Google (Gemini)

Plugin ของ Google ให้การเข้าถึงโมเดล Gemini ผ่าน Google AI Studio รวมถึง การสร้างภาพ, การทำความเข้าใจสื่อ (ภาพ/เสียง/วิดีโอ), การแปลงข้อความเป็นเสียง และการค้นหาเว็บผ่าน Gemini Grounding

• ผู้ให้บริการ: google
• การยืนยันตัวตน: GEMINI_API_KEY หรือ GOOGLE_API_KEY
• API: Google Gemini API
• ตัวเลือกรันไทม์: provider/model agentRuntime.id: "google-gemini-cli" ใช้ Gemini CLI OAuth ซ้ำโดยยังคงให้ model refs เป็นรูปแบบมาตรฐาน google/*

เริ่มต้นใช้งาน

เลือกวิธีการยืนยันตัวตนที่คุณต้องการ แล้วทำตามขั้นตอนการตั้งค่า

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

ความสามารถ

การค้นหาเว็บ

ผู้ให้บริการค้นหาเว็บ gemini ที่มาพร้อมชุดใช้ Gemini Google Search grounding กำหนดค่าคีย์ค้นหาเฉพาะภายใต้ plugins.entries.google.config.webSearch หรือปล่อยให้ใช้ models.providers.google.apiKey ซ้ำหลังจาก 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",          },        },      },    },  },}

ลำดับความสำคัญของข้อมูลรับรองคือ webSearch.apiKey เฉพาะ ตามด้วย GEMINI_API_KEY แล้วจึงเป็น models.providers.google.apiKey webSearch.baseUrl เป็นตัวเลือกเสริมและ มีไว้สำหรับพร็อกซีของผู้ดูแลระบบหรือปลายทาง Gemini API ที่เข้ากันได้ เมื่อไม่ระบุ การค้นหาเว็บของ Gemini จะใช้ models.providers.google.baseUrl ซ้ำ ดู การค้นหา Gemini สำหรับลักษณะการทำงานของเครื่องมือเฉพาะผู้ให้บริการ

การสร้างภาพ

ผู้ให้บริการสร้างภาพ google ที่มาพร้อมชุดมีค่าเริ่มต้นเป็น google/gemini-3.1-flash-image-preview

• รองรับ google/gemini-3-pro-image-preview ด้วย
• สร้าง: สูงสุด 4 ภาพต่อคำขอ
• โหมดแก้ไข: เปิดใช้งาน สูงสุด 5 ภาพอินพุต
• การควบคุมเรขาคณิต: size, aspectRatio และ resolution

หากต้องการใช้ Google เป็นผู้ให้บริการภาพเริ่มต้น:

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

การสร้างวิดีโอ

Plugin google ที่มาพร้อมชุดยังลงทะเบียนการสร้างวิดีโอผ่านเครื่องมือที่ใช้ร่วมกัน video_generate

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

หากต้องการใช้ Google เป็นผู้ให้บริการวิดีโอเริ่มต้น:

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

การสร้างเพลง

Plugin google ที่มาพร้อมชุดยังลงทะเบียนการสร้างเพลงผ่านเครื่องมือที่ใช้ร่วมกัน music_generate

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

หากต้องการใช้ Google เป็นผู้ให้บริการเพลงเริ่มต้น:

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

การแปลงข้อความเป็นเสียง

ผู้ให้บริการเสียงพูด google ที่มาพร้อมชุดใช้เส้นทาง Gemini API TTS ด้วย 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 ปกติ, Opus สำหรับเป้าหมายโน้ตเสียง, PCM สำหรับ Talk/โทรศัพท์
• เอาต์พุตโน้ตเสียง: Google PCM จะถูกห่อเป็น WAV และแปลงรหัสเป็น Opus 48 kHz ด้วย ffmpeg

เส้นทาง Gemini TTS แบบแบตช์ของ Google ส่งคืนเสียงที่สร้างแล้วในคำตอบ generateContent ที่เสร็จสมบูรณ์ สำหรับบทสนทนาเสียงพูดที่มีความหน่วงต่ำสุด ให้ใช้ ผู้ให้บริการเสียงแบบเรียลไทม์ของ Google ที่รองรับด้วย 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 ใช้การพรอมต์ด้วยภาษาธรรมชาติเพื่อควบคุมสไตล์ ตั้งค่า audioProfile เพื่อเติมพรอมต์สไตล์ที่ใช้ซ้ำได้ไว้หน้าข้อความที่พูด ตั้งค่า speakerName เมื่อข้อความพรอมต์ของคุณอ้างถึงผู้พูดที่มีชื่อ

Gemini API TTS ยังยอมรับแท็กเสียงแบบแสดงอารมณ์ในวงเล็บเหลี่ยมภายในข้อความ เช่น [whispers] หรือ [laughs] หากต้องการกันแท็กออกจากคำตอบแชทที่มองเห็นได้ แต่ยังส่งแท็กเหล่านั้นไปยัง TTS ให้ใส่ไว้ภายในบล็อก [[tts:text]]...[[/tts:text]]:

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

เสียงแบบเรียลไทม์

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

ตัวอย่างการกำหนดค่า Voice Call แบบเรียลไทม์:

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

สำหรับการยืนยันสดของผู้ดูแล ให้รัน OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts สโมกยังครอบคลุมเส้นทางแบ็กเอนด์/WebRTC ของ OpenAI ด้วย ส่วนของ Google จะสร้างโทเค็น Live API แบบจำกัดรูปแบบเดียวกับที่ Control UI Talk ใช้ เปิดปลายทาง WebSocket ของเบราว์เซอร์ ส่งเพย์โหลดการตั้งค่าเริ่มต้น และรอ setupComplete

การกำหนดค่าขั้นสูง

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

ที่เกี่ยวข้อง