Google (Gemini)

Plugin Google zapewnia dostęp do modeli Gemini przez Google AI Studio, a także generowanie obrazów, rozumienie multimediów (obrazów/dźwięku/wideo), zamianę tekstu na mowę i wyszukiwanie w internecie za pośrednictwem Gemini Grounding.

• Dostawca: google
• Uwierzytelnianie: GEMINI_API_KEY lub GOOGLE_API_KEY
• API: Google Gemini API
• Opcja środowiska uruchomieniowego: agentRuntime.id: "google-gemini-cli" ponownie wykorzystuje OAuth Gemini CLI, zachowując kanoniczne odwołania do modeli w postaci google/*.

Pierwsze kroki

Należy wybrać preferowaną metodę uwierzytelniania i wykonać odpowiednie czynności konfiguracyjne.

openclaw onboard --auth-choice gemini-api-key

openclaw onboard --non-interactive \  --mode local \  --auth-choice gemini-api-key \  --gemini-api-key "$GEMINI_API_KEY"

{  agents: {    defaults: {      model: { primary: "google/gemini-3.1-pro-preview" },    },  },}

openclaw models list --provider google

# Homebrewbrew install gemini-cli # lub npmnpm install -g @google/gemini-cli

openclaw models auth login --provider google-gemini-cli --set-default

openclaw models list --provider google

Możliwości

Wyszukiwanie w internecie

Dołączony dostawca wyszukiwania w internecie gemini korzysta z ugruntowywania wyników Google Search przez Gemini. Należy skonfigurować osobny klucz wyszukiwania w plugins.entries.google.config.webSearch lub pozwolić mu ponownie wykorzystać models.providers.google.apiKey po GEMINI_API_KEY:

{  plugins: {    entries: {      google: {        config: {          webSearch: {            apiKey: "AIza...", // opcjonalne, jeśli ustawiono GEMINI_API_KEY lub models.providers.google.apiKey            baseUrl: "https://generativelanguage.googleapis.com/v1beta", // w razie braku używa models.providers.google.baseUrl            model: "gemini-2.5-flash",          },        },      },    },  },}

Kolejność pierwszeństwa poświadczeń to osobne webSearch.apiKey, następnie GEMINI_API_KEY, a potem models.providers.google.apiKey. webSearch.baseUrl jest opcjonalne i służy do obsługi serwerów proxy operatora lub zgodnych punktów końcowych Gemini API; jeśli je pominięto, wyszukiwanie Gemini w internecie ponownie wykorzystuje models.providers.google.baseUrl. Zachowanie narzędzia właściwe dla tego dostawcy opisano w sekcji Wyszukiwanie Gemini.

Generowanie obrazów

Dołączony dostawca generowania obrazów google domyślnie używa google/gemini-3.1-flash-image-preview.

• Obsługuje także google/gemini-3-pro-image-preview
• Generowanie: maksymalnie 4 obrazy na żądanie
• Tryb edycji: włączony, maksymalnie 5 obrazów wejściowych
• Sterowanie geometrią: size, aspectRatio i resolution

Aby używać Google jako domyślnego dostawcy obrazów:

{  agents: {    defaults: {      imageGenerationModel: {        primary: "google/gemini-3.1-flash-image-preview",      },    },  },}

Generowanie wideo

Dołączony plugin google rejestruje również generowanie wideo za pośrednictwem współdzielonego narzędzia video_generate.

• Domyślny model wideo: google/veo-3.1-fast-generate-preview
• Tryby: zamiana tekstu na wideo, obrazu na wideo oraz przepływy z pojedynczym wideo referencyjnym
• Obsługuje aspectRatio (16:9, 9:16) i resolution (720P, 1080P); Veo obecnie nie obsługuje wyjściowego dźwięku
• Obsługiwane czasy trwania: 4, 6 lub 8 sekund (inne wartości są zaokrąglane do najbliższej dozwolonej wartości)

Aby używać Google jako domyślnego dostawcy wideo:

{  agents: {    defaults: {      videoGenerationModel: {        primary: "google/veo-3.1-fast-generate-preview",      },    },  },}

Generowanie muzyki

Dołączony plugin google rejestruje również generowanie muzyki za pośrednictwem współdzielonego narzędzia music_generate.

