Gemini 2.5 Flash（支持 Gemini Live API）

带有 Gemini Live API 原生音频的 Gemini 2.5 Flash 具有我们针对 Gemini Live API 的先进原生音频功能。除了标准 Gemini Live API 功能之外，此模型还包括：

  • 增强的音质：体验大幅提升的音质，仿佛在与真人对话。
  • 增强的语音质量和适应性：Gemini Live API 原生音频提供更丰富、更自然的语音互动，支持 24 种语言的 30 种高清语音。
  • 推出主动音频：（预览版）启用主动音频后，模型仅在相关时做出回答。该模型仅针对定向到设备的查询主动生成文本转写和音频回答，不会回答非定向到设备的查询。
  • 推出共情对话：使用 Gemini Live API 原生音频的模型可以理解用户的情感表达并做出适当响应，从而实现更细致的对话。
  • 改进了打断功能：即使在嘈杂的环境中，也能更自然、更可靠地打断 Gemini。
  • 强大的函数调用：我们提高了触发率，使 Gemini 能够成功执行您定义的函数，从而支持您的应用场景。
  • 准确的转写：音频转文字的转写准确性已得到显著提升。为了获得更好的结果，您可以提供语言提示，引导模型使用正确的语言。如需了解详情，请参阅为会议启用音频转写功能。
  • 顺畅的多语言支持：您可以使用多种语言与 Gemini 对话，它会毫不费力地在这些语言之间切换，无需任何预配置。语言不再是障碍。

如需详细了解 Gemini Live API，请参阅：

在 Agent Studio 中试用 查看价格

模型 ID gemini-live-2.5-flash-native-audio
模态
文本 输入和输出
图片 仅限输入
音频 输入和输出
视频 仅限输入
token 数量上限 上下文窗口 128K
输出词元数上限 64K
并发会话数上限 1000
功能
工具
使用选项
技术规范 图片
  • 每个提示的图片数量上限： 3,000
  • 内嵌数据或通过控制台直接上传的每个文件的文件大小上限： 7 MB
  • Google Cloud Storage 中每个文件的文件大小上限： 30 MB
  • 支持的 MIME 类型：
    image/png、image/jpeg、image/webp、image/heic、image/heif
视频
  • 标准分辨率：768 x 768
  • 支持的 MIME 类型：
    video/x-flv、video/quicktime、video/mpeg、video/mpegs、video/mpg、video/mp4、video/webm、video/wmv、video/3gpp
音频
  • 对话时长上限：默认时长为 10 分钟，可延长。
  • 所需的音频输入格式：原始 16 位 PCM 音频，采样率 16kHz，小端序
  • 所需的音频输出格式：原始 16 位 PCM 音频，采样率 24kHz，小端序
  • 支持的 MIME 类型：
    audio/x-aac、audio/flac、audio/mp3、audio/m4a、audio/mpeg、audio/mpga、audio/mp4、audio/ogg、audio/pcm、audio/wav、audio/webm
参数默认值
  • 开始语音识别的灵敏度：低
  • 结束语音识别的灵敏度：高
  • 前缀内边距：0
  • 上下文大小上限：128,000
支持的区域

模型可用性

  • 美国：us-central1、us-east1、us-east4、us-east5、us-south1、us-west1、us-west4
  • 欧洲：europe-central2、europe-north1、europe-southwest1、europe-west1、europe-west4、europe-west8
版本
  • gemini-live-2.5-flash-native-audio
    • 发布阶段：正式版
    • 发布日期：2025 年 12 月 12 日
    • 退役日期：2026 年 12 月 13 日
安全控制 在线预测
  • 数据驻留
  • CMEK
  • VPC-SC
  • AXT
如需了解详情，请参阅安全控制。