Google (Gemini)

Plugin Google zapewnia dostęp do modeli Gemini przez Google AI Studio, a także generowanie obrazów, rozumienie multimediów (obraz/audio/wideo), zamianę tekstu na mowę oraz wyszukiwanie w sieci przez Gemini Grounding.

• Dostawca: google
• Uwierzytelnianie: GEMINI_API_KEY lub GOOGLE_API_KEY
• API: Google Gemini API
• Opcja środowiska wykonawczego: provider/model agentRuntime.id: "google-gemini-cli" ponownie używa OAuth Gemini CLI, zachowując kanoniczne odwołania do modeli jako google/*.

Pierwsze kroki

Wybierz preferowaną metodę uwierzytelniania i wykonaj kroki konfiguracji.

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 # or npmnpm install -g @google/gemini-cli

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

openclaw models list --provider google

Możliwości

Wyszukiwanie w sieci

Dołączony dostawca wyszukiwania w sieci gemini używa ugruntowania Gemini Google Search. Skonfiguruj dedykowany klucz wyszukiwania w plugins.entries.google.config.webSearch, albo pozwól mu ponownie użyć models.providers.google.apiKey po GEMINI_API_KEY:

{  plugins: {    entries: {      google: {        config: {          webSearch: {            apiKey: "AIza...", // optional if GEMINI_API_KEY or models.providers.google.apiKey is set            baseUrl: "https://generativelanguage.googleapis.com/v1beta", // falls back to models.providers.google.baseUrl            model: "gemini-2.5-flash",          },        },      },    },  },}

Kolejność pierwszeństwa poświadczeń to dedykowany webSearch.apiKey, następnie GEMINI_API_KEY, a potem models.providers.google.apiKey. webSearch.baseUrl jest opcjonalny i istnieje dla proxy operatora lub zgodnych punktów końcowych Gemini API; gdy jest pominięty, wyszukiwanie w sieci Gemini ponownie używa models.providers.google.baseUrl. Zobacz Wyszukiwanie Gemini, aby poznać zachowanie narzędzia specyficzne dla dostawcy.

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: do 4 obrazów na żądanie
• Tryb edycji: włączony, do 5 obrazów wejściowych
• Kontrolki geometrii: 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 także generowanie wideo przez współdzielone narzędzie video_generate.

• Domyślny model wideo: google/veo-3.1-fast-generate-preview
• Tryby: tekst-na-wideo, obraz-na-wideo oraz przepływy z pojedynczym wideo referencyjnym
• Obsługuje aspectRatio (16:9, 9:16) i resolution (720P, 1080P); wyjście audio nie jest dziś obsługiwane przez Veo
• Obsługiwane czasy trwania: 4, 6 lub 8 sekund (inne wartości są dopasowywane 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 także generowanie muzyki przez współdzielone narzędzie music_generate.

• Domyślny model muzyki: google/lyria-3-clip-preview
• Obsługuje także google/lyria-3-pro-preview
• Kontrolki promptu: lyrics i instrumental
• Format wyjściowy: domyślnie mp3, a dodatkowo wav w google/lyria-3-pro-preview
• Wejścia referencyjne: do 10 obrazów
• Uruchomienia oparte na sesji odłączają się przez współdzielony przepływ zadania/statusu, 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 używa 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
• Wyjście: WAV dla zwykłych załączników TTS, Opus dla celów notatek głosowych, PCM dla Talk/telefonii
• Wyjście notatki głosowej: Google PCM jest opakowywany jako WAV i transkodowany do Opus 48 kHz za pomocą ffmpeg

Ścieżka wsadowa Gemini TTS Google zwraca wygenerowane audio w ukończonej odpowiedzi generateContent. Dla rozmów mówionych o najniższym opóźnieniu użyj dostawcy głosu Google 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: "Speak professionally with a calm tone.",        },      },    },  },}

Gemini API TTS używa promptów w języku naturalnym do kontroli stylu. Ustaw audioProfile, aby poprzedzić tekst mówiony wielokrotnego użytku promptem stylu. Ustaw speakerName, gdy tekst promptu odnosi się do nazwanego mówcy.

Gemini API TTS akceptuje także ekspresyjne znaczniki audio w nawiasach kwadratowych w tekście, takie jak [whispers] lub [laughs]. Aby utrzymać znaczniki poza widoczną odpowiedzią czatu, a jednocześnie wysłać je do TTS, umieść je w bloku [[tts:text]]...[[/tts:text]]:

Here is the clean reply text. [[tts:text]][whispers] Here is the spoken version.[[/tts:text]]

Głos w czasie rzeczywistym

Dołączony Plugin google rejestruje dostawcę głosu w czasie rzeczywistym opartego na Gemini Live API dla mostków audio backendu, takich jak Voice Call i Google Meet.

Przykładowa konfiguracja Voice Call czasu rzeczywistego:

{  plugins: {    entries: {      "voice-call": {        enabled: true,        config: {          realtime: {            enabled: true,            provider: "google",            providers: {              google: {                model: "gemini-2.5-flash-native-audio-preview-12-2025",                speakerVoice: "Kore",                activityHandling: "start-of-activity-interrupts",                turnCoverage: "only-activity",              },            },          },        },      },    },  },}

Do weryfikacji live przez opiekuna uruchom OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts. Ten test smoke obejmuje też ścieżki backend/WebRTC OpenAI; część Google tworzy ten sam kształt ograniczonego tokena Live API używany przez Control UI Talk, otwiera przeglądarkowy punkt końcowy WebSocket, wysyła początkowy ładunek konfiguracji i czeka na setupComplete.

Konfiguracja zaawansowana

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

Powiązane