• Domyślny model muzyczny: google/lyria-3-clip-preview
• Obsługuje także google/lyria-3-pro-preview
• Sterowanie poleceniem: lyrics i instrumental
• Format wyjściowy: domyślnie mp3, a także wav w google/lyria-3-pro-preview
• Dane referencyjne: maksymalnie 10 obrazów
• Uruchomienia korzystające z sesji są odłączane za pośrednictwem współdzielonego przepływu zadań/stanu, w tym action: "status"

Aby używać Google jako domyślnego dostawcy muzyki:

{  agents: {    defaults: {      musicGenerationModel: {        primary: "google/lyria-3-clip-preview",      },    },  },}

Zamiana tekstu na mowę

Dołączony dostawca mowy google korzysta ze ścieżki TTS Gemini API z gemini-3.1-flash-tts-preview.

• Domyślny głos: Kore
• Uwierzytelnianie: messages.tts.providers.google.apiKey, models.providers.google.apiKey, GEMINI_API_KEY lub GOOGLE_API_KEY
• Dane wyjściowe: WAV dla zwykłych załączników TTS, Opus dla docelowych wiadomości głosowych, PCM dla Talk/telefonii
• Dane wyjściowe wiadomości głosowych: format PCM Google jest opakowywany jako WAV i transkodowany do Opus 48 kHz za pomocą ffmpeg

Wsadowa ścieżka Gemini TTS firmy Google zwraca wygenerowany dźwięk w ukończonej odpowiedzi generateContent. W rozmowach głosowych wymagających najmniejszych opóźnień należy użyć dostawcy głosu Google działającego w czasie rzeczywistym, opartego na Gemini Live API, zamiast wsadowego TTS.

Aby używać Google jako domyślnego dostawcy TTS:

{  messages: {    tts: {      auto: "always",      provider: "google",      providers: {        google: {          model: "gemini-3.1-flash-tts-preview",          speakerVoice: "Kore",          audioProfile: "Mów profesjonalnie i spokojnym tonem.",        },      },    },  },}

TTS Gemini API używa poleceń w języku naturalnym do sterowania stylem. Należy ustawić audioProfile, aby dodać wielokrotnie używane polecenie stylu przed wypowiadanym tekstem. Należy ustawić speakerName, jeśli tekst polecenia odwołuje się do nazwanego mówcy.

TTS Gemini API akceptuje również ekspresyjne znaczniki dźwiękowe w nawiasach kwadratowych, takie jak [whispers] lub [laughs]. Aby znaczniki nie pojawiały się w widocznej odpowiedzi czatu, ale były wysyłane do TTS, należy umieścić je w bloku [[tts:text]]...[[/tts:text]]:

Oto czysty tekst odpowiedzi. [[tts:text]][whispers] Oto wersja mówiona.[[/tts:text]]

Głos w czasie rzeczywistym

Dołączony plugin google rejestruje dostawcę głosu w czasie rzeczywistym opartego na Gemini Live API dla mostów dźwiękowych zaplecza, takich jak Voice Call i Google Meet.

Przykładowa konfiguracja połączeń głosowych w czasie rzeczywistym:

{  plugins: {    entries: {      "voice-call": {        enabled: true,        config: {          realtime: {            enabled: true,            provider: "google",            providers: {              google: {                model: "gemini-3.1-flash-live-preview",                speakerVoice: "Kore",                activityHandling: "start-of-activity-interrupts",                turnCoverage: "audio-activity-and-all-video",              },            },          },        },      },    },  },}

W celu weryfikacji na żywo przez opiekuna należy uruchomić OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts. Test dymny obejmuje również ścieżki zaplecza/WebRTC OpenAI; etap Google generuje token Live API o takim samym ograniczonym formacie, jakiego używa funkcja rozmowy w interfejsie Control UI, otwiera punkt końcowy WebSocket przeglądarki, wysyła początkowy ładunek konfiguracji i oczekuje na setupComplete.

Konfiguracja zaawansowana

{  agents: {    defaults: {      models: {        "google/gemini-2.5-pro": {          params: {            cachedContent: "cachedContents/prebuilt-context",          },        },      },    },  },}

Powiązane