Começar a usar a API Gemini Live com o SDK de IA Generativa do Google

Neste tutorial, mostramos como se conectar à API Gemini Live usando o SDK de IA Generativa do Google para Python. Neste tutorial, você vai criar um aplicativo multimodal em tempo real com um back-end robusto em Python que processa a conexão da API.

Antes de começar

Conclua as etapas a seguir para configurar seu ambiente.

  1. In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  2. Verify that billing is enabled for your Cloud de Confiance project.

  3. Enable the Agent Platform API, if it is not already enabled.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the API

  4. Install the Google Cloud CLI.

  5. Configure the gcloud CLI to use your federated identity.

    For more information, see Sign in to the gcloud CLI with your federated identity.

  6. To initialize the gcloud CLI, run the following command: 

    gcloud init
  7. Instale o Git.
  8. Instale o Python 3.

Clonar o app de demonstração

Clone o repositório do app de demonstração e navegue até esse diretório:

git clone https://github.com/GoogleCloudPlatform/generative-ai.git &&
cd generative-ai/gemini/multimodal-live-api/native-audio-websocket-demo-apps/plain-js-python-sdk-demo-app

Estrutura do projeto

O aplicativo inclui os seguintes arquivos:

/
├── main.py                 # FastAPI server and WebSocket endpoint
├── gemini_live.py          # Gemini Live API wrapper using Gen AI SDK
├── requirements.txt        # Python dependencies
└── frontend/
    ├── index.html          # User Interface
    ├── main.js             # Application logic
    ├── gemini-client.js    # WebSocket client for backend communication
    ├── media-handler.js    # Audio/Video capture and playback
    └── pcm-processor.js    # AudioWorklet for PCM processing

Configure as variáveis de ambiente

Para fins desta demonstração, a única variável de ambiente que precisamos configurar é aquela que define o ID do seu projeto Cloud de Confiance . O comando a seguir cria um arquivo .env que define a variável de ambiente PROJECT_ID. Substitua PROJECT_ID pelo ID do projeto do Cloud de Confiance .

echo "PROJECT_ID=PROJECT_ID" > .env

Executar o servidor de back-end

O back-end (main.py) processa a conexão entre o cliente e a API Gemini Live. O ponto de entrada é um servidor FastAPI que expõe um endpoint WebSocket. Ele aceita partes de áudio e vídeo do front-end e as encaminha para a sessão GeminiLive. A classe GeminiLive em gemini_live.py encapsula o genai.Client para gerenciar a sessão.

# Connects using the SDK
async with self.client.aio.live.connect(model=self.model, config=config) as session:
    # Manages input/output queues
    await asyncio.gather(
        send_audio(),
        send_video(),
        receive_responses()
    )

Para executar o servidor de back-end, execute os seguintes comandos:

  1. Instale as dependências:

    pip3 install -r requirements.txt

  2. Autenticar com Cloud de Confiance by S3NS:

    gcloud auth application-default login

  3. Inicie o servidor:

    python3 main.py

Abra a UI de front-end e conecte-se ao Gemini

O front-end gerencia a captura e a reprodução de áudio e vídeo. O arquivo gemini-client.js processa a conexão WebSocket com o back-end. Ele envia partes de mídia codificadas em base64 para o back-end e recebe respostas de áudio da API Gemini Live, que são reproduzidas para o usuário.

Para abrir a UI do usuário de front-end e se conectar ao Gemini, faça o seguinte:

  1. Abra o navegador e acesse http://localhost:8000.
  2. Clique em Conectar.

Interagir com o Gemini

Tente fazer o seguinte:

  • Entrada de texto: você pode escrever uma mensagem de texto para o Gemini digitando sua mensagem no campo de mensagem e clicando em Enviar. O Gemini responde à mensagem usando áudio.
  • Entrada de texto por voz: para falar com o Gemini, clique em Iniciar microfone. O Gemini responde ao comando usando áudio.
  • Entrada de vídeo: para permitir que o Gemini veja pela sua câmera, clique em Iniciar câmera. Você pode conversar com o Gemini sobre o que ele vê pela sua câmera.

A seguir