आवाज वार्तालाप जो पृष्ठभूमि में कारण बताते रहते हुए 30 आवाजों, लाइव वीडियो इनपुट, टूल कॉलिंग और समायोज्य तर्क प्रयास के साथ बात करती रहती है।
Google ऑडियो जनरेशन 128K कॉन्टेक्स्ट रिलीज 15 सित॰ 2026 स्वामित्व वाला एंडपॉइंट नयाआवाज वार्तालाप जो पृष्ठभूमि में कारण बताते रहते हुए 30 आवाजों, लाइव वीडियो इनपुट, टूल कॉलिंग और समायोज्य तर्क प्रयास के साथ बात करती रहती है।
सत्र के साथ कॉन्फ़िगर किया गया है session.update इवेंट के बजाय अनुरोध पैरामीटर पर सॉकेट पर। पाठ और ऑडियो टोकन बिल अलग-अलग दरों पर।
इस नाम से भी जाना जाता है Gemini Live Extended Thinking, Google Gemini 3.8 Live Extended Thinking
gemini-3-8-live-extended-thinking/v1/realtimegemini-3.8-live-extended-thinkinggoogle/gemini-3.8-live-extended-thinkingEmpirioLabs कैटलॉग से लाइव pay-as-you-go दरें। आप सिर्फ उतना ही भुगतान करते हैं जितना उपयोग करते हैं, कोई मासिक न्यूनतम नहीं।
Gemini 3.8 Live Extended Thinking HTTP एंडपॉइंट के बजाय wss://api.empiriolabs.ai/v1/realtime?model=gemini-3-8-live-extended-thinking पर एक WebSocket के ज़रिए लाइव बातचीत करता है। मॉडल id gemini-3-8-live-extended-thinking के साथ कनेक्ट करें और हैंडशेक पर अपनी EmpirioLabs API key को Authorization: Bearer हेडर के रूप में भेजें। ऑडियो दोनों दिशाओं में base64 16-bit PCM के रूप में जाता है। ब्राउज़र WebSocket पर हेडर सेट नहीं कर सकता, इसलिए यह कनेक्शन अपने सर्वर से खोलें और ऑडियो को अपने सॉकेट के ज़रिए ब्राउज़र तक पहुँचाएँ। EmpirioLabs डैशबोर्ड से API key प्राप्त करें।
import asyncio, json, os, websockets
async def main():
async with websockets.connect(
"wss://api.empiriolabs.ai/v1/realtime?model=gemini-3-8-live-extended-thinking",
additional_headers=[
("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
],
max_size=None,
) as ws:
print(json.loads(await ws.recv())["type"]) # session.created
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{"type": "input_text", "text": "Say hello."}],
},
}))
await ws.send(json.dumps({"type": "response.create"}))
async for raw in ws:
event = json.loads(raw)
if event["type"] == "response.audio.delta":
... # base64 audio chunk, append to your playback buffer
elif event["type"] == "response.done":
break
asyncio.run(main())EmpirioLabs पर Gemini 3.8 Live Extended Thinking API द्वारा समर्थित request पैरामीटर। फ़ील्ड छोड़ने पर डिफ़ॉल्ट मान लागू होते हैं।
| पैरामीटर | प्रकार | डिफॉल्ट | रेंज / मान | विवरण |
|---|---|---|---|---|
| voice | enum | Puck | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... | सत्र के लिए बोलने वाली आवाज़। बातचीत शुरू होने से पहले इसे session.update के साथ सेट करें; यह बाद में नहीं बदल सकता। |
| instructions | string | - | - | मॉडल कैसे व्यवहार करता है और बोलता है, इसके लिए सिस्टम मार्गदर्शन। बातचीत शुरू होने से पहले इसे session.update के साथ सेट करें। |
| reasoning_effort | enum | medium | low, medium, high | बात करते समय मॉडल पृष्ठभूमि में कितना कारण बताता है। उच्च प्रयास अधिक आउटपुट टोकन का उपयोग करता है। बातचीत शुरू होने से पहले इसे सेट करें। |
| temperature | number | - | 0.2 से 2 | नमूना तापमान 0.2 से 2 तक। कम मान उत्तरों को अधिक सुसंगत बनाते हैं। बातचीत शुरू होने से पहले इसे सेट करें। |
