Google (Gemini)

Plugin Google ให้การเข้าถึงโมเดล Gemini ผ่าน Google AI Studio พร้อมทั้งการสร้างรูปภาพ การทำความเข้าใจสื่อ (รูปภาพ/เสียง/วิดีโอ) การแปลงข้อความเป็นเสียงพูด และการค้นหาเว็บผ่าน Gemini Grounding

• ผู้ให้บริการ: google
• การยืนยันตัวตน: GEMINI_API_KEY หรือ GOOGLE_API_KEY
• API: Google Gemini API
• ตัวเลือกรันไทม์: agentRuntime.id: "google-gemini-cli" ใช้ OAuth ของ Gemini CLI ซ้ำ โดยยังคงการอ้างอิงโมเดลในรูปแบบมาตรฐานเป็น google/*

เริ่มต้นใช้งาน

เลือกวิธีการยืนยันตัวตนที่ต้องการและทำตามขั้นตอนการตั้งค่า

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

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

openclaw models list --provider google

ความสามารถ

การค้นหาเว็บ

ผู้ให้บริการค้นหาเว็บ gemini ที่รวมมาให้ใช้การทำ Grounding ด้วย Google Search ของ Gemini กำหนดค่าคีย์ค้นหาเฉพาะภายใต้ plugins.entries.google.config.webSearch หรือให้ใช้ models.providers.google.apiKey ซ้ำหลังจาก GEMINI_API_KEY:

{  plugins: {    entries: {      google: {        config: {          webSearch: {            apiKey: "AIza...", // ไม่จำเป็นหากตั้งค่า GEMINI_API_KEY หรือ models.providers.google.apiKey ไว้            baseUrl: "https://generativelanguage.googleapis.com/v1beta", // หากไม่มี จะใช้ models.providers.google.baseUrl            model: "gemini-2.5-flash",          },        },      },    },  },}

ลำดับความสำคัญของข้อมูลประจำตัวคือ webSearch.apiKey เฉพาะ ตามด้วย GEMINI_API_KEY และ models.providers.google.apiKey โดย webSearch.baseUrl เป็นตัวเลือก และมีไว้สำหรับพร็อกซีของผู้ดูแลระบบหรือปลายทาง Gemini API ที่เข้ากันได้ หากไม่ระบุ การค้นหาเว็บ Gemini จะใช้ models.providers.google.baseUrl ซ้ำ ดู การค้นหาด้วย Gemini สำหรับลักษณะการทำงานของเครื่องมือเฉพาะผู้ให้บริการ

การสร้างรูปภาพ

ผู้ให้บริการสร้างรูปภาพ google ที่รวมมาให้มีค่าเริ่มต้นเป็น google/gemini-3.1-flash-image

• รองรับ google/gemini-3-pro-image ด้วย
• สร้าง: สูงสุด 4 รูปภาพต่อคำขอ
• โหมดแก้ไข: เปิดใช้งาน รองรับรูปภาพอินพุตสูงสุด 5 รูป
• ตัวควบคุมเรขาคณิต: size, aspectRatio และ resolution

หากต้องการใช้ Google เป็นผู้ให้บริการรูปภาพเริ่มต้น:

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

การสร้างวิดีโอ

Plugin google ที่รวมมาให้ยังลงทะเบียนการสร้างวิดีโอผ่านเครื่องมือ video_generate ที่ใช้ร่วมกันด้วย

• โมเดลวิดีโอเริ่มต้น: google/veo-3.1-fast-generate-preview
• โหมด: ข้อความเป็นวิดีโอ รูปภาพเป็นวิดีโอ และโฟลว์การอ้างอิงวิดีโอรายการเดียว
• รองรับ aspectRatio (16:9, 9:16) และ resolution (720P, 1080P) ปัจจุบัน Veo ไม่รองรับเอาต์พุตเสียง
• ระยะเวลาที่รองรับ: 4, 6 หรือ 8 วินาที (ค่าอื่นจะถูกปรับเป็นค่าที่อนุญาตที่ใกล้ที่สุด)

หากต้องการใช้ Google เป็นผู้ให้บริการวิดีโอเริ่มต้น:

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

การสร้างเพลง

Plugin google ที่รวมมาให้ยังลงทะเบียนการสร้างเพลงผ่านเครื่องมือ music_generate ที่ใช้ร่วมกันด้วย

