Herramientasgemini
Gemini realtime: primera prueba con Live API
Prueba Gemini en tiempo real con Live API: requisitos, flujo de audio y controles básicos para iniciar una sesión sin exponer datos de clientes.
- Autor: humAIns
- 9 min de lectura
índice · 6 apartados
Qué es Gemini Live API y cuándo usarla frente a Gemini Live en la app
Si buscas Gemini realtime, probablemente quieres que una aplicación escuche, responda con voz y permita interrumpir la conversación sin esperar a que cada turno se convierta en una petición aislada. La Gemini Live API de Google ofrece sesiones de baja latencia con comunicación en tiempo real; su guía documenta audio, vídeo y texto. Es una interfaz para desarrollo, no una función que se active simplemente desde la app.
La confusión es habitual porque Gemini Live, en la app móvil, también permite hablar con Gemini, interrumpirlo y recibir respuestas orales. Esa experiencia está pensada para una persona que usa el producto de Google; no equivale a una API para integrar en tu propio software. Para probar la conversación sin programar, consulta cómo usar Gemini para hablar por voz.
Tampoco es la Realtime API de OpenAI: son productos distintos, con documentación, modelos, formatos y condiciones de uso propios. Elige según el proveedor que quieras integrar y verifica sus especificaciones antes de diseñar la arquitectura.
Live API encaja en un asistente de voz, una interfaz manos libres o un prototipo audiovisual interactivo. No hace falta adoptarla para generar un audio terminado o transcribir un archivo de forma puntual: una interacción persistente solo compensa si la baja latencia y el diálogo natural son requisitos del caso.
Requisitos, acceso, clave y modelo disponibles
La guía oficial actual presenta el Google GenAI SDK para Python y JavaScript. La API mantiene una sesión sobre WebSocket; el SDK ofrece una interfaz asíncrona para abrirla, enviar contenido y recibir eventos. Para Python, instala el paquete google-genai; para JavaScript, el paquete @google/genai. Comprueba las versiones y requisitos en la guía de inicio, que pueden cambiar.
Google muestra el modelo gemini-3.8-live en el ejemplo de conexión de su documentación vigente. El catálogo y la disponibilidad pueden variar: confirma el nombre habilitado para tu proyecto y la región antes de integrar. Live API puede estar marcada como vista previa en documentación de capacidades, por lo que no conviene asumir estabilidad o acceso idéntico para todas las cuentas.
Crea una clave en Google AI Studio y guárdala como secreto de entorno en el servidor, no en el código fuente, repositorio, aplicación web ni registros. La conexión directa desde cliente puede reducir un salto de red, pero Google recomienda tokens efímeros frente a claves estándar para reducir el riesgo en producción. No copies una clave en un ejemplo público ni la compartas con usuarios.
La disponibilidad por país, el acceso al modelo, las cuotas y las condiciones del proyecto deben comprobarse en la página oficial de regiones disponibles, en la configuración de AI Studio y en la documentación de límites. Si un modelo no aparece, eso no demuestra por sí solo que el servicio esté roto: podría no estar disponible para la región, el proyecto o la cuenta.
Primera sesión de audio paso a paso con un ejemplo mínimo
Para comprobar el circuito sin micrófono ni datos reales, prepara un archivo de voz de prueba entrada.pcm ya convertido a PCM de 16 bits, mono, 16 kHz y little-endian. La documentación de Google describe ese formato para enviar audio. Guarda la API key en GEMINI_API_KEY en tu entorno local; el SDK la leerá como credencial, sin incorporarla al fichero.
Este ejemplo usa el cliente asíncrono Python y el nombre de modelo que aparece en la guía consultada. Envía el audio, marca el final del flujo y procesa la transcripción que devuelve la sesión. Para reproducir la respuesta hablada, el cliente también debe recoger los fragmentos de audio de salida y decodificarlos según el formato documentado.
import asyncio
from pathlib import Path
from google import genai
from google.genai import types
client = genai.Client()
MODEL = "gemini-3.8-live"
async def main():
audio = Path("entrada.pcm").read_bytes()
config = {
"response_modalities": ["AUDIO"],
"input_audio_transcription": {},
"output_audio_transcription": {},
}
async with client.aio.live.connect(model=MODEL, config=config) as session:
await session.send_realtime_input(
audio=types.Blob(data=audio, mime_type="audio/pcm;rate=16000")
)
await session.send_realtime_input(audio_stream_end=True)
async for response in session.receive():
content = response.server_content
if not content:
continue
if content.input_transcription:
print("Tú:", content.input_transcription.text)
if content.output_transcription:
print("Gemini:", content.output_transcription.text)
if content.turn_complete:
break
asyncio.run(main())
Instala el SDK en un entorno virtual, configura la variable secreta y sustituye entrada.pcm por una muestra propia sin información personal. La configuración de transcripción es explícita para que el ejemplo pueda mostrar texto; las transcripciones y los fragmentos de audio son eventos distintos. Revisa el ejemplo completo oficial para gestionar el audio de salida, reconexión y errores de transporte: una sesión que se conecta no significa que ya tengas una interfaz de conversación completa.
