗ trợ các định dạng âm thanh sau:

  • Định dạng âm thanh đầu vào: Âm thanh PCM 16 bit thô ở tần số 16kHz, thứ tự byte thấp trước (little-endian)

  • Định dạng âm thanh đầu ra: Âm thanh PCM 16 bit thô ở tần số 24kHz, thứ tự byte thấp trước (little-endian)

  • Các loại MIME được hỗ trợ: audio/x-aac, audio/flac, audio/mp3, audio/m4a, audio/mpeg, audio/mpga, audio/mp4, audio/ogg, audio/pcm, audio/wav, audio/webm

Để truyền tải tốc độ lấy mẫu của âm thanh đầu vào, hãy đặt loại MIME của mỗi Blob chứa âm thanh thành một giá trị như audio/pcm;rate=16000.

Định dạng video

Live API yêu cầu một chuỗi các khung hình riêng biệt và hỗ trợ đầu vào khung hình video ở tốc độ 1 khung hình/giây (FPS).

  • Đầu vào đề xuất: độ phân giải gốc 768x768 ở tốc độ 1 khung hình/giây.

  • Các loại MIME được hỗ trợ: video/x-flv, video/quicktime, video/mpeg, video/mpegs, video/mpg, video/mp4, video/webm, video/wmv, video/3gpp

Xin lưu ý rằng thông số kỹ thuật này khiến Live API không phù hợp với các trường hợp sử dụng yêu cầu phân tích video thay đổi nhanh, chẳng hạn như tường thuật từng pha bóng trong các môn thể thao tốc độ cao.

Giọng nói trả lời

Live API hỗ trợ 30 giọng nói HD tổng hợp khác nhau, mỗi giọng nói có đặc điểm riêng biệt. Bạn có thể xem danh sách các lựa chọn giọng nói cho câu trả lời và nghe bản minh hoạ của từng giọng nói bằng cách mở rộng phần bên dưới.

Nếu bạn không chỉ định giọng nói phản hồi, thì giọng nói mặc định sẽ là Puck.

Tìm hiểu cách chỉ định giọng nói trả lời.

Ngôn ngữ

Live API hỗ trợ các ngôn ngữ sau. Tìm hiểu cách tác động đến ngôn ngữ của câu trả lời.

Ngôn ngữ được tất cả các mô hình tạo âm thanh hỗ trợ
Ngôn ngữ Mã BCP-47 Ngôn ngữ Mã BCP-47
Tiếng Ả Rập (Ai Cập) ar-EG Tiếng Đức (Đức) de-DE
Tiếng Anh (Mỹ) en-US Tiếng Tây Ban Nha (Mỹ) es-US
Tiếng Pháp (Pháp) fr-FR Tiếng Hindi (Ấn Độ) hi-IN
Tiếng Indonesia (Indonesia) id-ID Tiếng Ý (Ý) it-IT
Tiếng Nhật (Nhật Bản) ja-JP Tiếng Hàn (Hàn Quốc) ko-KR
Tiếng Bồ Đào Nha (Brazil) pt-BR Tiếng Nga (Nga) ru-RU
Tiếng Hà Lan (Hà Lan) nl-NL Tiếng Ba Lan (Ba Lan) pl-PL
Tiếng Thái (Thái Lan) th-TH Tiếng Thổ Nhĩ Kỳ (Thổ Nhĩ Kỳ) tr-TR
Tiếng Việt (Việt Nam) vi-VN Tiếng Rumani (Rumani) ro-RO
Tiếng Ukraina (Ukraina) uk-UA Tiếng Bengali (Bangladesh) bn-BD
Tiếng Anh (Ấn Độ) Gói en-IN và hi-IN Tiếng Marathi (Ấn Độ) mr-IN
Tiếng Tamil (Ấn Độ) ta-IN Tiếng Telugu (Ấn Độ) te-IN
Các ngôn ngữ khác được các mô hình 3.x tạo âm thanh hỗ trợ
Ngôn ngữ Mã BCP-47 Ngôn ngữ Mã BCP-47
Tiếng Hà Lan ở Nam Phi af Tiếng Philippines fil
Tiếng Albania sq Tiếng Phần Lan fi
Tiếng Amhara sáng Tiếng Galicia gl
Tiếng Armenia hy Tiếng Gruzia ka
Tiếng Azerbaijan az Tiếng Hy Lạp el
Tiếng Basque eu Tiếng Gujarat gu
Tiếng Belarus be Tiếng Creole ở Haiti ht
Tiếng Bungary bg Tiếng Do Thái he
Tiếng Miến Điện của tôi Tiếng Hungary hu
Tiếng Catalan ca Tiếng Iceland là
Tiếng Cebuano ceb Tiếng Java jv
Tiếng Trung, tiếng Quan thoại cmn Tiếng Kannada kn
Tiếng Croatia giờ Tiếng Konkani kok
Tiếng Séc cs Tiếng Lào lo
Tiếng Đan Mạch da Tiếng Latinh la
Tiếng Estonia et Tiếng Latvia lv
Tiếng Lithuania lt Tiếng Luxembourg lb
Tiếng Macedonia mk Tiếng Maithili mai
Tiếng Malagasy mg Tiếng Malay ms
Tiếng Malayalam ml Tiếng Mông Cổ mn
Tiếng Nepal ne Tiếng Na Uy, Bokmål nb
Tiếng Na Uy, Nynorsk nn Tiếng Odia hoặc
Tiếng Pashto ps Tiếng Ba Tư fa
Tiếng Punjab pa Tiếng Serbia sr
Tiếng Sindh sd Tiếng Sinhala si
Tiếng Slovak sk Tiếng Slovenia sl
Tiếng Swahili sw Tiếng Thuỵ Điển sv
Tiếng Urdu ur