• โมเดลเพลงเริ่มต้น: google/lyria-3-clip-preview
• รองรับ google/lyria-3-pro-preview ด้วย
• ตัวควบคุมพรอมต์: lyrics และ instrumental
• รูปแบบเอาต์พุต: ค่าเริ่มต้นคือ mp3 และมี wav บน google/lyria-3-pro-preview ด้วย
• อินพุตอ้างอิง: สูงสุด 10 รูปภาพ
• การเรียกใช้ที่มีเซสชันรองรับจะแยกการทำงานผ่านโฟลว์งาน/สถานะที่ใช้ร่วมกัน รวมถึง action: "status"

หากต้องการใช้ Google เป็นผู้ให้บริการเพลงเริ่มต้น:

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

การแปลงข้อความเป็นเสียงพูด

ผู้ให้บริการเสียงพูด google ที่รวมมาให้ใช้เส้นทาง TTS ของ Gemini API กับ gemini-3.1-flash-tts-preview

• เสียงเริ่มต้น: Kore
• การยืนยันตัวตน: messages.tts.providers.google.apiKey, models.providers.google.apiKey, GEMINI_API_KEY หรือ GOOGLE_API_KEY
• เอาต์พุต: WAV สำหรับไฟล์แนบ TTS ทั่วไป, Opus สำหรับเป้าหมายข้อความเสียง, PCM สำหรับ Talk/โทรศัพท์
• เอาต์พุตข้อความเสียง: PCM ของ Google จะถูกห่อเป็น WAV และแปลงรหัสเป็น Opus 48 kHz ด้วย ffmpeg

เส้นทาง Gemini TTS แบบแบตช์ของ Google ส่งคืนเสียงที่สร้างขึ้นใน การตอบกลับ generateContent ที่เสร็จสมบูรณ์แล้ว สำหรับการสนทนาด้วยเสียงพูดที่มีความหน่วงต่ำที่สุด ให้ใช้ ผู้ให้บริการเสียงแบบเรียลไทม์ของ Google ที่ใช้ Gemini Live API แทน TTS แบบแบตช์

หากต้องการใช้ Google เป็นผู้ให้บริการ TTS เริ่มต้น:

{  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 ใช้พรอมต์ภาษาธรรมชาติสำหรับควบคุมรูปแบบ ตั้งค่า audioProfile เพื่อเติมพรอมต์รูปแบบที่นำกลับมาใช้ซ้ำได้ไว้หน้าข้อความที่จะพูด ตั้งค่า speakerName เมื่อข้อความพรอมต์อ้างถึงผู้พูดที่มีชื่อ

Gemini API TTS ยังรองรับแท็กเสียงแบบแสดงอารมณ์ในวงเล็บเหลี่ยมภายในข้อความ เช่น [whispers] หรือ [laughs] หากต้องการไม่ให้แท็กปรากฏในการตอบกลับแชต แต่ยังส่งไปยัง TTS ให้วางแท็กไว้ภายในบล็อก [[tts:text]]...[[/tts:text]]:

นี่คือข้อความตอบกลับที่ไม่มีแท็ก [[tts:text]][whispers] นี่คือเวอร์ชันเสียงพูด[[/tts:text]]

เสียงแบบเรียลไทม์

Plugin google ที่รวมมาให้ลงทะเบียนผู้ให้บริการเสียงแบบเรียลไทม์ที่ใช้ Gemini Live API สำหรับบริดจ์เสียงฝั่งแบ็กเอนด์ เช่น Voice Call และ Google Meet

ตัวอย่างการกำหนดค่าแบบเรียลไทม์สำหรับการโทรด้วยเสียง:

{  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",              },            },          },        },      },    },  },}

สำหรับการตรวจสอบแบบสดโดยผู้ดูแล ให้เรียกใช้ OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts การทดสอบ smoke ยังครอบคลุมพาธแบ็กเอนด์/WebRTC ของ OpenAI ด้วย ส่วนของ Google จะสร้าง โทเค็น Live API แบบมีข้อจำกัดในรูปแบบเดียวกับที่การพูดคุยใน Control UI ใช้ เปิด เอนด์พอยต์ WebSocket ของเบราว์เซอร์ ส่งเพย์โหลดการตั้งค่าเริ่มต้นพร้อมเฟรม JPEG และ ตรวจสอบการตอบกลับแบบข้อความและการทำงานแบบไปกลับของฟังก์ชัน describe_view

การกำหนดค่าขั้นสูง

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

ที่เกี่ยวข้อง