La guía también muestra conexión desde JavaScript. En una web real, no pegues la clave secreta en un bundle público. Elige entre un backend que intermedie el flujo y la conexión cliente con credenciales efímeras, evalúa latencia y exposición, y limita permisos y duración según el diseño.
Cómo gestionar turnos, interrupciones y límites de sesión
La conexión persistente no elimina la necesidad de gestionar el ciclo de vida. Abre una sesión al comenzar la interacción, consume continuamente los mensajes recibidos y ciérrala al terminar. En una conversación en directo, no acumules todo el audio para enviarlo al final: transmite fragmentos según el patrón del SDK y conserva el estado necesario para cancelar o cerrar correctamente.
La detección de actividad de voz permite distinguir cuándo empieza o acaba el turno de una persona. La documentación describe detección automática de actividad habilitada de forma predeterminada en el patrón básico; también permite desactivarla y enviar señales explícitas de inicio y fin. Si habilitas detección propia, coordina esos eventos con el audio: una marca de final incorrecta puede cortar una frase o dejar al modelo esperando.
La función de interrupción —a menudo llamada barge-in— permite que una persona hable mientras el modelo responde. Tu cliente debe reaccionar a los eventos de interrupción y dejar de reproducir audio que ya no corresponde, además de conservar el turno actual. Prueba silencios, interrupciones a mitad de respuesta, pérdida de red y cierres inesperados. El comportamiento concreto depende del modelo y la configuración activos.
Consulta los límites de duración de sesión y la estrategia de renovación en la página de gestión de sesiones antes de desplegar. No establezcas una duración fija basándote en una versión antigua de la API. Si la experiencia requiere continuidad larga, diseña reconexión y reanudación según los mecanismos vigentes, informa al usuario cuando se restablezca la conexión y evita repetir acciones con efectos secundarios.
Para ubicarlo en una arquitectura más amplia, lee también el contexto de agentes de voz con IA: escuchar y contestar es solo una parte; permisos, herramientas, registro y tratamiento de errores pertenecen al producto completo.
Costes y privacidad: medir uso, proteger la clave y trabajar con datos ficticios
No presupongas un precio único por minuto. Google publica precios por modelo y modalidad de uso; una sesión puede consumir tokens de entrada y salida de audio, además de otros contenidos o herramientas que se habiliten. Consulta la tabla oficial de precios de Gemini API, identifica la fila correspondiente al modelo Live y registra el consumo real de pruebas. Los precios pueden cambiar; por eso este artículo no fija una cifra monetaria.
Para estimar el coste de un caso de uso, mide varias conversaciones representativas: duración, silencios, repeticiones, salida generada y reintentos. Separa el coste del modelo de cualquier infraestructura, almacenamiento o servicio adicional. Configura alertas y cuotas en el proyecto cuando estén disponibles, y vuelve a verificar los precios antes de presupuestar producción. AI Studio puede ofrecer condiciones de prueba, pero no des por hecho que el uso de producción será gratuito.
En las primeras pruebas usa voces ficticias o muestras sintéticas, sin nombres, datos de clientes, información médica, financiera o secretos empresariales. Define qué se registra, quién puede acceder a las grabaciones o transcripciones y durante cuánto tiempo se conservan. Si el caso implica grabar a personas, determina además qué información y permisos debes proporcionar. Para la gestión segura de una API key de Gemini, aplica el principio de mínimo acceso, rota secretos expuestos y evita imprimirlos en logs.
Fallos frecuentes y alternativas si la función no aparece
- El modelo no se encuentra o no está habilitado. Copia el identificador vigente desde la guía o el catálogo de modelos y confirma el proyecto y la región. No cambies a un nombre antiguo por intuición.
- La conexión falla al autenticar. Comprueba la variable de entorno, el proyecto asociado y que la clave no tenga espacios o esté revocada. Nunca pegues el valor de la clave en un ticket o captura pública.
- No se entiende el audio. Verifica codificación, frecuencia de muestreo, canales y tipo MIME del flujo. Convertir una grabación a PCM compatible es distinto de cambiar solo la etiqueta MIME.
- La conversación se corta o no acaba. Comprueba las señales de fin de audio, detección de actividad y cierre de turno; examina eventos y errores sin guardar contenido identificable.
- La opción de app Gemini Live no aparece. Es una función diferente: la ayuda de Google indica que la experiencia de la app se despliega gradualmente y requiere un teléfono o tablet Android con la app móvil. No está disponible en la web Gemini según esa ayuda.
Si lo que necesitas es conversar por voz como usuario, prueba la app y su guía de Gemini Live. Si tu objetivo es integrar audio conversacional en un producto, empieza por la guía oficial de Live API, luego valida modelo, formatos, disponibilidad y coste en tu proyecto antes de construir.
Si quieres explorar usos profesionales de IA en imagen, vídeo y audio, puedes conocer el curso de IA audiovisual. Está orientado a esos flujos de trabajo; no lo presentamos como formación específica de programación de APIs.