| input_audio_format | enum | pcm16 | pcm16, pcm24 | आपके द्वारा इनपुट बफर में जोड़े गए ऑडियो की एन्कोडिंग: pcm16 16 kHz पर बेस 64 16-बिट PCM है, और pcm24 24 kHz पर समान है। |
| output_audio_format | enum | pcm24 | pcm24 | ऑडियो की एन्कोडिंग मॉडल वापस स्ट्रीम करता है: 24 kHz पर 16-बिट पीसीएम। |
| turn_detection | string | {"type":"server_vad"} | - | आवाज गतिविधि का पता लगाना: यह तय करता है कि आपने कब बोलना समाप्त कर दिया है और मॉडल को जवाब देना चाहिए। यह डिफ़ॉल्ट रूप से server_vad के रूप में चालू है। server_vad... |
| max_response_output_tokens | number | - | 4096 से 65536 | आउटपुट टोकन की सबसे बड़ी संख्या एक उत्तर का उपयोग कर सकता है: 4096 से 65536 तक, जहां एक बड़ी संख्या 65536 पर चलती है, या मॉडल की अपनी सीमा के लिए "inf"।... |
| input_audio_transcription | string | - | - | आप जो कहते हैं उसके प्रतिलेख के लिए संकेत: भाषा एक भाषा कोड है जैसे कि en या fr-fr, और अधिकतम 20,000 वर्णों में अल्पविराम द्वारा अलग किए जाने के लिए 1,000 शब्दों और... |
| media_resolution | enum | - | low, medium, high | आपके द्वारा भेजे जाने वाले प्रत्येक वीडियो फ़्रेम में मॉडल को दिखाई देने वाले विवरण का विवरण दें: कम प्रति फ़्रेम सबसे कम इनपुट टोकन का उपयोग करता है, और मध्यम और... |
wss://api.empiriolabs.ai/v1/realtime?model=gemini-3-8-live-extended-thinking पर वेबसॉकेट पर पूर्ण-डुप्लेक्स आवाज, साधारण प्राधिकरण वाहक हेडर के साथ प्रमाणित। पहला ऑडियो भेजने से पहले सत्र को session.update के साथ कॉन्फ़िगर करें: आवाज, निर्देश, टर्न डिटेक्शन और टूल। बातचीत शुरू होने के बाद ये सेटिंग्स ठीक हो जाती हैं।
ऑडियो और टेक्स्ट टोकन की कीमत दोनों दिशाओं में अलग-अलग होती है, वीडियो फ्रेम बिल इनपुट टोकन के रूप में, और रीजनिंग टोकन बिल आउटपुट टोकन के रूप में। प्रत्येक पूर्ण मोड़ को मॉडल रिपोर्ट के उपयोग से अपने आप बिल किया जाता है, जिसमें आपके द्वारा बाधित उत्तर भी शामिल है।
EmpirioLabs पर Gemini 3.8 Live Extended Thinking का बिल उपयोग के अनुसार बनता है: इनपुट: ऑडियो $7.80 प्रति 1M ऑडियो इनपुट टोकन; इनपुट $2.60 प्रति 1M प्रॉम्प्ट टोकन; आउटपुट $11.70 प्रति 1M जेनरेट किए गए टोकन; आउटपुट: ऑडियो $31.20 प्रति 1M जनरेट किए गए ऑडियो टोकन। इस पेज की लाइव दर तालिका हमेशा API की वास्तविक बिलिंग से मेल खाती है।
Gemini 3.8 Live Extended Thinking 128K टोकन की context window समर्थित करता है, प्रति उत्तर अधिकतम 65,536 आउटपुट टोकन के साथ।
Gemini 3.8 Live Extended Thinking api.empiriolabs.ai पर WEBSOCKET /v1/realtime के ज़रिए मिलता है, मानक Bearer टोकन प्रमाणीकरण के साथ।
EmpirioLabs playground खोलें और Start session दबाकर इसे अपने ब्राउज़र में आज़माएँ। Gemini 3.8 Live Extended Thinking अनुरोध और प्रतिक्रिया के बजाय WebSocket पर चलता है, इसलिए इसे जोड़ने के लिए रियलटाइम वॉइस क्विकस्टार्ट से शुरू करें। अपनी EmpirioLabs API key और मॉडल id gemini-3-8-live-extended-thinking के साथ अपने सर्वर से कनेक्ट करें, फिर दोनों दिशाओं में ऑडियो स्ट्रीम करें।
EmpirioLabs खाता बनाएं, फिर डैशबोर्ड में API Keys में key जनरेट करें। बिलिंग pay-as-you-go क्रेडिट से होती है, इसलिए आप सिर्फ अपनी requests का भुगतान करते हैं।
हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।
