Google (Gemini)

Plugin Google دسترسی به مدل‌های Gemini را از طریق Google AI Studio فراهم می‌کند، به‌همراه تولید تصویر، درک رسانه (تصویر/صدا/ویدئو)، تبدیل متن به گفتار، و جست‌وجوی وب از طریق Gemini Grounding.

• ارائه‌دهنده: google
• احراز هویت: GEMINI_API_KEY یا GOOGLE_API_KEY
• API: Google Gemini API
• گزینه زمان اجرا: agents.defaults.agentRuntime.id: "google-gemini-cli" از OAuth مربوط به Gemini CLI دوباره استفاده می‌کند، در حالی که ارجاع‌های مدل را به‌صورت استاندارد google/* نگه می‌دارد.

# شروع به کار

روش احراز هویت دلخواه خود را انتخاب کنید و مراحل راه‌اندازی را دنبال کنید.

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

# Homebrew
brew install gemini-cli

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

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

openclaw models list --provider google

# قابلیت‌ها

# جست‌وجوی وب

ارائه‌دهنده جست‌وجوی وب همراه gemini از grounding جست‌وجوی Google در Gemini استفاده می‌کند. یک کلید جست‌وجوی اختصاصی را در plugins.entries.google.config.webSearch پیکربندی کنید، یا اجازه دهید پس از GEMINI_API_KEY از models.providers.google.apiKey دوباره استفاده کند:

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

ترتیب اولویت اعتبارنامه‌ها به این صورت است: webSearch.apiKey اختصاصی، سپس GEMINI_API_KEY، سپس models.providers.google.apiKey. مقدار webSearch.baseUrl اختیاری است و برای پراکسی‌های اپراتور یا نقطه‌های پایانی سازگار Gemini API وجود دارد؛ وقتی حذف شود، جست‌وجوی وب Gemini از models.providers.google.baseUrl دوباره استفاده می‌کند. برای رفتار ابزار ویژه این ارائه‌دهنده، به جست‌وجوی Gemini مراجعه کنید.

# تولید تصویر

ارائه‌دهنده تولید تصویر همراه google به‌صورت پیش‌فرض از google/gemini-3.1-flash-image-preview استفاده می‌کند.

• همچنین از google/gemini-3-pro-image-preview پشتیبانی می‌کند
• تولید: تا 4 تصویر در هر درخواست
• حالت ویرایش: فعال، تا 5 تصویر ورودی
• کنترل‌های هندسه: size، aspectRatio، و resolution

برای استفاده از Google به‌عنوان ارائه‌دهنده تصویر پیش‌فرض:

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

# تولید ویدئو

Plugin همراه google همچنین تولید ویدئو را از طریق ابزار مشترک video_generate ثبت می‌کند.

• مدل ویدئوی پیش‌فرض: google/veo-3.1-fast-generate-preview
• حالت‌ها: متن به ویدئو، تصویر به ویدئو، و جریان‌های مرجع تک‌ویدئویی
• از aspectRatio، resolution، و audio پشتیبانی می‌کند
• محدودسازی مدت فعلی: 4 تا 8 ثانیه

برای استفاده از Google به‌عنوان ارائه‌دهنده ویدئوی پیش‌فرض:

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

# تولید موسیقی

Plugin همراه google همچنین تولید موسیقی را از طریق ابزار مشترک music_generate ثبت می‌کند.

• مدل موسیقی پیش‌فرض: google/lyria-3-clip-preview
• همچنین از google/lyria-3-pro-preview پشتیبانی می‌کند
• کنترل‌های prompt: lyrics و instrumental
• قالب خروجی: به‌صورت پیش‌فرض mp3، به‌همراه wav در google/lyria-3-pro-preview
• ورودی‌های مرجع: تا 10 تصویر
• اجراهای مبتنی بر نشست از طریق جریان مشترک وظیفه/وضعیت جدا می‌شوند، از جمله action: "status"

برای استفاده از Google به‌عنوان ارائه‌دهنده موسیقی پیش‌فرض:

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

# تبدیل متن به گفتار

ارائه‌دهنده گفتار همراه google از مسیر TTS مربوط به Gemini API با gemini-3.1-flash-tts-preview استفاده می‌کند.

• صدای پیش‌فرض: Kore
• احراز هویت: messages.tts.providers.google.apiKey، models.providers.google.apiKey، GEMINI_API_KEY، یا GOOGLE_API_KEY
• خروجی: WAV برای پیوست‌های معمول TTS، Opus برای مقصدهای voice-note، PCM برای Talk/تلفن
• خروجی voice-note: Google PCM به‌صورت WAV بسته‌بندی می‌شود و با ffmpeg به Opus با 48 kHz تبدیل می‌شود

مسیر دسته‌ای Gemini TTS در Google، صدای تولیدشده را در پاسخ تکمیل‌شده generateContent برمی‌گرداند. برای مکالمه‌های گفتاری با کمترین تاخیر، به‌جای TTS دسته‌ای، از ارائه‌دهنده صدای بلادرنگ Google که بر Gemini Live API متکی است استفاده کنید.

برای استفاده از Google به‌عنوان ارائه‌دهنده TTS پیش‌فرض:

{
  messages: {
    tts: {
      auto: "always",
      provider: "google",
      providers: {
        google: {
          model: "gemini-3.1-flash-tts-preview",
          voiceName: "Kore",
          audioProfile: "Speak professionally with a calm tone.",
        },
      },
    },
  },
}

Gemini API TTS برای کنترل سبک از prompt زبان طبیعی استفاده می‌کند. audioProfile را تنظیم کنید تا یک prompt سبک قابل استفاده مجدد را پیش از متن گفتاری اضافه کند. وقتی متن prompt شما به یک گوینده نام‌دار اشاره می‌کند، speakerName را تنظیم کنید.

Gemini API TTS همچنین برچسب‌های صوتی بیانی داخل کروشه را در متن می‌پذیرد، مانند [whispers] یا [laughs]. برای اینکه برچسب‌ها در پاسخ قابل مشاهده گفت‌وگو دیده نشوند اما به TTS ارسال شوند، آن‌ها را داخل یک بلوک [[tts:text]]...[[/tts:text]] قرار دهید:

Here is the clean reply text.

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

# صدای بلادرنگ

Plugin همراه google یک ارائه‌دهنده صدای بلادرنگ را ثبت می‌کند که بر Gemini Live API برای پل‌های صوتی بک‌اند مانند Voice Call و Google Meet متکی است.

نمونه پیکربندی بی‌درنگ Voice Call:

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

برای راستی‌آزمایی زنده نگه‌دارنده، اجرا کنید: OPENAI_API_KEY=... GEMINI_API_KEY=... node --import tsx scripts/dev/realtime-talk-live-smoke.ts. شاخه Google همان شکل توکن محدود Live API را که Control UI Talk استفاده می‌کند صادر می‌کند، نقطه پایانی WebSocket مرورگر را باز می‌کند، محموله راه‌اندازی اولیه را می‌فرستد، و منتظر setupComplete می‌ماند.

# پیکربندی پیشرفته

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

# مرتبط